BazEkon - The Main Library of the Cracow University of Economics

BazEkon home page

Main menu

Author
Kołbyko Patryk (Maria Curie-Sklodowska University, Lublin, Poland)
Title
Application of a Single-equation SARIMA Model for Short-term Conditional Forecast (Projection) of CPI Price Dynamics in Poland
Source
Research Papers in Economics and Finance, 2024, vol. 8, nr 1, s. 128-157, wykr., tab., bibliogr. 58 poz.
Keyword
Modele SARIMA, Dynamika cen, Prognozowanie cen, Polityka pieniężna
SARIMA models, Price dynamics, Prediction of prices, Monetary policy
Note
summ.
Abstract
The aim of the article is to construct an optimal SARIMA model for short-term conditional forecasting (projection) of the dynamics of prices expressed by the Consumer Price Index (CPI), as understood within the extended Box-Jenkins procedure. The construction of such a forecast aims to influence, through the expectations channel, the institutional trust of society in monetary authorities and assess the effectiveness of achieving the monetary policy goal within the framework of the democratic responsibility of the decision-making body of the National Bank of Poland - the Monetary Policy Council. The selection of the optimal SARIMA model was carried out using an iterative method within the Box-Jenkins procedure, with the goal of reducing the systematic bias of estimators - coherence with empirical data. The analysis was conducted on compiled secondary data of the monthly Consumer Price Index for goods and services from the Central Statistical Office for the years 2010-2023 (on a monthly basis). Results show that the short-term forecast demonstrated accuracy within a specified confidence interval. The application of the SARIMA model serves as a useful methodological tool for constructing elaborate DSGE models (for example, the NECMOD model) using procedures such as SEM (System for Averaging Models) from Norges Bank.(original abstract)
Full text
Show
Bibliography
Show
  1. Ancyparowicz, G. (2017). Wybrane aspekty strategii celu inflacyjnego w teorii i  praktyce ban-ków centralnych. Annales Universitatis Mariae Curie-Skłodowska. Sectio H. Oeconomia, 51(6), 11-20. https://doi.org/10.17951/h.2017.51.6.11.
  2. Baciu, I. C. (2015). Stochastic models for forecasting inflation rate. Empirical evidence from Romania. Procedia Economics and Finance, 20, 44-52. https://doi.org/10.1016/S2212-5671(15)00045-3.
  3. Banco Central de Chile. (2007). Central Bank of Chile: Monetary Policy in an Inflation Targeting Framework. Banco Central de Chile.
  4. Białek, J. (2014). Pomiar obciążenia wskaźnika cen towarów i usług konsumpcyjnych. Gospodarka Narodowa, 271(3), 63-80. https://doi.org/10.33119/GN/100882.
  5. Box, G. E. P., & Jenkins, G. M. (1983). Analiza szeregów czasowych. Prognozowanie i ste-rowanie.PWN.
  6. Chakrabarti, A., & Ghosh, J.K. (2011). AIC, BIC and recent advances in model selec-tion. Philosophy of Statistics, 7, 583-605. https://doi.org/10.1016/B978-0-444-51862-0.50018-6.
  7. Ciżkowicz-Pękała, M., Grostal, W., Niedźwiedzińska, J., Skrzeszewska-Paczek, E., Stawasz--Grabowska, E., Wesołowski, G., & Żuk, P. (2019). Three decades of inflation targeting, NBP Working Paper, No. 314.
  8. Corpin, S. J. T., Marbella, J. N. P., Kua, Sh. J. J., Mabborang, R. C., & Lamprea, C. T. (2023). Forecasting inflation rate in the Philippines Using Seasonal Autoregressive Integrated Moving Average (SARIMA) Model. European Journal of Computer Science and Information Technology, 11(2), 13-36. https://doi.org/10.37745/ejcsit.2013/vol11n21336.
  9. Dickey, D. A., Hasza, D. P., & Fuller, W. A. (1984). Testing for unit roots in seasonal time series. Journal of the American Statistical Association, 79(386), 355-367. https://doi.org/10.2307/2288276.
  10. Dmytrów, K., & Doszyń, M. (2014). Prognozowanie sprzedaży z zastosowaniem rozkładu gamma z korekcją ze względu na wahania sezonowe. Studia i  Prace Wydziału Nauk Ekonomicznych i Zarządzania, 36(2), 27-39.
  11. Domański, C. (2010). Properties of the Jarque-Bera test. Acta Universitatis Lodziensis, Folia Oeconomia, 235, 75-86.
  12. Dritsaki, Ch., Niklis, D., & Stamatiou, P. P. (2021). Oil Consumption Forecasting using ARIMA Models: An Empirical Study for Greece. International Journal of Energy, Economics and Policy, 11(4), 214-224. https://doi.org/10.32479/ijeep.11231.
