مدل‌های اقتصادسنجی

🔵 استفاده از داده های Statistics Canada بصورت آنلاین در ایویوز چهارده

🔵 اینجا را کلیک کنید



💠 کانال مدل های اقتصادسنجی

🔵 با سلام. لینک کانال‌ها و گروه‌های مفید به شرح زیر است:


♦️کانال تخصصی اقتصاد

♦️کانال گفتار اقتصادی

♦️کانال مدل های اقتصادسنجی

♦️کانال دکتر محمدرضا منجذب

♦️کانال با اساتید اقتصاد

♦️ گروه تحلیل اقتصادی

♦️گروه ایویوز، استاتا و اقتصادسنجی

♦️ رزومه دکتر منجذب











♦️ کانال تخصصی اقتصاد

❄️ JDemetra+ Seasonal Adjustment

❄️ تعدیل فصلی در ایویور چهارده





💠 کانال مدل های اقتصادسنجی

🔴 دعوا سر لحاف ملاست (پشت‌پرده تقابل ترامپ با ایران)‼️ 🌐دکتر محمدرضا منجذب:

🔹در یک شب سرد زمستانی، ملانصرالدین در رختخواب گرم خود خوابیده بود که صدای داد و فریاد از کوچه بلند شد.
به اصرار همسرش، ملا برای باخبر شدن از ماجرا از جا برخاست.
چون هوا خیلی سرد بود، لحاف را به دور خود پیچید و به کوچه رفت.
در همین حین، دزدی که متوجه او شده بود، در تاریکی به ملا نزدیک شد، لحافش را کشید و فرار کرد.
وقتی ملا بدون لحاف به خانه برگشت و همسرش پرسید ماجرا چه بود، با خونسردی گفت: «هیچ، دعوا سر لحاف ملا بود!» شواهد از این فرضیه حمایت می‌کند که ترامپ مسئله هسته‌ای را بهانه کرده و در پی کنترل نفت و منابع ایران است.

🔴 خلاصه دلایل:

🔷 اظهارات خود ترامپ: بارها گفته دوست دارد نفت ایران را تصاحب کند و به الگوی ونزوئلا اشاره کرده است.

🔹سیاست فشار حداکثری: هدف اعلام‌شده‌اش به صفر رساندن صادرات نفت ایران بود.

🔹هسته‌ای به مثابه بهانه: تحلیلگران می‌گویند برنامه هسته‌ای بیشتر ابزاری برای مشروعیت‌بخشی به اقدامات خصمانه است، نه هدف نهایی.

🔹اهمیت استراتژیک ایران:سومین ذخایر بزرگ نفت جهان، کنترل تنگه هرمز و اهرم فشار بر چین.

🔹انگیزه‌های اقتصادی و سیاسی: تسلط بر انرژی جهانی، منافع مالی و انحراف افکار عمومی از بحران‌های داخلی.

🔴 نتیجه: اگرچه اهداف اعلام‌شده مثل جلوگیری از سلاح هسته‌ای مطرح می‌شود، اما ترکیب اظهارات ترامپ، منافع نفتی و موقعیت ایران نشان می‌دهد انگیزه اصلی احتمالاً کنترل منابع نفتی ایران و تسلط بر انرژی جهان است.


🟡 ویدیوی مطلب را از اینجا ملاحظه کنید


🔴 کانال دکتر منجذب

🟡 انتخاب بهترین مدل از میان خانواده GARCH (خطی و غیرخطی) نیازمند یک فرآیند گام‌به‌گام مبتنی بر آزمون‌های آماری، ارزیابی معیارهای اطلاعاتی و بررسی فروض کلاسیک در پسماندها است.

۱. شناسایی اولیه و آزمون اثرات ARCH
ابتدا باید معادله میانگین (مانند یک ساختار ARMA) را به درستی تصریح کنید. پس از تخمین این معادله، پسماندها استخراج می‌شوند. با استفاده از آزمون ARCH-LM، وجود واریانس ناهمسانی شرطی در پسماندها بررسی می‌شود. تنها در صورت معنی‌داری این آزمون، ورود به خانواده GARCH توجیه دارد.

