Informacja

Drogi użytkowniku, aplikacja do prawidłowego działania wymaga obsługi JavaScript. Proszę włącz obsługę JavaScript w Twojej przeglądarce.

Wyszukujesz frazę "Prognozowanie cen" wg kryterium: Temat


Wyświetlanie 1-2 z 2
Tytuł:
Prognozowanie inflacji w Polsce na podstawie modeli autoregresji wektorowej
Forecasting Inflation in Poland Based on Vector Autoregressive Models
Projections relatives à l’inflation en Pologne sur la base des modèles autorégressifs vectoriels
Прогнозирование инфляции в Польше на основе модели векторной авторегрессии
Autorzy:
Wójcik, Szymon
Powiązania:
https://bibliotekanauki.pl/articles/543416.pdf
Data publikacji:
2015-01
Wydawca:
Główny Urząd Statystyczny
Tematy:
Model wektorowej autoregresji
Prognozowanie
Inflacja
Zmienność poziomu cen
Vector Autoregression Model (VAR)
Forecasting
Inflation
Price level variability
Opis:
В статье были использованы модели векторной авторегрессии для прогнозирования месячного показателя потребительских цен в Польше. Выбор используемых макроэкономических переменных соответствовал трем теориям формирования инфляции: монетаристской, кейнсианской (курсовой) и издержек. В прогнозировании была использована концепция вне выборки (out-of-sample), а качество результатов было обследовано с использованием ошибок прогноз ex post.
W artykule wykorzystano modele wektorowej autoregresji do prognozowania miesięcznego indeksu cen konsumenta w Polsce. Dobór użytych zmiennych makroekonomicznych odpowiadał trzem teoriom powstawania inflacji: monetarystycznej, keynesowskiej i kosztowej. W prognozowaniu wykorzystano koncepcję prognozowania poza próbę (out-of-sample), a jakość wyników zbadano przy pomocy błędów prognoz ex post.
The article presents a usage of vector autoregressive models in forecasting polish consumer price index. Macroeconomic variables used in this paper are considered to reflect particular economic theories describing causes of inflation. Out-of-sample methodology was used in forecasting process. Accuracy of results was diagnosed by using ex post forecasting errors.
Źródło:
Wiadomości Statystyczne. The Polish Statistician; 2015, 1; 28-41
0043-518X
Pojawia się w:
Wiadomości Statystyczne. The Polish Statistician
Dostawca treści:
Biblioteka Nauki
Artykuł
Tytuł:
Prognozowanie wybranego subindeksu CPI przy użyciu danych Google Trends
Forecasting transport inflation using Google Trends
Autorzy:
Marynowska, Anna
Powiązania:
https://bibliotekanauki.pl/articles/585573.pdf
Data publikacji:
2018
Wydawca:
Uniwersytet Ekonomiczny w Katowicach
Tematy:
Analiza czynnikowa
Google Trends
Inflacja
Prognozowanie
Wskaźnik cen towarów i usług konsumpcyjnych
Consumer price index (CPI)
Forecasting
Inflation
Principal components
Opis:
Prognozy inflacji mają bezpośredni wpływ na prowadzenie polityki monetarnej państwa oraz odgrywają dużą rolę w uświadamianiu społeczeństwa o potrzebie wprowadzenia ewentualnych zmian w sposobie jej prowadzenia. W celu zapewnienia trafności konstruowanych prognoz stale poszukuje się zmiennych, które istotnie wpływają na inflację. Celem artykułu jest sprawdzenie, czy dane udostępniane przez serwis Google Trends mogą poprawić dokładność prognoz komponentów CPI związanych z sektorem transportowym. Dla każdego z subindeksów zbudowano modele prognostyczne uwzględniające zmienne wpływające na poziom wybranych cen, modele wzbogacone o hasła z wyszukiwarki Google i modele zawierające w swojej specyfikacji wspólne czynniki opisujące zmienność 32 wybranych haseł Google.
Inflation forecasts determine the monetary policy and can be treated as a way of raising society’s awareness of the fact that it needs certain adjustments. Experts continuously seek for the adequate variables that affect the level of inflation. In this paper the author examines whether Google Trends improve forecast of three chosen CPI components related to transport. The Author created a prognostic model for each of the components. Created models include: independent variables such as oil price and rate of excise duty, chosen variables together with statistics provided by Google Trends or principal components (explaining 32 google variables’ volatility) accordingly.
Źródło:
Studia Ekonomiczne; 2018, 375; 55-72
2083-8611
Pojawia się w:
Studia Ekonomiczne
Dostawca treści:
Biblioteka Nauki
Artykuł
    Wyświetlanie 1-2 z 2

    Ta witryna wykorzystuje pliki cookies do przechowywania informacji na Twoim komputerze. Pliki cookies stosujemy w celu świadczenia usług na najwyższym poziomie, w tym w sposób dostosowany do indywidualnych potrzeb. Korzystanie z witryny bez zmiany ustawień dotyczących cookies oznacza, że będą one zamieszczane w Twoim komputerze. W każdym momencie możesz dokonać zmiany ustawień dotyczących cookies