Эконометрическая модель зависимости инфляции от внешних факторов

В условиях высокой волатильности уровня инфляции особую актуальность приобретает построение адекватной модели, с помощью которой можно было бы спрогнозировать инфляцию. В настоящей работе сделана попытка построения такой модели применительно к Республике Казахстан. Сущность построения эконометрической модели заключается в том, чтобы установить взаимосвязь инфляции от номинального обменного курса тенге по отношению к доллару США, денежной массы и цены на нефть марки Brent. Причиной выбора данных показателей в качестве объясняющих переменных является их определяющее влияние на инфляцию с точки зрения экономической теории как основных характеристик денежно-кредитной и валютной политики в большинстве стран. Для построения вышеуказанной модели был использован метод наименьших квадратов и эконометрический пакет «Eviews». В качестве зависимой переменной было взят индекс потребительских цен в Республике Казахстан по квартальным данным за период с первого квартала 2000 года по первый квартал 2005 года. При этом были приняты следующие условные обозначения: CPI - индекс потребительских цен, EXCH_RATE – среднеквартальный номинальный обменный курс тенге по отношению к доллару США, М3 – денежная масса и OIL_PRICE – среднеквартальные цены на нефть марки Brent.

Проанализируем взаимозависимость индекса потребительских цен с объясняющими факторами. Согласно экономическим концепциям увеличение денежной массы без соответствующего увеличения выпуска продукции в экономике приводит к росту инфляции, т.е. между денежной массой и инфляцией существует положительная связь.

При рассмотрении обменного курса необходимо определить используется ли прямая или обратная котировка. В нашем случае единица иностранной валюты (доллар США) выражена через определенное количество национальной валюты (тенге), т.е. используется обратная котировка. При обратной котировке снижение номинального курса тенге по отношению к доллару США означает удорожание тенге по отношению к доллару, что способствует замедлению инфляционных процессов. Таким образом, между инфляцией и обменным курсом существует положительная связь, однако трудно определить насколько она тесная, так как существует ряд других факторов влияющих на инфляцию.

Увеличение мировых цен на сырьевые товары, особенно на нефть всегда создавало фактор «импорта» инфляции. Выражаясь в росте внутренних цен на бензин и горюче-смазочные материалы, оно создает значительный инфляционный потенциал для роста цен на другие товары и услуги в будущем. Поэтому можно утверждать, что между инфляцией и ценами на нефть существует тесная положительная связь.

Общее представление о характере поведения перечисленных показателей дают графики изменения этих показателей (рис.)

Рисунок - Динамика изменения показателей

Таким образом, мы хотим оценить зависимость CPI от EXCH_RATE, M3 и OIL_PRICE. В качестве первоначальной регрессионной модели рассмотрим следующую модель:

CPI=C(0) + C(1)*EX_R + C(2)*M3 + С(3)*OIL_PRICE (1)

Однако для построения такой модели в эконометрическом пакете «Eviews» необходимо все временные ряды привести в стационарный вид. В противном случае применение стандартных методов регрессионного анализа может привести к так называемой ложной регрессии. Свойство стационарности временного ряда означает, что закон распределения случайной величины является нормальным. Таким образом, приступая к построению регрессионной модели зависимости инфляции от номинального обменного курса, денежной массы и цен на нефть, обязательным условием является проверка на стационарность временных рядов этих показателей с помощью ADF-теста в эконометрическом пакете «Econometric Views».

Как известно, большинство макроэкономических показателей являются нестационарными. Визуально по приведенным выше графикам можно судить, что рассматриваемые нами переменные также являются нестационарными. Для подтверждения наших суждений, обратимся к ADF-тесту в «Eviews»-е. По результатам данного теста все рассматриваемые переменные оказались нестационарными, их ADF t-статистики больше 10%-ного критического уровня. Поэтому следующим этапом построения адекватной регрессионной модели является приведение переменных к стационарному виду. Для этого применяем метод первых разностей, который подразумевает, что переменные представляются как темпы прироста. При этом создаются новые переменные (DCPI, DEXCH_RATE, DM3, DOIL_PRICE), которые будут выражать темпы изменения соответствующих первоначальных переменных. При проверки на стационарность новых переменных все они отвечали условию стационарности.