۲. بررسی رفتار متقارن و نامتقارن شوک‌ها
تفاوت اصلی مدل‌های خطی و غیرخطی GARCH در نحوه واکنش تلاطم (Volatility) به شوک‌های مثبت و منفی است:

مدل‌های متقارن (خطی): مدل پایه GARCH(p,q) فرض می‌کند که اخبار خوب و بد با اندازه یکسان، اثر برابری روی تلاطم دارند. این تصریح معمولاً برای متغیرهای کلان اقتصادی (مثل تورم) کفایت می‌کند.

مدل‌های نامتقارن (غیرخطی): در بازارهای مالی و سهام، معمولاً شوک‌های منفی (اخبار بد) تلاطم بیشتری نسبت به شوک‌های مثبت ایجاد می‌کنند که به آن «اثر اهرمی» (Leverage Effect) می‌گویند. برای مدل‌سازی این رفتار، باید از مدل‌هایی مانند EGARCH (که محدودیت‌های مثبت بودن ضرایب را از طریق تابع نمایی دور می‌زند)، TGARCH (یا GJR-GARCH) و APARCH استفاده کرد.

برای تشخیص اینکه آیا به تصریح غیرخطی نیاز دارید، می‌توانید از آزمون Sign Bias Test (آزمون انحراف علامت انگل و نگ) روی پسماندهای استانداردشده مدل GARCH متقارن استفاده کنید.

۳. معیارهای انتخاب بهترین تصریح
پس از تخمین چندین مدل خطی و غیرخطی، مدل برتر بر اساس ترکیبی از معیارهای زیر انتخاب می‌شود:

معیارهای اطلاعاتی: مدلی که کمترین مقدار را در معیارهای آکائیک (AIC)، شوارتز-بیزین (BIC یا SBC) و حنان-کوئین (HQIC) داشته باشد ارجح است. معیار BIC به دلیل جریمه سنگین‌تر برای پارامترهای اضافی، معمولاً برای دستیابی به مدل‌های پارسیمونی (صرفه‌جو) قابل اتکاتر است.

تابع حداکثر راست‌نمایی (Log-Likelihood): مدلی که بیشترین مقدار Log-Likelihood را تولید کند، برازش بهتری به داده‌ها داشته است.

معنی‌داری پارامترها: ضرایب معادله واریانس (شامل پارامترهای ARCH، GARCH و ضریب عدم تقارن در مدل‌های غیرخطی) باید از نظر آماری معنی‌دار باشند. اگر ضریب عدم تقارن در مدل EGARCH یا TGARCH معنی‌دار نباشد، بازگشت به مدل خطی GARCH(1,1) توجیه بیشتری دارد.

محدودیت‌های ثبات: در مدل‌های خطی، مجموع ضرایب \alpha + \beta باید کوچکتر از یک باشد تا تلاطم ویژگی بازگشت به میانگین (Mean-reverting) داشته باشد.

۴. آزمون‌های تشخیصی پسماندهای استانداردشده
انتخاب مدل نهایی تنها زمانی معتبر است که پسماندهای استانداردشده مدل انتخابی، فاقد هرگونه مشکل اقتصادسنجی باشند. یک مدل با AIC عالی اما دارای پسماندهای همبسته، مدل معتبری نیست:

آزمون لجانگ-باکس (Ljung-Box Q-test): این آزمون باید روی پسماندهای استانداردشده و مجذور آن‌ها انجام شود. اگر پس از تخمین مدل (مثلاً یک تصریح EGARCH)، همچنان در سطوح مختلف وقفه خودهمبستگی وجود داشته باشد، نشان‌دهنده نقص در معادله میانگین است و باید تصریح ARMA اصلاح شود.

آزمون مجدد ARCH-LM: برای اطمینان از اینکه هیچ اثر ARCH باقی‌مانده‌ای در مدل وجود ندارد (عدم رد فرض صفر).

توزیع جملات خطا: اگر پسماندها همچنان کشیدگی (Kurtosis) بالایی نشان می‌دهند، فرض توزیع نرمال نقض شده است. در این حالت باید مدل نهایی را با توزیع‌های سنگین‌دم مانند t-Student یا GED (توزیع خطای تعمیم‌یافته) مجدداً برآورد کنید.




