نوع مقاله : مقاله پژوهشی

نویسنده

هیئت علمی دانشگاه آزاد اسلامی شیراز

چکیده

هدف از این مطالعه بررسی اثرات سیاست پولی بر متغیرهای اقتصاد کلان ایران بوده است. در این راستا با استفاده از روش‌شناسی نسبتا جدید الگوهای خودتوضیح برداری عامل تعمیم‌یافته (FAVAR) و بهره‌گیری از داده‌های فصلی سری زمانی 110 متغیر اقتصاد کلان ایران طی دوره 1391:4-1369:1، سیاست‌های پولی مورد ارزیابی قرار گرفته شده است. جهت ارزیابی سیاست‌های پولی، با توجه به اجرای قانون بانکداری بدون ربا، بجای نرخ بهره از چهار متغیر حجم نقدینگی، پایه پولی، بدهی بانک‌ها به بانک مرکزی و اعتبارات اعطایی سیستم بانکی به بخش خصوصی، به عنوان ابزار پولی استفاده شده است. نتایج نشان می‌دهد اثر سیاست پولی بر تولید در کوتاه-مدت چندان روشن نیست اما خنثایی پول در بلندمدت را می‌توان پذیرفت. ضمن آنکه اجرای سیاست پولی انبساطی اثر پایداری بر سطح عمومی قیمت‌ها داشته و در کوتاه-مدت و بلندمدت منجر به افزایش تورم شده است. مقایسه نتایج دو الگوی VAR و FAVAR و استفاده از الگوی FAVAR جهت ارزیابی اثر سیاست‌های پولی نشان می-دهد، معمای قیمت در اقتصاد ایران بوجود نیامده است.

کلیدواژه‌ها

عنوان مقاله [English]

Measuring the Effects of Monetary Policy Shock in Iran: A Factor-Augmented Vector Autoregressive (FAVAR) Approach

چکیده [English]

The purpose of this survey is assessing the effects of monetary policy on Iran’s macroeconomic variables. In this regard, using the Factor Augmented Vector Auto-Regressive (FAVAR) methodology which contains 110 quarterly variables of macroeconomic from1990:2-2013:1, monetary policies in Iran were evaluated. Weused liquidity, monetary base, bank debt and bank credit in the private sector as a monetary tool for measuring the monetary policy regarding the implementation of Riba-free Banking law in Iran. The result showed that, the impact of monetary policy on output is not clear in the short term; but we can accept monetary neutrality in the long term. Moreover, an expansionary monetary policy has a stability effect on the general price level in the short and long term. Comparing the result of VAR model and FAVAR model and using the FAVAR model showed that there was no “Prize Puzzle” in anyone of the two models.

کلیدواژه‌ها [English]

