Simulation of the Effect of Factors Affecting on Recession in Iran: Comparison of Markov Chain Monte Carlo and Bayesian Approaches

Refaei, Ramiar; Sameti, Morteza; Ghobadi, Sara

doi:10.30473/egdr.2019.43524.5010

Document Type : ORIGINAL ARTICLE

Authors

¹ Ph.D Student of Economics, Islamic Azad University, Isfahan Branch (Khorasgan), Isfahan, Iran

² Professor of Economics, Islamic Azad University, Isfahan Branch (Khorasgan), Isfahan, Iran

³ Assistant Professor of Economics, Islamic Azad University, Isfahan Branch (Khorasgan), Isfahan, Iran

https://doi.org/10.30473/egdr.2019.43524.5010

Abstract

The history of Iran's economy after the revolution has been in recession for some years and, with the 70s, this trend has deepened, and with the 1990s it seems that the real GDP trend is making serious changes. In this paper, the Markov chain Monte Carlo and Byesian approach are used to simulate the effects of factors affecting the economic recession in Iran during the years 1979- 2016. The results show that the Bayesian approach confirm the results of the model estimation using the Monte Carlo Markov chain approach, and at a reliable level, 97.5% of the coefficients of the variables are statistically significant and reliable. so, the most influential variables were estimated on the economic recession in Iran, are exchange rate changes, crude oil prices, and real GDP. The results also show that the matrix of Bayes factors for all pairings of models is reliable. The later probabilities of regimes and the likelihood ratio indicate that the change points in the sixth model are different with the rest of the models, so the regime change is happening in the sixth model.

Keywords

20.1001.1.22285954.1398.9.36.5.9

Main Subjects

Economic Growth

References

افشاری، زهرا؛ محمودی، نوشین و بوستانی، رضا (1392). "ارزیابی مدل رشد نئوکلاسیک در تبیین چرخه‌های تجاری ایران". فصلنامه مطالعات اقتصادی کاربردی ایران، سال سوم، شماره 9، 204-189.

بختیارزاده، محمد جواد (۱۳۸۸)." بررسی علل و بحران اقتصادی ۲۰۰۸ آمریکا و ارائه راهکارها". مجله بررسی‌های بازرگانی، شماره ۳۸، ۵۸-۵۰.

شاکری، عباس و قلیچ، وهاب (۱۳۹۴). "عوامل مؤثر بر چرخه‌های تجاری اقتصاد ایران یک مدل خودرگرسیون برداری ساختاری". فصلنامه پژوهش‌های پولی-بانکی، سال هشتم، شماره ۲۵، ۴۸۰-۴۵۵.

طاهری بازخانه، صالح؛ احسانی، محمدعلی؛ گیلک حکیم آبادی، محمدتقی (1397). "بررسی رابطه پویا بین ادوار مالی با ادوار تجاری و شکاف تورم در ایران: کاربردی از تبدیل موجک". فصلنامه علمی پژوهشی پژوهش‌های رشد و توسعه اقتصادی، دوره 9، شماره 33، 140-121.

فاضل، مهدی؛ توکلی، اکبر و رجبی، مصطفی (۱۳۹۲). "مقایسه عملکرد الگوی ARIMA و MS-AR در پیش‌بینی ادوار تجاری ایران". فصلنامه مدلسازی اقتصادی، سال هفتم، شماره ۳۰، ۸۰-۶۷.

گرجی، ابراهیم و انواری، فرزانه (۱۳۹۷). "نقش بانک مرکزی در ایجاد سیکل‌های تجاری در اقتصاد ایران". پژوهش‌های اقتصاد پولی و مالی، سال ۲۵، شماره۱۵،۱۵-۹.

گل‌خندان، ابوالقاسم (۱۳۹۴). "چرخه‌های تجاری اقتصاد ایران ۱۳۸۹-۱۳۶۸". فصلنامه تحقیقات توسعه اقتصادی، شماره 17، ۱۰۴-۸۳.