🟡 کانال مدل های اقتصادسنجی

🟣 همخطی در داده های پانل

❄️ برای انجام تست VIF (Variance Inflation Factor) در داده‌های ترکیبی (Panel Data) در نرم‌افزار EViews، مراحل زیر را دنبال کنید:

1. آماده‌سازی داده‌ها: مطمئن شوید که داده‌های شما به درستی در قالب Panel Data وارد EViews شده‌اند و یک Workfile با فرمت "Panel" دارید.

2. تخمین مدل:
- به مسیر Quick بروید و Estimate Equation را انتخاب کنید.
- مدل رگرسیون خود را وارد کنید و مطمئن شوید که نوع مدل شما به درستی تنظیم شده است. در اینجا باید مدل خود را به صورت Pooled، Fixed Effects یا Random Effects تخمین بزنید.
- نوع Panel و نوع اثرات (Cross-section یا Period) را انتخاب کنید.

3. محاسبه VIF:
- پس از تخمین مدل، به برگه View بروید و Coefficient Diagnostics را انتخاب کنید.
- از منوی ظاهر شده، گزینه Variance Inflation Factors را انتخاب کنید.

با انتخاب این گزینه، EViews مقدار VIF برای هر متغیر مستقل در مدل شما را محاسبه و نمایش می‌دهد. این مقدار نشان‌دهنده میزان هم‌خطی بین متغیرهای مستقل است.

اگر مقدار VIF برای یک متغیر بالا باشد (معمولاً بالاتر از 10)، این نشان‌دهنده وجود مشکل هم‌خطی چندگانه بین متغیرهاست و ممکن است نیاز به اصلاح مدل داشته باشید.




💠 کانال مدل های اقتصادسنجی

🔴 ARDL Improvements
EViews 14 expands the calculation of heteroskedasticity and autocorrelation consistent (HAC) estimates of coefficient covariances in ARDL equations. Previously, HAC coefficient covariances were only computed for the base ARDL estimates of the Intertemporal Dynamics (ITD) representation of the specification. HAC estimates were not available for the Conditional Error Correction (CEC) or Error Correction (EC) forms of the model.

مطلب مرتبط👈همه چیز در مورد ARDL


🟡 کانال مدل های اقتصادسنجی

🔴 Panel Smooth Transition Regression (PSTR) for Non-Linear Panel Data in Matlab and WinRats









🔵 کانال مدل های اقتصادسنجی

🔴 چرا تولید سرانه ایران از ونزوئلا پیشی گرفت؟
⭕️دکتر محمدرضا منجذب

🔹پیش افتادن تولید سرانه (GDP per capita) ایران از ونزوئلا در سال‌های اخیر، بیش از آنکه حاصل یک جهش بزرگ اقتصادی در ایران باشد، ناشی از فروپاشی و انقباض بی‌سابقه و تاریخی اقتصاد ونزوئلا و در مقابل، تاب‌آوری ساختاری و تنوع نسبی اقتصاد ایران در برابر شوک‌های بیرونی است.

تحلیل عوامل اصلی این فاصله گرفتن اقتصادی را می‌توان در چند محور ساختاری بررسی کرد:

۱. درجه تنوع ساختاری و بخش غیرنفتی (Diversification)
ونزوئلا: تا پیش از بحران، بیش از ۹۵ درصد درآمدهای صادراتی و بخش عمده بودجه ونزوئلا مستقیماً به نفت وابسته بود. با افت تولید نفت، کل تابع تولید این کشور متوقف شد و سایر بخش‌ها (کشاورزی و صنعت) به دلیل سنوات متوالی بیماری هلندی و قیمت‌گذاری دستوری عملاً از بین رفته بودند.

ایران: ایران با وجود وابستگی نفتی، دارای یک بخش غیرنفتی گسترده شامل صنایع مادر (پتروشیمی، فولاد، مس)، بخش کشاورزی، خدمات و صنایع کارخانه‌ای است. در دوران تحریم، بخش غیرنفتی ایران توانست تا حدی جبران‌کننده افت درآمد‌های نفتی باشد و سطح پایه‌ای از تولید ناخالص داخلی را حفظ کند.

۲. نوع نفت، فناوری پالایشی و زنجیره ارزش
ونزوئلا: نفت ونزوئلا از نوع بسیار سنگین (Super Heavy) در کمربند اورینوکو است که برای استخراج، پالایش و انتقال نیازمند مخلوط کردن با میعانات سبک و سبُک‌کننده‌های وارداتی است. تحریم‌های آمریکا صادرات این سبک‌کننده‌ها به ونزوئلا را بلوکه کرد و تولید نفت این کشور از حدود ۳ میلیون بشکه در روز به زیر ۵۰ structure تا ۷۰۰ هزار بشکه سقوط کرد.

