Shahram Fattahi Gakieh

Modeling Inflation Expectations: The Case of Iran

Dissertation zur Erlangung des akademischen Grades doctor rerum politicarum (Dr. rer. pol.) vorgelegt der Juristischen und Wirtschaftswissenschaftlichen Fakultät der Martin-Luther-Universität Halle-Wittenberg
verteidigt am 17.07.2008

Abstract
Ziel dieser Studie ist es zu untersuchen, wie Markteilnehmer in der Volkswirtschaft des Iran im Zeitraum 1959-2003 Inflationserwartungen gebildet habe. Im Iran sind die Inflationserwartungen sehr instabil, da die Zentralbank in der Praxis nicht in der Lage ist, ein Inflationsziel durchzusetzen. In der Folge sind die Inflationserwartungen nicht verankert and jede Erhöhung des Erdölpreises, die anscheinend einpositiver Schock zu sein scheint, hat eine Geldschöpfung und dann Inflation zur Folge, die sich aus der aus Öleinahmen finanzierten Ausweitung der Staatsausgaben ergibt. Die privaten Marktteilnehmer erhöhen dann entsprechend ihre Inflationserwartungen. In der Folge macht es die unzureichende Verankerung der Inflationserwartungen längerfristig schwieriger Preisstabilität zu erreichen und sie vermindert auch die Möglichkeiten der Zentralbank, Produktion und Beschäftigung kurzfristig zu stabilisieren.
In diese Analyse werden zwei Typen von Ansätzen zur Modellierung von Inflationserwartungen verglichen: einfache Prognoseansätze und ein Mehrgleichungsmodell. Die Ergebnisse zu einfachen statistischen Prädiktoren zeigen, dass neuronale Netze für Inflationserwartungen bessere Schätzungen liefern im Vergleich zu parametrischen Autoregressive-Moving-Average (ARMA) Modellen bzw. linearen Modellen. Dabei wird unterstellt, dass die Wirtschaftssubjekte zum Bilden ihrer Erwartungen entweder ARMA-Modelle verwenden, wie von Feige und Pearce (1976) vorgeschlagen, oder nicht-parametrische statistische Ansätze. Beim Vergleich der neuronalen Netze mit nicht-parametrischen Alternativen zeigen die Ergebnisse von Wilcoxon-Tests, dass sich die Prognoseleistungen von Projection-Persuit Regressionen bzw. von additiven Modellen signifikant von denen neuronaler Netze unterscheiden, wobei neuronale Netze signifikant bessere Leistungen zeigen als ein Projection-Persuit Ansatz und etwas bessere Leistungen als ein additives nicht-parametrisches Modell. Allerdings zeigte sich das neuronale Netz dem Multiplen Adaptiven Regression Spline Ansatz signifikant unterlegen.
Die Schätzergebnisse zum Mehrgleichungsansatz führen zur Annahme der Erwartungshypothese für Modellspezifikationen mit rückwärts-gerichteten Erwartungen bzw. mit einem Lern-Ansatz. Im Vergleich von Spezifikationen mit näherungsweise rationalen Erwartungen und dem Lern-Ansatz erweist sich der der Lern-Ansatz als besser geeignet zur Modellierung von Inflationserwartungen als alternative Ansätze. Dies spricht dafür, dass die Zentralbank eine hinsichtlich des Inflationsziels aggressivere Politik verfolgen sollte. Da eine Verringerung der Inflationsrate wünschenswert und auch eines der wichtigsten makroökonomischen Ziele ist, werden weiterhin fest verankerte Inflationserwartungen als wesentlich gesehen. Um dies zu erreichen sollte die Geldpolitik über eine längere Periode restriktiv gehandhabt werden.

The purpose of this study was to examine how market participants form their inflation expectations in the Iranian economy over the period 1959-2003. Inflation expectations are very unstable in Iran's economy because the Central Bank is unable to adhere to an inflation target in practice. Thus, inflation expectations are not well-anchored and any oil price increase, which seems apparently to be a favorable shock, results in money creation, fueled by government spending out of oil revenues, and inflation and causes private agents to raise inflation expectations. This in turn will increase inflation. As a result, poor anchored inflation expectations make price stability much more difficult to achieve in the long run and decrease the Central Bank's ability to stabilize output and employment in the short run.
This study compared two approaches to modeling inflation expectations: simple forecast and a multi-equation model. The results of simple statistical predictors revealed that the Neural Network model yields better estimates of inflationary expectations than do parametric autoregressive moving average (ARMA) and linear models. The agents were assumed to use a parametric autoregressive moving average (ARMA) model, proposed by Feige and Pearce (1976), or nonparametric models to form their expectations. Comparing to the nonparametric alternatives, the results of Wilcoxon tests demonstrated that the forecasting performance of Projection-Pursuit Regression and Additive models appear to differ from the Neural Network model, implying that the Neural Network model can significantly outperform Projection-Pursuit Regression model and it has a better performance than Additive model, but not by much. However, there was no possibility that the Neural Network model can outperform the Multiple Adaptive Regression Splines model.
The results of estimated multi equation model indicated the expectation hypothesis is accepted for the models under backward-looking expectations and learning approach. Among near rational expectation schemes and the learning approach, the learning model was better suited for modeling inflation expectations than other alternative methods. Therefore, the Central Bank should be more aggressive towards inflation. Furthermore, as any decrease in inflation is highly desirable and is one of the main macroeconomic goals, solidly anchored inflation expectations are suggested. To do so we need to keep monetary policy tight for a considerable period.

Keywords:
Iranische Volkswirtschaft, Modellierung von Inflationserwartungen, Annähernd rationale Erwartungen, Lernansatz, Neuronale Netze, ARMA Modelle, Additive Modelle (AD), Projection-Persuit-Regression, (PPR), Multiple Adaptive Regression Splines (MARS), Wilcoxon Test

Iran's Economy, Modeling Inflation Expectations, Near Rational Expectations, Learning Approach, Neural Networks, ARMA, Additive model (AD), Projection-Pursuit Regression (PPR), Multiple Adaptive Regression Splines (MARS), Wilcoxon test

Online-Dokument im PDF-Format (746 KB) mit integrierter Gliederung.

Inhaltsverzeichnis
Front page, Table of Contents
1. Introduction (1-4)
2. Modeling expectation formation (5-37)
3. Expectation formation using statistical predictors (38-55)
4. Neural Networks (56-76)
5. Empirical Results (77-107)
6. Summary and Conclusions (108-111)
Lists of Tables, Figures and Acronyms (112-114)
References (115-122)
Appendices (123-125)