Характер изменения новых переменных представлен на рисунке

Рисунок - Динамика изменения темпов прироста показателей

Используя новые переменные можно строить регрессионную модель. Первоначальная оценка дает следующий результат:

Таблица - Основные показатели уравнения регрессии

Dependent Variable: DCPI
Method: Least Squares
Date: 06/08/05 Time: 17:57
Sample(adjusted): 2000:2 2005:1
Included observations: 20 after adjusting endpoints
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	-0.009802	0.779409	-0.012576	0.9901
DEXCH_RATE	0.082708	0.252674	0.327329	0.7477
DM3	0.008536	0.065615	0.130089	0.8981
DOIL_PRICE	-0.022790	0.037406	-0.609258	0.5509
R-squared	0.036414	Mean dependent var	-0.025682
Adjusted R-squared	-0.144259	S.D. dependent var	1.695182
S.E. of regression	1.813336	Akaike info criterion	4.205070
Sum squared resid	52.61102	Schwarz criterion	4.404217
Log likelihood	-38.05070	F-statistic	0.201546
Durbin-Watson stat	2.639322	Prob(F-statistic)	0.893791

В столбце «Coefficient» находятся значения оценок соответствующих параметров регрессии, в столбце «Std. Error» - их стандартные отклонения, в столбце «t-Statistic» - значения t-критерия Стьюдента при проверке гипотезы о незначимости соответствующих регрессоров. В последнем столбце приводится вероятность P (t > tНАБЛ).

Ниже основной таблицы помещаются некоторые количественные характеристики регрессионной модели: коэффициент детерминации R² (R-squared), скорректированный коэффициент детерминации R² (Adjusted R-squared), стандартная ошибка регрессии – оценка σ в предположении, что выполняются условия Гаусса-Маркова (S.E. of regression), сумма квадратов остатков (Sum squared resid), логарифм функции правдоподобия (Log likelihood).

Рассмотрим более детально полученные результаты.

Полученные результаты показывают, что первоначальная оценка очень плохая. Об этом свидетельствуют все критерии, по которым можно судить о качестве уравнения регрессии: t-статистики, характеризующие статистическую значимость коэффициентов регрессии, очень низки, что показывает их незначимость; стандартные отклонения и вероятности ошибок очень высокие; значение коэффициента детерминации R²=0,036, показывающее насколько процентов объясняют независимые переменные зависимую, свидетельствует о низком качестве уравнения регрессии; статистика Дарбина-Уотсона, с помощью которой можно проверять обоснованность выбора формы уравнения регрессии, а также учет в модели всех существенных объясняющих переменных равна 2,639, что говорит о наличии положительной автокорреляции.

Таким образом, модель требует дальнейшего совершенствования. При этом предполагается дополнить ее еще одной объясняющей переменной и скорректировать ранее введенные переменные на временные лаги.

В соответствии с экономической теорией инфляция является инерционным процессом, поэтому новая вводимая переменная будет DCPI(-1), т.е. инфляционное ожидание (табл.).

Таблица - Основные показатели уравнения регрессии после введения новой переменной DCPI(-1)

Dependent Variable: DCPI
Method: Least Squares
Date: 06/08/05 Time: 18:32
Sample(adjusted): 2000:3 2005:1
Included observations: 19 after adjusting endpoints
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	0.483896	0.909222	0.532209	0.6029
DCPI(-1)	-0.471349	0.293176	-1.607734	0.1302
DEXCH_RATE	0.020916	0.284946	0.073404	0.9425
DM3	-0.039198	0.090940	-0.431031	0.6730
DOIL_PRICE	-0.020267	0.035812	-0.565927	0.5804
R-squared	0.214665	Mean dependent var	0.024346
Adjusted R-squared	-0.009716	S.D. dependent var	1.726398
S.E. of regression	1.734765	Akaike info criterion	4.160555
Sum squared resid	42.13173	Schwarz criterion	4.409092
Log likelihood	-34.52527	F-statistic	0.956698
Durbin-Watson stat	2.289753	Prob(F-statistic)	0.461089

Введение переменной DCPI(-1) повысило коэффициент детерминации R² до 0,21, что вполне ожидаемо. Однако и в этом случае общее качество уравнения считается низким.