ایران: نفت ایران تنوع بیشتری دارد و زیرساخت‌های پالایشی و پتروشیمی داخلی (مانند پالایشگاه ستاره خلیج فارس) امکان تبدیل نفت خام و گاز به فرآورده‌های دارای ارزش افزوده و بنزین را فراهم کرد. این موضوع نه‌تنها کشور را از واردات سوخت بی‌نیاز کرد، بلکه صادرات فرآورده‌های نفتی و پتروشیمی به یک منبع درآمدی ارزی جدید تبدیل شد.

۳. جغرافیای اقتصادی و تجارت منطقه‌ای (Trade Network)
ونزوئلا: به لحاظ جغرافیایی در آمریکای لاتین ایزوله است و همسایگان بلاواسطه آن (مانند کلمبیا و برزیل) عموماً همسو با سیاست‌های تحریمی آمریکا بودند. بنابراین امکان دور زدن تحریم‌ها و تجارت خرد مرزی برای ونزوئلا بسیار محدود بود.

ایران: قرار گرفتن در منطقه‌ای استراتژیک با ۱۵ همسایه خاکی و آبی، بازار ۳۰۰ میلیونی منطقه‌ای (عراق، ترکیه، کشورهای خلیج فارس، آسیای مرکزی و پاکستان) و امکان مبادله تجاری غیررسمی، تهاتری و ارزی را فراهم کرد. این شبکه مویرگی تجارت منطقه‌ای، مانع از انسداد کامل مبادلات تجاری ایران شد.

۴. اجتناب از ابرتورم مطلق و حفظ کارکرد سیستم پولی
ونزوئلا: ونزوئلا وارد نرخ‌های ابرتورم نجومی (بالای ۱,۰۰۰,۰۰۰ درصد) شد که رسماً واحد پول ملی (بولوار) را نابود کرد، سیستم بانکی و اعتباری را از کار انداخت و تولید را کاملاً فلج ساخت. (کاهش بیش از ۷۰ درصدی حجم اقتصاد ظرف چند سال).

ایران: اگرچه ایران تورم‌های بالا و مزمن (در محدوده ۳۰ تا ۵۰ درصد) را تجربه کرده، اما با وجود شوک‌های ارزی، موفق شد از ورود به دامنه «ابرتورم مهارنشدنی» جلوگیر کند. سیستم بانکی و شبکه پرداخت کشور باقی ماند و مبادلات اقتصادی داخلی متوقف نشد.

۵. امنیت غذایی و تامین کالاهای پایه
ونزوئلا: فروپاشی کامل بخش کشاورزی باعث شد این کشور برای تامین ابتدایی‌ترین کالاهای غذایی به واردات وابسته شود. با افت درآمد ارزی، بحران حاد انسانی و کمبود شدید غذا رخ داد که به خروج بیش از ۷ میلیون نفر (حدود یک‌چهارم جمعیت) منجر شد.

ایران: وجود بخش کشاورزی داخلی و سیاست‌های حمایت از تولید کالاهای اساسی، توانست حداقل امنیت غذایی و تامین سفره پایه جامعه را تضمین کند و از فروپاشی معیشتی در سطح مطلق جلوگیری نماید.

در مجموع، شاکله صنعتی پیشین، زنجیره ارزش داخلی، تنوع صادرات غیرنفتی و دسترسی به بازارهای منطقه‌ای، به عنوان یک «کف حمایتی» عمل کردند که مانع از سقوط آزاد GDP ایران به سطح ونزوئلا شد.