  13. European Commission. (2022). Convergence Report 2022. Institutional Paper 179, June 2022.
  14. Eurostat. (2009). ESS Guidelines on Seasonal Adjustment. Eurostat Methodologies and Working Papers.
  15. Eurostat. (2018). Harmonised Index of Consumer Prices (HICP). Methodological Manual. Manuals and guidelines.
  16. Federal Reserve Board. (1996). A Guide to FRB/US. A macroeconomic model of the United States. Macroeconomic and Quantitative Studies, Division of Research and Statistics.
  17. Gatnar, E. (2018). Statystyczne modele pomiaru inflacji w praktyce banków centralnych. Prace Naukowe Uniwersytetu Ekonomicznego we Wrocławiu / Research Papers of Wrocław University of Economics, 507, 75-85. https://doi.org/10.15611/pn.2018.507.07.
  18. Gerdrup, K. R., & Nicolaisen, J. (2011). On the purpose of models - The Norges Bank ex-perience. Staff Memo, 6. https://www.norges-bank.no/en/news-events/news-publica-tions/Papers/Staff-Memo/Staff-Memo-2011/Staff-Memo-62011/.
  19. Greenspan, A. (2008). We will never have a perfect model of risk. Financial Times, March 17, p. 9.
  20. Grudkowska, S., & Paśnicka, E. (2007). X-12-ARIMA i TRAMO/SEATS - empiryczne porówna-nie metod wyrównania sezonowego w kontekście długości próby. Narodowy Bank Polski.
  21. Gruszczyński, M. (2022). Accounting and econometrics: From Paweł Ciompa to contem-porary research. Journal of Risk and Financial Management, 15(11), 1-10. https://doi.org/10.3390/jrfm15110510.
  22. GUS (Główny Urząd Statystyczny). (2021). Ceny w  gospodarce narodowej w 2020 r.https://stat.gov.pl/obszary-tematyczne/ceny-handel/ceny/ceny-w-gospodarce-narodowej-w--2020-r-,3,18.html.
  23. GUS. (2022). Obroty towarowe handlu zagranicznego ogółem i według krajów w 2021 r.https://stat.gov.pl/obszary-tematyczne/ceny-handel/handel/obroty-towarowe-handlu-zagranicznego-ogolem-i-wedlug-krajow-dane-ostateczne-w-2021-r-,2,14.html.
  24. GUS. (2023a). Informacja Głównego Urzędu Statystycznego w sprawie skorygowanego szacunku produktu krajowego brutto za 2022 rok. https://stat.gov.pl/obszary-tema-tyczne/rachunki-narodowe/roczne-rachunki-narodowe/informacja-glownego-urzedu-statystycznego-w-sprawie-skorygowanego-szacunku-produktu-krajowego-brutto-za-2022-rok,9,9.html.
  25. GUS. (2023b). Miesięczne wskaźniki cen towarów i usług konsumpcyjnych od 1982.https://stat.gov.pl/obszary-tematyczne/ceny-handel/wskazniki-cen/wskazniki-cen-towarow-i-uslug-konsumpcyjnych-pot-inflacja-/miesieczne-wskazniki-cen-towarow-i-uslug-konsumpcyjnych-od-1982-roku.
  26. Hałka, A., & Leszczyńska, A. (2011). Wady i  zalety wskaźnika cen towarów i usług konsump-cyjnych - szacunki obciążenia dla Polski. Gospodarka Narodowa, 9, 51-75.
  27. Hammond, G. (2011). State of the art of inflation targeting. Centre for Central Banking Studies Handbook, No. 29, Bank of England.
  28. Hamulczuk, M., Grudkowska, S., Hertel, K., Klimkowski, C., & Stańko, S. (2011). Prognozowanie cen surowców rolnych z wykorzystaniem modeli szeregów czasowych. Instytut Ekonomiki Rolnictwa i Gospodarki Żywnościowej. Państwowy Instytut Badawczy.
  29. Hara, N., Ichiue, H., Kojima, S., & Nakamura, K. (2009). Practical use of macroeconomic models at central banks. Research and Statistics Department.
  30. Havi, K. E. D. (2023). Modeling and Forecasting of Inflation in Ghana: SARIMA Approach. European Scientific Journal, 20, 512-530.
  31. Hommes, C. H. (2005). Heterogeneous Agent Models in Economics and Finance. Tinbergen Institute Discussion Paper, No. TI 05-056/1.
  32. Hylleberg, S., Engle, R., Granger, C., & Yoo, B. S. (1990). Seasonal integration and cointe-gration. Journal of Econometrics, 44(1-2), 215-238.
  33. Kashpruk, N. (2021). Identyfikacja i prognozowanie szeregów czasowych na przykładzie mo-deli Boxa-Jenkinsa. In: A. Gonet (Ed.), Nauka - technika - technologia (vol. 1, pp. 91-100). Wydawnictwo AGH. https://doi.org/10.7494/978-83-66727-47-2_5.
  34. Keynes, J. M. (1921). A treatise on probability. MacMillan.
  35. Keynes, J. M. (1930). A treatise on money. Cambridge University Press.
  36. Kravik, E. M., & Mimir, Y. (2019). Navigating with NEMO. Staff Memo, No. 5. https://www.norges-bank.no/aktuelt/nyheter-og-hendelser/Signerte-publikasjoner/Staff-Memo/2019/52019/.