Из полученных результатов видно, что знаки коэффициентов регрессии не соответствуют теоретическим предположением. Это касается отрицательного значения коэффициентов при DМ3 и DOIL_PRICE. Поэтому следующим этапом совершенствования модели является корректировка на временные лаги.

Корректировка на временные лаги предполагает применение запаздывания показателей переменных. Это означает, что значение объясняющей переменной, ожидаемое в момент времени t, формируется в момент времени t-1 как взвешенное среднее ее реального и ожидаемого значения в прошлый момент времени. Данный процесс частичного приспособления базируется на инерции и прошлой динамике показателей. Другими словами, мы формируем значение результирующего показателя на текущий момент времени с учетом прошлого значения объясняющей переменной.

Применив запаздывание на один лаг относительно денежной массы, получаем новое уравнение (табл.):

Таблица - Показатели уравнения регрессии

Dependent Variable: DCPI
Method: Least Squares
Date: 06/08/05 Time: 19:31
Sample(adjusted): 2000:3 2005:1
Included observations: 19 after adjusting endpoints
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	-0.139488	0.801969	-0.173931	0.8644
DCPI(-1)	-0.400331	0.238905	-1.675690	0.1160
DEXCH_RATE	0.064799	0.249461	0.259758	0.7988
DM3(-1)	0.025745	0.063240	0.407094	0.6901
DOIL_PRICE	-0.018851	0.035821	-0.526256	0.6069
R-squared	0.213553	Mean dependent var	0.024346
Adjusted R-squared	-0.011146	S.D. dependent var	1.726398
S.E. of regression	1.735993	Akaike info criterion	4.161970
Sum squared resid	42.19140	Schwarz criterion	4.410507
Log likelihood	-34.53872	F-statistic	0.950395
Durbin-Watson stat	2.348572	Prob(F-statistic)	0.464231

Однако новое уравнение не имеет существенных отличий от предыдущей, но в то же время значение коэффициента при DM3 стало положительной, что соответствует теоретическим предположениям.

Следующим этапом совершенствования уравнения регрессии является корректировка на сезонность. Из графика изменения показателей индекса потребительских цен можно заметить, что имеется определенная периодичность изменения инфляции: в четвертом квартале каждого года показатель ИПЦ существенно превышает показателей в остальных кварталах. Это связано наличием факторов, не имеющих количественного выражения. Роль этих факторов можно отразить через фиктивные переменные. Таким образом, в качестве дополнительного шага улучшения качества модели вводим фиктивную переменную D1 (D1=1 – в четвертом квартале каждого года; D1=0 – во всех остальных кварталах) и получаем новую регрессионную модель (табл.):

Таблица - Показатели окончательного регрессионного уравнения

Dependent Variable: DINFL
Method: Least Squares
Date: 06/08/05 Time: 20:52
Sample(adjusted): 2000:3 2005:1
Included observations: 19 after adjusting endpoints
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	-1.041678	0.332770	-3.130319	0.0080
DINFL(-1)	-0.251573	0.072079	-3.490255	0.0040
DEXCH_RATE	0.102943	0.085197	1.208286	0.2485
DM3(-1)	0.011836	0.024058	0.491992	0.6309
DOIL_PRICE	0.026493	0.011800	2.245071	0.0428
D1	3.442270	0.360164	9.557504	0.0000
R-squared	0.902132	Mean dependent var	0.024346
Adjusted R-squared	0.864491	S.D. dependent var	1.726398
S.E. of regression	0.635515	Akaike info criterion	2.183327
Sum squared resid	5.250431	Schwarz criterion	2.481571
Log likelihood	-14.74161	F-statistic	23.96641
Durbin-Watson stat	2.492745	Prob(F-statistic)	0.000004

Согласно полученным данным можно составить линейную регрессионную модель:

Estimation Command:

=====================

LS DCPI C DCPI(-1) DEXCH_RATE DM3(-1) DOIL_PRICE D1

Estimation Equation:

=====================

DCPI = C(1) + C(2)*DINFL(-1) + C(3)*DEXCH_RATE + C(4)*DM3(-1) + C(5)*DOIL_PRICE + C(6)*D1

Substituted Coefficients:

=====================

DCPI = -1.041677889 - 0.2515731429*DINFL(-1) + 0.1029428676*DEXCH_RATE + 0.01183613387*DM3(-1) + 0.02649255646*DOIL_PRICE + 3.442270033*D1

Уравнение регрессии свидетельствует, что самое сильное влияние на изменение индекса потребительских цен имеет фактор сезонности. Изменение темпа прироста обменного курса тенге в строну удешевления на 1% приведет к увеличению темпа прироста индекса потребительских цен на 0,1%, в то время как увеличение темпа прироста денежной массы на 1% приведет лишь 0,01%-ному увеличению темпа инфляции, что свидетельствует о снижении из года в год монетарной составляющей инфляции. За 1%-ным увеличением темпа прироста мировых цен на нефть марки Brent последует 0,02%-ное увеличение темпа инфляции, а влияние инфляционных ожиданий окажется противоположным на 0,25%.

Постоянный коэффициент С(1) = -1.041677889 не поддается интерпретации, он является отражением влияния различных объясняющих переменных, которые не были включены в модель: ошибок измерения, ограниченности статистических данных, неправильного выбора функциональной формы модели (из-за слабой изученности исследуемого процесса, либо из-за его переменчивости может быть неверно подобрана функция, его моделирующая. Это, безусловно, скажется на отклонении модели от реальности, что отразиться на величине случайного члена, кроме того, неверным может быть подбор объясняющих переменных), но, в любом случае, значение коэффициента С(1) определяет точку пересечения прямой регрессии с осью ординат и характеризует сдвиг линии регрессии вдоль оси Y.

Следует помнить, что эмпирические коэффициенты С(1), С(2), С(3), С(4), С(5), C(6) являются лишь оценками теоретических коэффициентов, а само уравнение отражает лишь общую тенденцию в поведении рассматриваемых переменных.

Таким образом, после интерпретации результатов закономерен вопрос о качестве оценок, и самого уравнения в целом.

С помощью метода наименьших квадратов мы получили лишь оценки параметров уравнения регрессии. Чтобы проверить, значимы ли эти параметры (т.е. значимо ли они отличаются от нуля в «истинном» уравнении регрессии: у=β0 +β1 + β2 +... + βn + ε), используют статистические методы проверки гипотез.

В качестве основной гипотезы (Н₀) выдвигают гипотезу о незначимом отличии от нуля «истинного» параметра регрессии. Альтернативной гипотезой (Н₁) при этом является гипотеза обратная, т.е. о неравенстве нулю «истинного» параметра. Мы заинтересованы в том, чтобы основная гипотеза была отвергнута. Для проверки этой гипотезы используется t-статистика критерия проверки гипотезы, имеющая распределение Стьюдента.

Найденное по данным наблюдений значение t-статистики (его еще называют наблюдаемым или фактическим) сравнивается с критическим значением t-статистики, определяемым по таблицам распределения Стьюдента (которые обычно приводятся в конце учебников и практикумов по статистике или эконометрике). Критическое значение определяется в зависимости от уровня значимости (α) и числа степеней свободы, которое равно (n-h), n – число наблюдений, h – число оцениваемых параметров в уравнении регрессии. В нашем случае, n = 21, а h = 5.

Если фактическое значение t-статистики (по модулю) меньше критического, то нет оснований отвергать основную гипотезу, т.е. «истинный» параметр регрессии незначимо отличается от нуля при уровне значимости α.

В таблице - даны t-статистики наблюдаемых переменных, необходимо сравнить их c t-критической, которая при уровне значимости 0,1 равна 1,74. Из сравнения следует, что все параметры уравнения регрессии кроме обменного курса и денежной массы статистически значимы.