🔴 ویدیوی مقایسه تولید سرانه دو کشور طی زمان


🔴 کانال دکتر منجذب

🔴 کانال مدل های اقتصادسنجی

🔵 با سلام. لینک کانال‌ها و گروه‌های مفید به شرح زیر است:


♦️کانال تخصصی اقتصاد

♦️کانال گفتار اقتصادی

♦️کانال مدل های اقتصادسنجی

♦️کانال دکتر محمدرضا منجذب

♦️رویدادهای اقتصادی

♦️کانال با اساتید اقتصاد

♦️ گروه تحلیل اقتصادی

♦️گروه ایویوز، استاتا و اقتصادسنجی

♦️ رزومه دکتر منجذب











♦️ کانال تخصصی اقتصاد

🔹 مراحل اجرا و تخمین دو مدل سری زمانی و پانل دیتا دکتر محمدرضا منجذب


💠 با سلام یکی از سوالات متداول محققین مراحل اجرای تخمین مدل در دو قالب سری زمانی و پانل دیتا است. لینک های زیر در این خصوص معرفی می شوند. بدیهی است مراحل مورد اشاره بصورت کامل معرفی شده است، ولی قطعا بصورت سلیقه ای میتوان از برخی آنها صرفنظر نمود:

💠 آزمون های معمول در یک مدل اقتصادسنجی

💠مراحل تخمین مدل های پانل دیتا

⭕️ کانال دکتر منجذب

❄️ کدهای پایتون برای اجرای پانل کوانتایل با اثرات ثابت (منبع: دیپ سیک)

import pandas as pd
import numpy as np
from linearmodels.panel import PanelOLS
from linearmodels.quantile import PanelQuantileReg

# بارگذاری داده‌ها
data = pd.read_csv('your_data.csv') # جایگزین کنید با مسیر فایل داده‌های شما
data = data.set_index(['state', 'year'])

# تعریف متغیرها
data['log_gsp'] = np.log(data['gsp'])
data['log_pcap'] = np.log(data['pcap'])
data['log_pc'] = np.log(data['pc'])
data['log_emp'] = np.log(data['emp'])

# تخمین مدل پانل کوانتایل با اثرات ثابت
quantile_levels = [0.25, 0.5, 0.75]
results = {}

for tau in quantile_levels:
model = PanelQuantileReg.from_formula('log_gsp ~ log_pcap + log_pc + log_emp + unemp',
data=data, tau=tau)
res = model.fit(cov_type='clustered', cluster_entity=True) results[f'tau = {tau}'] = res

# نمایش نتایج
for tau, res in results.items():
print(f"Results for {tau}:")
print(res.summary)


💠 کانال مدل های اقتصادسنجی

🔴 تخمین اثرات ثابت در یک مدل پانل کوانتایل

مدل‌های پانل کوانتایل رویکردی قدرتمند برای مدل‌سازی داده‌های پانل (داده‌هایی که مشاهداتی را برای واحدهای مختلف در طول زمان دنبال می‌کنند) ارائه می‌دهند، به ویژه زمانی که توزیع خطاها غیر نرمال است. برخلاف مدل‌های رگرسیون استاندارد که میانگین شرطی را مدل می‌کنند، مدل‌های کوانتایل به شما امکان می‌دهند اثرات متغیرها را در نقاط مختلف توزیع متغیر پاسخ بررسی کنید.

در مدل پانل کوانتایل، اثرات ثابت، تغییرات ناهمگنی را در واحدهای مختلف در طول زمان کنترل می‌کنند. به عبارت دیگر، این اثرات تغییرات در متغیرهای پاسخ را که صرفاً ناشی از تفاوت‌های بین واحدهای فردی است، در نظر می‌گیرند.

در اینجا روش کلی برای تخمین مدل پانل کوانتایل با اثرات ثابت آورده شده است:

1. تعریف مدل

یک مدل پانل کوانتایل را با اثرات ثابت در نظر بگیرید که به صورت زیر نوشته شده است:

Qτ(y_it | x_it, α_i) = α_i + x_it'β_τ

* y_it: متغیر پاسخ برای واحد i در زمان t
* x_it: بردار متغیرهای مستقل برای واحد i در زمان t
* α_i: اثر ثابت برای واحد i
* β_τ: بردار ضرایب برای کوانتایل τ
* Qτ(y_it | x_it, α_i): کوانتایل τ شرطی متغیر پاسخ با توجه به متغیرهای مستقل و اثرات ثابت

2. روش تخمین

متداول ترین روش برای تخمین این نوع مدل، یک روش حداقل مطلق وزنی (LAD) اصلاح شده است. به این صورت عمل می کند:

* تابع هدف: تخمین زننده یک برآورد از ضرایب مدل پیدا می کند که مجموع وزنی انحرافات مطلق بین مقادیر مشاهده شده و مقادیر پیش بینی شده را به حداقل می رساند. این تابع هدف برای هر کوانتایل τ به شکل زیر است:

min_{β_τ, α_i} Σ_{i=1}^N Σ_{t=1}^T ρ_τ(y_it - α_i - x_it'β_τ)

که در آن:
* ρ_τ(u) تابع بررسی (یا تابع ضرر پین بال) است که به صورت زیر تعریف شده است:

ρ_τ(u) = u(τ - I(u < 0))

و I یک تابع نشانگر است (وقتی u منفی است 1 می شود و در غیر این صورت 0 می شود).