  37. Krukovets, D. (2024). Exploring an LSTM-SARIMA routine for core inflation forecasting. Technology Audit and Production Reserves, 2(76), 6-12. https://doi.org/10.15587/2706-5448.2024.301209.
  38. Matysek-Jędrych, A. (2014). Odpowiedzialność i przejrzystość banku centralnego w dzia-łaniach na rzecz stabilności finansowej. Materiały i Studia - Narodowy Bank Polski.
  39. Miłek, M. (2017). Wykrywanie pierwiastków jednostkowych z wykorzystaniem testów per-mutacyjnych. Studia Ekonomiczne, 335, 27-38.
  40. Mises, L. (2011). Ludzkie działanie. Traktat o ekonomii. Instytut Misesa.
  41. Mishkin, F., & Schmidt-Hebbel, K. (2002). A decade of inflation targeting in the world: What do we know and what do we need to know? In: N. Loayza, R. Soto, N. Loayza, K. Schmidt-Hebbel (Eds.), Inflation Targeting: Desing, Performance, Challenges (vol. 5, pp. 171-220). Central Bank of Chile.
  42. Misztal, P. (2023). Komunikacja banków centralnych z rynkiem jako determinanta wiary-godności i skuteczności realizacji celu inflacyjnego na przykładzie banków centralnych wybranych krajów Europy Środkowej i Wschodniej. Przegląd Prawno-Ekonomiczny, 2, 101-134. https://doi.org/10.31743/ppe.15186.
  43. Nazarko, J., & Chodakowska, E. (2022). Prognozowanie w zarządzaniu przedsiębior-stwem. Prognozowanie na podstawie modeli ARIMA. Oficyna Wydawnicza Politechniki Białostockiej.
  44. NBP. (2021). Raport roczny 2020. Narodowy Bank Polski.
  45. NBP. (2023). Raport roczny 2022. Płynność sektora bankowego. Instrumenty polityki pie-niężnej NBP. Narodowy Bank Polski.
  46. Özmen, M., & Şanlı, S. (2017). Detecting the Best Seasonal ARIMA Forecasting Model for Monthly Inflation Rates in Turkey. Dokuz Eylül Üniversitesi İktisadi İdari Bilimler Fakültesi Dergisi, 32(2), 143-182. https://doi.org/10.24988/deuiibf.2017322602.
  47. Pahlavani, M., & Roshan, R. (2015). The Comparison among ARIMA and hybrid ARIMA-GARCH Models in Forecasting the Exchange Rate of Iran. International Journal of Business and Development Studies, 7(1), 31-50. https://doi.org/10.22111/IJBDS.2015.2198.
  48. Phillips, P. C. B., & Perron, P. (1988). Testing for a unit root in time series regression. Biometrika, 75, 335-346.
  49. Pietryka, I. (2008). Polityka pieniężna Narodowego Banku Polskiego w okresie 1999-wrze-sień 2008. Equilibrium, 1(1-2), 23-37.
  50. Raa, T. (2009). Monopoly, Pareto and Ramsey Mark-ups. Journal of Industry, Competition and Trade, 9, 57-63.
  51. Roger, S. (2010). Inflation targeting turns 20. Finance & Development, International Monetary Fund, 47(1), 46-49.
  52. Romanuke, V. (2022). Arima Model optimal selection for time series forecasting. Maritime Technical Journal, 1(224), 28-40. https://doi.org/10.2478/sjpna-2022-0003.
  53. Ruys, P. (2017). A development of the theory of the Ricardo effect. The Quarterly Journal of Austrian Economics, 20(4), 297-335.
  54. Sławiński, A. (2011). Polityka pieniężna. C. H. Beck.
  55. Tura, K. (2011). Wykorzystanie modeli DSGE w procesie prognostycznym na podstawie modeli stosowanych przez wybrane banki centralne. Ruch Prawniczy, Ekonomiczny i Socjologiczny, 1, 277-303.
  56. White, A. G. (1999). Measurement Biases in Consumer Price Indexes. International Statistical Review, 67(3), 301-325.
  57. Yusifov, M. (2014). Modelling the inflationary processes and forecasting: An Application of ARIMA, SARIMA Models. The Journal of Economic Sciences: Theory and Practice, 71(2), 66-80.
  58. Zhou, B., He, D., & Sun, Z. (2006). Traffic predictability based on ARIMA/GARCH model. In: 2nd Conference on Next Generation Internet Design and Engineering, 2006, NGI '06, Valencia, Spain (pp. 200-207).
Cited by
Show
ISSN
2543-6430
Language
eng
URI / DOI
http://dx.doi.org/10.18559/ref.2024.1.1158
Share on Facebook Share on Twitter Share on Google+ Share on Pinterest Share on LinkedIn Wyślij znajomemu