После проверки статистической значимости коэффициентов уравнения регрессии обычно проверяется общее качество уравнения регрессии. В этом случае также используется статистический метод проверки гипотез. В качестве нулевой гипотезы (Н₀) выдвигается гипотеза о статистической незначимости коэффициента детерминации R². Альтернативной гипотезой будет гипотеза о статистической значимости коэффициента детерминации. Для проверки гипотезы используется F-статистика, имеющее распределение Фишера. Наблюдаемое значение F-статистики можно получить из таблицы -, и необходимо сравнить ее с критическим значением F-статистики, которая при уровне значимости α=0,05, числа наблюдений n = 21 и числа объясняющих переменных h = 5, равна 2,9012952. В нашем случае F_набл=23.96641> F_кр, что отвергает нулевую гипотезу и принимает гипотезу о статистической значимости коэффициента детерминации. Таким образом, можно утверждать, что общее качество уравнения регрессии достаточно высоко и изменение индекса потребительских цен на 90% объясняется независимыми переменными, включенными в уравнение регрессии и на 10% прочими факторами, не включенными в уравнение регрессии.

Чем теснее линейная связь между X и Y, тем ближе коэффициент детерминации R² к единице. Чем слабее такая связь, тем ближе R² к нулю.

Однако не следует абсолютизировать высокое значение R², так как коэффициент детерминации может быть близким к единице просто в силу того, что исследуемые величины имеют выраженный временной тренд, не связанный с их причинно-следственной зависимостью или же существует тесная связь между объясняющими переменными, что свидетельствует о наличии мультиколлинеарности. Для проверки наличия мультиколлинеарности в модели строим корреляционную матрицу, состоящей из исследуемых переменных (табл.-). В случае присутствия мультиколлинеарности необходимо избавиться от объясняющей переменной, имеющую сильную зависимость от другой объясняющей переменной, так как наличие мультиколлинеарности искажает регрессионную модель.

Таблица – Корреляционная матрица зависимости переменных

	DCPI	DCPI(-1)	DEXCH_RATE	DM3(-1)	DOIL_PRICE	D1
DCPI	1.000000	-0.419608	0.152905	0.121275	-0.185063	0.896371
DCPI(-1)	-0.419608	1.000000	-0.109808	-0.000637	0.092052	-0.191860
DEXCH_RATE	0.152905	-0.109808	1.000000	0.195666	-0.198954	0.055520
DM3(-1)	0.121275	-0.000637	0.195666	1.000000	-0.077955	0.077445
DOIL_PRICE	-0.185063	0.092052	-0.198954	-0.077955	1.000000	-0.352020
D1	0.896371	-0.191860	0.055520	0.077445	-0.352020	1.000000

Как видим из таблицы, между объясняющими переменными нет тесной зависимости, что соответствует критерию отсутствия мультиколлинеарности.

Статистическая значимость коэффициентов регрессии и близкое к единице значение коэффициента детерминации R² не гарантируют высокое качество уравнения регрессии. Коэффициент детерминации и значимость коэффициентов регрессии «работают» только при условии, что выполняются все предпосылки МНК (метода наименьших квадратов). Нарушение необходимых предпосылок делает неточными полученные оценки коэффициентов регрессии, увеличивая их стандартные ошибки, и обычно свидетельствует о неверной спецификации самого уравнения. Поэтому следующим этапом проверки качества уравнения регрессии является проверка предпосылок МНК.

Оценивая линейное уравнение регрессии, мы предполагаем, что реальная взаимосвязь переменных линейна, а отклонения от регрессионной прямой являются случайными, независимыми друг от друга величинами с нулевым математическим ожиданием и постоянной дисперсией. Если эти предположения не выполняются, то оценки коэффициентов регрессии не обладают свойствами несмещенности, эффективности и состоятельности, и анализ их значимости будут неточным.

Причинами, по которым отклонения не обладают перечисленными выше свойствами, могут быть нелинейный характер зависимости между рассматриваемыми переменными, либо наличие не учтенного в уравнении существенного фактора.