* اثرات ثابت: برای به دست آوردن برآورد دقیق تری از اثرات ثابت، می توانید از تکنیک های مختلفی استفاده کنید:
* اثرات ثابت در مدل: می توانید اثرات ثابت را به عنوان پارامترهای جداگانه در مدل تخمین بزنید. این روش مستلزم افزودن متغیرهای ساختگی برای هر واحد به جز یک واحد مرجع است.
* تغییرات درون: برای از بین بردن اثرات ثابت می توانید از روش تغییرات درون استفاده کنید. این روش شامل تفریق میانگین هر واحد از متغیرها در طول زمان است. مدل به دست آمده را می توان به صورت زیر نوشت:

Qτ(y_it - ȳ_i| x_it-x̄_i) = (x_it-x̄_i)'β_τ

که در آن ȳ_i و x̄_i میانگین متغیرهای پاسخ و متغیرهای مستقل برای واحد i در طول زمان هستند.
* روش برآورد گشتاور کلی (GMM): برای مواجهه با عدم همسانی و همبستگی سریالی، می توانید از روش GMM استفاده کنید. این روش از گشتاورهایی بر اساس کوانتایل‌های نمونه برای تخمین پارامترها استفاده می‌کند.

* روش بهینه سازی: تابع هدف را می توان با استفاده از روش های بهینه سازی عددی، مانند برنامه ریزی خطی یا الگوریتم های مبتنی بر گرادیان کمینه کرد.

3. تفسیر نتایج

* ضرایب: بردار ضرایب β_τ اثر متغیرهای مستقل را بر کوانتایل τ ام توزیع متغیر پاسخ نشان می دهد. این اثرات می توانند در کوانتایل های مختلف متفاوت باشند.
* اثرات ثابت: اثرات ثابت تخمین زده شده (α_i) تفاوت های ناهمگنی بین واحدهای مختلف را در نظر می گیرند. اگرچه ضرایب آنها به تنهایی قابل تفسیر نیستند، اما وجود آنها برای تضمین صحت برآورد ضرایب اصلی ضروری است.

ابزارهای نرم افزاری

نرم افزارهای مختلفی از قبیل Stata، R و Python وجود دارد که می توانند برای برازش مدل های پانل کوانتایل با اثرات ثابت مورد استفاده قرار گیرند. در R، می توان از بسته های quantreg و plm استفاده کرد. در Python، می توانید از بسته statsmodels استفاده کنید.


💠 کانال مدل های اقتصادسنجی

‍ 🔴 تورم هسته و تغییرات آن در دهه‌های گذشته
🔴دکتر محمدرضا منجذب
 
تورم هسته (Core Inflation) به تغییرات سطح عمومی قیمت‌ها پس از کسر اقلام پرنوسان گفته می‌شود و نشان‌دهنده تورم ساختاری و ریشه‌ای در اقتصاد است. بررسی روند تورم هسته در اقتصاد ایران گویای چند تغییر بنیادین است:
چسبندگی فزاینده به سمت بالا: در دهه‌های ۷۰ و ۸۰، حتی زمانی که تورم کل به واسطه سرکوب قیمت کالاهای اساسی یا ارز یارانه‌ای به‌طور موقت کاهش می‌یافت، تورم هسته به ندرت از هسته سخت ۱۵ تا ۲۰ درصد پایین‌تر می‌آمد. این نشان می‌دهد موتور خلق نقدینگی و کسری بودجه به‌طور مستمر روشن بوده است.
شکاف بین تورم کل و هسته در اثر سیاست‌گذاری: در دوره‌هایی که دولت‌ها اقدام به تثبیت دستوری قیمت انرژی و خوراکی‌ها می‌کردند (مانند دهه ۸۰)، تورم هسته غالباً بالاتر یا نزدیک به تورم کل بود که نشان می‌داد ریشه پولی تورم در حال بزرگ شدن است. بالعکس، با آزادسازی قیمت‌ها (مانند حذف ارز ۴۲۰۰ تومانی در اوایل دهه ۱۴۰۰)، تورم کل به دلیل جهش قیمت خوراکی‌ها به شدت از تورم هسته فاصله گرفت و بالاتر رفت.
انتقال به کانال‌های جدید در دهه ۹۰ و ۱۴۰۰: تورم هسته که در دهه‌های گذشته در کانال ۲۰ درصد نوسان می‌کرد، در نیمه دوم دهه ۹۰ و ورود به دهه ۱۴۰۰ با یک شیفت ساختاری به کانال ۳۰ تا ۴۰ درصد منتقل شده است. رشد مداوم نقدینگی، ناترازی شبکه بانکی و انتظارات تورمیِ نهادینه شده، باعث شده تا تورم هسته در ایران کاملاً ساختاری شود و مهار آن نیازمند اصلاحات بسیار عمیق دارد.
 