مهرگان، نادر؛ عباسیان، عزت‌اله؛ عیسی‌زاده، سعید و فرجی، ابراهیم (1396). "بررسی شوک‌های واقعی و نوسان‌های تولیدِ اقتصاد ایران". فصلنامه علمی پژوهشی پژوهش‌های رشد و توسعه اقتصادی، دوره 8، شماره 29، 31-17.

هادیان، ابراهیم و هاشم‌پور، محمدرضا (1382). "شناسایی چرخه‌های تجاری در اقتصاد ایران". فصلنامه پژوهش‌های اقتصادی ایران، شماره 15، 120-93.

Adeniran, B.& Sidiq, O. (2018). “Economic Recession and the Way-Out: Nigeria as Case Study”. Global Journal of Human-Social Science, 18(1), 181-192.

Burns, A. & Mitchell, W. (1946). “Measuring Business Cycles”. NBER, NY, 322-340

Canova, F & Nicolo, G. (2008). “Monetary Disturbances Matter for Business Fluctuations”. Journal of Monetary Economics, 49(6), 1131-1159.

Chib, S. & Jeliazkov, I. (2001). “Marginal Likelihood from the Metropolis Hastings Output”. Journal of the American Statistical Association, 96, 270–281.

Chib, S. (1995). “Marginal Likelihood from the Gibbs Output”. Journal of the American Statistical Association, 90, 1313–1321.

Dornbush, R., Fisher, S. & Startz, R. (2004). “Macroeconomics”. McGraw-Hill/Irwin; 11 edition (December 13, 2004).

Estrella, A. & Mishkin, F. S. (1998). “Predicting U.S. Recessions: Financial Variables as Leading Indicators”. The Review of Economics and Statistics, 80(1), 45-61.

Hamilton, J. (1989). “A New Approach to the Economic Analysis of Non Stationary Time Series and the Business Cycle”. Econometrica, 57, 357-384.

Hooi Tan, S. A. & Habibullah, M. (2016). “Business Cycles and Monetary Policy Asymmetry: An Investigation Using Markov-Switching Models”. Statistical Mechanics and its Applications, 380(1), 297-306.

Kim, C. J. & Starts, R. (2001). “Permanent and Transitory Components of Business Cycles: Their Relative Importance and Dynamic Relationship”. Board of Governor of Federal Reserve System, 703, 220-231.

Kydland, F. E. & Prescott, E. C. (1990). “Business Cycle: Real Facts and a Monetary Myth”. Federal Reserve Bank of Minneapolis Quarterly Review, 14(2), 3-18.

Lucas, R. E. (1977). “Understanding Business Cycles, Stabilization of the Domestic and International Economy”. The Review of Economics and Statistics, 80(2), 33-54.

Machado, C. (2018). “Measuring Business Cycles: The Real Business Cycle Approach and Related Controversies”. Journal of Economics and Management of the University of Porto, 107, 1040-1061.

Owyang, M., Piger, J. & Wall, H. (2012). “Business Cycle Phases in U.S. States”. Economic Letter, 42(4), 153-162.

Ryu-ichiro, M. & Ono, Y. (2015). “consumption Function and Multiplier Effect”. The Institute of Social and Economic Research, Osaka university.

Ryu-ichiro, M. & Ono, Y. (2009). “Zero Nominal Intrest Rate, Unemployment, Excess Reserves and Deflation in a Liquidity Trap”. The Institute of Social and Economic Research, 42, 142-160.

Tierney, L. & Kadane, J. B. (1986). “Accurate Approximation for Posterior Moments and Marginal Densities”. Journal of the American Statistical Association, 81, 82–86.

Wilkerson, J. D. (1999). “Killer’ Amendments in Congress”. American Political Science Review, 93, 535–552.

Economic Growth and Development Research

Simulation of the Effect of Factors Affecting on Recession in Iran: Comparison of Markov Chain Monte Carlo and Bayesian Approaches

References

References

Volume 9, Issue 36 - Serial Number 36
September 2019
Pages 95-108

Simulation of the Effect of Factors Affecting on Recession in Iran: Comparison of Markov Chain Monte Carlo and Bayesian Approaches

References

References

Volume 9, Issue 36 - Serial Number 36September 2019Pages 95-108

Volume 9, Issue 36 - Serial Number 36
September 2019
Pages 95-108