Важной предпосылкой построения качественной регрессион­ной модели по МНК является независимость значений случайных отклонений от значений отклонений во всех других на­блюдениях. Наличие зависимости между остатками (отклонениями) называется автокорреляцией. В большинстве случаев положительная автокорреляция вызывается направленным постоянным воздействием некоторых не учтенных в модели факторов. При сохранении автокорреляции оценки параметров, оставаясь линейными и несмещен­ными, перестают быть эффективными; выводы по t- и F-статистикам, определяющим значимость коэффициентов регрессии и коэффициента детерминации, возможно, будут неверными. Вследст­вие этого ухудшаются прогнозные качества модели. Для определения наличия автокорреляции в эконометрическом пакете «Econometric Views» имеется специальная команда, результатом выполнения которого явилась следующая таблица:

Таблица – Корреляция остатков

Date: 06/08/05 Time: 22:45
Sample: 2000:3 2005:1
Included observations: 19
Autocorrelation	Partial Correlation		AC	PAC	Q-Stat	Prob
. **|. |	. **|. |		-0.274	-0.274	1.6699	0.196
. *|. |	. *|. |		-0.060	-0.147	1.7550	0.416
. |. |	. *|. |		-0.001	-0.067	1.7551	0.625
. *|. |	. **|. |		-0.167	-0.218	2.4973	0.645
. |*. |	. |. |		0.174	0.057	3.3561	0.645
. |*. |	. |**. |		0.164	0.223	4.1775	0.653
. *|. |	. |. |		-0.094	0.050	4.4714	0.724
. *|. |	. **|. |		-0.167	-0.191	5.4772	0.706
. |*. |	. |*. |		0.118	0.076	6.0353	0.736
. **|. |	. **|. |		-0.247	-0.232	8.7455	0.556
. |**. |	. |. |		0.215	0.005	11.040	0.440
. *|. |	. *|. |		-0.074	-0.150	11.352	0.499

Из таблицы следует, что в нашей модели автокорреляция отсутствует.

Наиболее известным критерием обнаружения автокорреля­ции первого порядка является критерий Дарбина—Уотсона. Суть его состоит в том, что на осно­ве вычисленной статистики DW Дарбина—Уотсона делается вы­вод об автокорреляции. Однако мы не можем применять данную статистику для обнаружения автокорреляции, так как в нашей модели существуют переменные с временными лагами, что противоречит ограничению при использовании статистики Дарбина-Уотсона.

Еще одной из ключевых предпосылок МНК является условие постоянства дисперсий случайных отклонений. Выполнимость данной предпосылки называется гомоскедастичностью (постоянством дисперсии отклонений). Невы­полнимость данной предпосылки называется гетероскедастичностъю (непостоянством дисперсий отклонений). Последствиями гетероскедастичности может быть ненадежность выводов, получаемых на основе соответствующих t- и F-статистик, а также интервальных оценок. Следовательно, статистические выводы, получаемые при стандартных проверках качества оценок, могут быть ошибочными и приводить к неверным за­ исключением по построенной модели. Вполне вероятно, что стан­дартные ошибки коэффициентов будут занижены, а следова­тельно, t-статистики будут завышены. Это может привести к признанию статистически значимыми коэффициентов, таковы­ми на самом деле не являющихся. Для обнаружения гетероскедастичности в «Eviews»-е есть специальный тест на проверку гетероскедастичности. Наше уравнение также проверено на гетераскедастичность и получены следующие результаты (табл.-):