تورم هسته معیاری است که نوسانات مقطعی و پرنوسان قیمت‌ها (مانند مواد غذایی و انرژی) را حذف می‌کند تا روند پایدار و بلندمدت تورم را نشان دهد. بر اساس داده‌های موجود، تورم هسته در ایران طی سال‌های اخیر به شدت افزایش یافته و از حدود ۱۵ تا ۱۶ درصد به حدود ۲۵ درصد رسیده است. این افزایش عمدتاً ناشی از عوامل ساختاری و شوک‌های بیرونی است.
چرا تورم هسته افزایش یافته است؟ افزایش تورم هسته در ایران ریشه در چند عامل کلیدی دارد:
۱. شوک‌های خارجی و تحریم‌ها
۲. انتظارات تورمی و تورم خدمات
۳. شوک‌های ارزی
۴. عوامل ساختاری
بر اساس داده‌های موجود، پیش‌بینی دقیق تورم هسته ایران برای چند سال آینده دشوار است، اما روندهای فعلی نشان می‌دهد که این شاخص در کوتاه‌مدت کاهش چشمگیری نخواهد داشت. تحلیل‌ها حاکی از آن است که تورم هسته در سطوح بالا ماندگار شده و مسیر آن به شدت به تحولات سیاسی و ژئوپلیتیک گره خورده است.
 
🔺 چرا تورم هسته ماندگار است؟
فشارهای ساختاری + شوک‌های ارزی و تجاری + وابستگی به تنش‌های سیاسی
سناریوهای پیشرو برای تورم کل
| سناریو | فرض میانگین تورم ماهانه | تورم نقطه‌ای اسفند ۱۴۰۵ |
| تداوم تنش‌ها | ۶.۴٪ | حدود ۹۹٪ (آستانه سه‌رقمی) |
| نه جنگ، نه صلح | ۴.۸٪ | حدود ۸۰٪ |
| تفاهم و تنش‌زدایی | ۳.۲٪ | حدود ۶۲٪ |
 
🔺پیش‌بینی نهادهای بین‌المللی
صندوق بین‌المللی پول (IMF) نیز پیش‌بینی کرده که تورم ایران در سال ۲۰۲۶ به حدود ۶۸.۹٪ برسد و سپس در سال ۲۰۲۷ به ۳۹.۶٪ کاهش یابد. این پیش‌بینی نیز کاهش تدریجی را نشان می‌دهد، نه فروکش سریع فشارهای تورمی.
در مجموع، تورم هسته ایران در کوتاه‌مدت و میان‌مدت به احتمال زیاد در سطوح بالا باقی می‌ماند. مسیر دقیق آن به تحولات سیاسی، ثبات ارزی و اصلاحات ساختاری بستگی دارد که در حال حاضر چشم‌انداز روشنی برای آن متصور نیست.

🔷 خلاصه مطلب بصورت ویدیو

🔴 کانال دکتر منجذب

🔵 Analyzing the Heterogeneity of Economic Development and Carbon Emissions in the GCC Countries: Based on Panel Quantile Regression Approach

🔵 نمونه مقاله پانل کوانتایل به همراه فلوچارت مراحل کار



💠 کانال مدل های اقتصادسنجی