  • Factor Augmented Vector Auto-Regressive model
  • Dynamic Factor model
  • Monetary policy
  • Principle Component
حیدری، حسن. (1390). ارزیابی تاثیر شوک­های پولی بر قیمت و سطح فعالیت­ها در بخش مسکن با استفاده از یک الگوی FAVAR، فصلنامه تحقیقات مدلسازی اقتصادی، شماره 6، ص 153-129.
شریفی رنانی، حسین، اکبر کمیجانی و حمید شهرستانی. (1388). بررسی سازوکار انتقال پولی در ایران: رویکرد خودرگرسیونی برداری ساختاری، فصلنامه پول و اقتصاد، شماره 2، ص 176-145.
کمیجانی، اکبر و مجتبی حائری. (1392). نقش قیمت مسکن در مکانیسم انتقال سیاست پولی، فصلنامه راهبرد اقتصادی، شماره پنجم، ص 68-41.
مشیری، سعید و محسن واشقانی. (1389). بررسی مکانیزم انتقال پولی و زمان­یابی آن در اقتصاد ایران، فصلنامه مدلسازی اقتصادی، شماره 1 (پیاپی 11)، ص 32-1.
نظری، محسن و الهام فرزانگان. (1389). سیاست پولی و حباب مسکن در تهران، مجله تحقیقات اقتصادی، شماره 91، ص 249-229.
همتی، مریم و احمد جلالی نائینی. (1390). بررسی اثر شوک­های پولی بر 12 گروه شاخص بهای کالاها و خدمات مصرفی با استفاده از روش FAVAR، فصلنامه پژوهش­های اقتصادی ایران، شماره 49، ص 239-205.
Bai J, S. Ng. (2002). Determining the Number of Factors in Approximate Factor Models. Econometrica 70: 191-221.
Bernanke B. & A. Blinder. (1992). The Federal Funds Rate and theChannels of Monetary Transmission. American Economic Review 82 (4): 901-921.
Bernanke B. & J. Boivin. (2003). Monetary Policy in a Data-rich Environment. Journal of Monetary Economics 50: 525-546.
Bernanke B.S, J. Boivin & P.S. Eliasz. (2005). Measuring the Effects of Monetary Policy: A Factor-Augmented Vector Autoregressive (FAVAR) Approach. The Quarterly Journal of Economics 120(1): 387–422.
Carter CK. & P. Kohn. (1994). On Gibbs Sampling for State Space Models. Biometrika 81: 541-53.
Eliasz P. (2002). Likelihood-Based Inference in Large Dynamic Factor Models Using Gibbs Sampling.mimeo, Princeton University.
Fernald G, M.M. Spiegel & E.T. Swanson. (2014). Monetary policy effectiveness in China: evidence from a FAVAR model. Working Paper Series, Federal Reserve Bank of San Francisco.
Gelman A. & D.B. Rubin. (1992). A Single Sequence from the Gibbs Sampler Gives a False Sense of Security.In Bayesian Statistics 4 (ed. J.M. Bernardo, J.O. Berger, A.P. Dawid, A.F.M. SmithOxford University Press) 625-63.
Geman S. & D. Geman. (1984). Stochastic Relaxation, Gibbs Distributions and the Bayesian Restoration of Images. IEEE Transactions on Pattern Analysis and Machine Intelligence 6: 721-41.
He Qing, P-H. Leung & T. T-L. Chong. (2013). Factor-Augmented VAR Analysis of the Monetary Policy in China. China Economic Review 25: 88-104.
Kim C-J. & C.R. Nelson. (2001). A Bayesian Approach to Testing for Markov-Switching in Univariate and Dynamic Factor Models. International Economic Review, Department of Economics, University of Pennsylvania and Osaka University Institute of Social and Economic Research Association 42(4): 989-1013.
Kose A, C. Otrok & C.H. Whiteman (2008). Understanding the Evolution of World Business Cycles.Journal of International Economics 75 (1): 110-130.
Munir K. & A. Qayyum (2012). Measuring the effects of monetary policy in Pakistan: A factor augmented vector autoregressive approach. MPRA Paper 35976. University Library of Munich. Germany.
Sims C.A. (1992). Interpreting the Macroeconomic Time Series Facts: The Effects of Monetary Policy. European Economic Review36(5): 975-1000.
Sims C.A. (1980). Macroeconomics and Reality. Econometrica 48(1): 1–48.
Stock J.H. & M.W. Watson. (2005). Implications of Dynamic Factor Models for VAR Analysis, Working Paper 11467,  National Bureau of Economic Research.
Stock J.H. & M.W. Watson. (1989). New Indexes of Coincident and Leading Economic Indicators. NBER Macroeconomics: 351-393.
Stock J.H. & M.W. Watson. (2002). Dynamic Factor Models, Ch. 2 in M.J. Clements and D.F. Hendry (eds.), Oxford Handbook on Economic Forecasting. Oxford: Oxford University Press.
Walsh, C.E. (2010). Monetary Theory and Policy. 3rd ed. Cambridge: MIT Press.