Таблица – Результаты проверки уравнения регрессии на гетераскедастичность

White Heteroskedasticity Test:
F-statistic	1.756675	Probability	0.207009
Obs*R-squared	12.10764	Probability	0.207309
Test Equation:
Dependent Variable: RESID^2
Method: Least Squares
Date: 06/08/05 Time: 23:34
Sample: 2000:3 2005:1
Included observations: 19
White Heteroskedasticity-Consistent Standard Errors & Covariance
Variable	Coefficient	Std. Error	t-Statistic	Prob.
C	0.657887	0.248587	2.646503	0.0266
DCPI(-1)	0.046343	0.042210	1.097906	0.3007
DCPI(-1)^2	-0.077511	0.028655	-2.704956	0.0242
DEXCH_RATE	-0.022452	0.072666	-0.308979	0.7644
DEXCH_RATE^2	-0.008273	0.027206	-0.304083	0.7680
DM3(-1)	-0.009940	0.018223	-0.545439	0.5987
DM3(-1)^2	-0.000463	0.000612	-0.756906	0.4685
DOIL_PRICE	0.010329	0.007490	1.379036	0.2012
DOIL_PRICE^2	0.000156	0.000364	0.428205	0.6786
D1	-0.130996	0.144138	-0.908824	0.3871
R-squared	0.637244	Mean dependent var	0.276338
Adjusted R-squared	0.274488	S.D. dependent var	0.280330
S.E. of regression	0.238777	Akaike info criterion	0.278842
Sum squared resid	0.513129	Schwarz criterion	0.775916
Log likelihood	7.350996	F-statistic	1.756675
Durbin-Watson stat	1.521501	Prob(F-statistic)	0.207009

Полученные результаты свидетельствуют об отсутствии гетероскедастичности, так как P_value=0.207009 > α=0.05 является условием принятия гипотезы об отсутствии гетероскедастичности.

Следует заметить, что построенная модель во многом упрощенная, однако в целом она описывает основные тенденции изменения темпов инфляции в Республике Казахстан. Поэтому на следующем этапе с помощью нашей модели попытаемся спрогнозировать изменения индекса потребительских цен в Казахстане на 2-4 кварталы 2005 года. При этом целесообразно рассмотреть несколько сценарных вариантов прогноза инфляции при различных прогнозных значений объясняющих переменных, таких как номинальный обменный курс и цены на нефть. В дальнейшем для прогноза объясняющих переменных использовался ППП «Excel».

Первый вариант прогнозирования инфляции предполагает, что в последующих кварталах номинальный обменный курс будет значительно падать, темп снижения которого составит от 2,9% до 4,14%. Такое укрепление тенге будет способствовать сдерживанию инфляции. Однако при этом мировые цены на нефть марки Brent продолжат тенденцию повышения и достигнут в четвертом квартале своего рекордного значения 55,68 доллар за баррель. Во всех вариантах прогнозирования инфляции денежная масса будет одинаково расти с темпом прироста 1,75-7,53%. Это связано с тем, что в последующие периоды будет сохраняться тенденция значительного притока иностранных инвестиций, активной кредитной политики и высокой ликвидности банков второго уровня. Однако давление, которое оказывает рост денег в Казахстане на инфляцию, будет оставаться незначительным, поскольку данный рост будет поглощаться растущей экономикой. Сохранение низкой инфляции в условиях дальнейшего наращивания объемов кредитования банками, форсированного увеличения доходов населения может быть обеспечено параллельным созданием условий для расширения производственной базы, увеличения предложения товаров и услуг в экономике. В то же время Национальный Банк уже предпринял некоторые меры по ужесточению денежно-кредитной политики и в дальнейшем намерен усилить свое влияние на инфляционные процессы путем усиления мер воздействия по операциям денежно-кредитной политики.

Таким образом, в условиях значительной ревальвации курса тенге и высоких мировых цен на нефть прогноз инфляции составляет на второй квартал 2005 года 1,0-1,1%, на третий квартал – 0,1-0,2% и на четвертый квартал 2005 года – 2,5-2,6%. Это соответствует 5,5-5,8% годовой инфляции. В процессе прогноза определяющее влияние на инфляцию оказывали значительное укрепление тенге, инфляционное ожидание и фактор сезонности. Однако необходимо отметить, что при заданном сценарии данный прогноз может реализоваться с условием, что Национальный Банк не будет проводить значительных валютных интервенций, чтобы не допустить сильного укрепления тенге. В противном случае значительные валютные интервенции Национального Банка не позволят укрепиться тенге и существенно расширят денежную массу. В результате необходимо будет стерилизовать избыточную ликвидность дополнительной эмиссией краткосрочных нот, а бездействие приведет к росту инфляции.

