DOI: 10.56584/1560-8816-2023-3-184-190

УДК 336.2

 

ПРИМЕНИМОСТЬ АВТОРЕГРЕССИИ ДЛЯ МОДЕЛИРОВАНИЯ БЮДЖЕТНЫХ ПОКАЗАТЕЛЕЙ

 

Борисова О. В.,

к.э.н., ведущий научный сотрудник Института исследований социально-экономических трансформаций и финансовой политики, Финансовый университет при Правительстве Российской Федерации, Москва, Россия

 

Аннотация. В работе рассмотрены модели прогнозирования бюджетных показателей. На основе статистических данных определена частота их использования. Построены авторегрессионные модели, позволяющие спрогнозировать доходы федерального бюджета, оценена степень точности получаемого прогноза, качество модели. Выявлена причина перехода к альтернативным вариантам прогнозирования бюджетных показателей.

Ключевые слова: модели прогнозирования, бюджетные показатели, AR-модель, VAR-модель, ARIMA-модель

 

Applicability of autoregression for modeling budget indicators

 

Borisova O. V.,

Candidate of Economics, Leading Researcher of Institute for Research on Socio-Economic Transformations and Financial Policy, Financial University under the Government of the Russian Federation, Moscow, Russia

 

Abstract. The paper considers models for forecasting budget indicators. Based on statistical data, the frequency of their use is determined. Autoregressive models are constructed that allow predicting federal budget revenues, the degree of accuracy of the forecast obtained, and the quality of the model are estimated. The reason for the transition to alternative options for forecasting budget indicators is revealed.

Keywords: forecasting models, budget indicators, AR-model, VAR-model, ARIMA-model

 

Библиографический список:

1.      Бюджетный кодекс РФ от 31.07.1998 N 145-ФЗ (ред. от 04.08.2023): Принят Государственной Думой 17.07.1998 г. URL: https://www.consultant.ru/document/cons_doc_LAW_19702/.

2.      Яндекс: подбор слов. URL: https://wordstat.yandex.ru/.

3.      Angelini E., Lalik M., Lenza M., Paredes J. Mind the gap: a multi-country BVAR benchmark for the Eurosystem projections//. Working Paper Series. - 2019. - №.2227. - p.27.

4.      Armesto M. T., Engemann K. M., Owyang M. T. Forecasting with Mixed Frequencies. Federal Reserve Bank of St. Louis Review. – 2010. - №92(6). - pp.521–536.

5.      Babii A., Ghysels E.,  Striaukas J., Machine Learning Time Series Regressions With an Application to Nowcasting// Journal of Business and Economic Statistics. - 2021. - №40(2). - pp.1-33.

6.      Ballarin G., Dellaportas P., Griliryeva L. Reservoir Computing for Macroeconomic Forecasting with Mixed Frequency Data. 2022. https://www.researchgate.net/publication/364957371.

7.      Ba´nbura M., Giannone D., Modugno M., and Reichlin L. Now-Casting and the Real-Time Data Flow. In Handbook of Economic Forecasting// Elsevier. - 2013. - pp.195–237.

8.      Baum C. Multivariate portmanteau (Q) test for white noise// Stata Technical Bulletin. - 2001. STB-60. - С.39.

9.      Borio C. Rediscovering the macroeconomic roots of financial stability policy// Journey, challenges, and a way forward. Annual Review of Financial Economics. - 2011. - №3(1). -pp.87–117.

10.    Fuleky P., editor. Macroeconomic Forecasting in the Era of Big Data. Springer International Publishing, 2020.

11.    Ghysels E. Macroeconomics and the reality of mixed frequency data// Journal of Econometrics. - 2016. - № 193. - pp.294–314.

12.Paredes J., Pedregal D.J., Pérez J.J. A quarterly fiscal database for the euro area based on intra-annual fiscal information //Working Paper Series. - 2009. - №1132. - p.49.

13.    Morley J. Macro-finance linkages// Journal of Economic Surveys. - 2015. - №30(4). - pp.698–711.

14.Paredes J., Pedregal D.J., Pérez J.J. Fiscal policy analysis in the euro area: Expanding thetoolkit// Journal of Policy Modeling. - 2014. - Vol. 36. - Issue 5. pp.800-823.