Более низкое значение инфляции во втором квартале 2005 года по сравнению с первым (1,9%) обуславливается замедлением инфляционных процессов, которое объясняется сезонностью в динамике потребительских цен. Однако следующие факторы не позволяют спрогнозировать ее на еще более низком уровне, это:

- рост цен на горюче-смазочные материалы вследствие высоких мировых цен на нефть;

- дальнейшая активная кредитная политика банков второго уровня;

- повышение цен на потребительские товары уже в этом квартале в силу ожидания увеличения социальных расходов бюджета.

Как показывает предыдущие годы, 3 квартал, как правило, характеризуется самым низким уровнем инфляции на протяжении года. Это во многом связано с сезонным фактором. Ситуация на потребительском рынке в этот период будет определяться урожаем, как в Казахстане, так и в соседних государствах. Также в 3 квартале ожидается влияние на инфляцию мер Национального Банка по ужесточению денежно-кредитной политики.

Практика предыдущих лет свидетельствует, что самый высокий уровень инфляции на протяжении года наблюдается в четвертом квартале. Так по нашим прогнозам инфляция в четвертом квартале составляет 2,5-2,6%. Наибольший вклад в формирование такого прогноза внес фактор сезонности. Такие факторы, как начало учебного года, наступление отопительного сезона, подготовка к зимнему периоду и другие являются основными характеристиками четвертого квартала, способствующие повышению цен.

На фоне незначительного колебания обменного курса, даже допущения 1%-ного удешевления тенге по отношению к доллару и сохранения высоких цен на нефть создается значительный инфляционный потенциал, который дает сигнал о принятии соответствующих мер по сдерживанию инфляции. По второму варианту прогноз инфляции на второй квартал 2005 года составил 1,5-1,6%, на третий – 0,8-0,9%, на четвертый квартал – 3,7-3,8%. Данный прогноз является самым пессимистическим из всех вариантов, так как предполагает годовую инфляцию на уровне 8,1%. Это выходит за рамки коридора, определенного Национальным Банком Казахстана в основных направлениях денежно-кредитной политики на 2005-2007 годы (4,9-6,5%). Поэтому становится актуальным принятие мер по ужесточению денежно-кредитной политики, таких как повышение уровня официальных ставок Национального Банка Казахстана, а также проводить операции по изъятию избыточной ликвидности, основными из которых являются выпуск краткосрочных нот, привлечение депозитов банков, использование механизма минимальных резервных требований.

По третьему варианту предполагается, что произойдет удешевление тенге по отношению к доллару США, а мировые цены на нефть снизятся до 38 долларов за баррель. В этих условиях инфляция в годовом выражении составит 6,2%, что не выходит за границы коридора, определенного Национальным Банком. Прогноз на второй квартал 2005 года составил 1,2%, на третий квартал – 0,1-0,2%, а на четвертый квартал – 3-3,1%.

По четвертому варианту допущено предположение о том, что среднеквартальный номинальный обменный курс в первом квартале 130,11 сохранится на протяжении всего 2005 года, а мировые цены на нефть сорта Brent повысятся незначительно до 45 долларов за баррель. В этих условиях инфляция во втором квартале составит 1,1-1,2%, в третьем квартале снизится до 0,3%, а в четвертом квартале 2005 года ожидается на уровне 3,1%. В итоге годовая инфляция прогнозируется на уровне 6,5%. По данному варианту предполагается, что основные факторы, способствующие повышению инфляции в 2004 году, такие как значительный экономический рост и большой объем притока иностранной валюты в Казахстан, сохранят свое воздействие и в 2005 году. Кроме того, высокий рост цен предприятий-производителей в 2004 году на 23,8% может стать определяющим фактором роста потребительских цен в 2005 году.

Из рассмотренных вариантов последний признается нами как наиболее реалистичным, так как доллар перестал падать уже в первом квартале и пока держится на одном уровне. Что же касается мировых цен на нефть, их рост в последнее время также замедлился. Таким образом, ожидается, что, скорее всего, в ближайшей перспективе будет продолжать оставаться актуальной для Национального Банка задача по ограничению ликвидности банковской системы.

Дата добавления: 2015-08-09