📊 statistics

Zero-inflated stochastic volatility model for disaggregated inflation data with exact zeros

تقترح هذه الورقة نموذج تقلب عشوائي ذو تضخم صفري مع عينة جيبس مُعززة بـ "بوليا-جاما" مخصصة لتحليل بيانات مؤشر أسعار المستهلك المفصلة التي تحتوي على أصفار دقيقة، مما يثبت أن مراعاة التضخم الصفري تؤدي إلى تقديرات أكثر إفادة للاتجاه والتقلب وتحسن أداء التنبؤ عبر أربعة اقتصادات متقدمة.

المؤلفون الأصليون: Geonhee Han, Kaoru Irie

نُشر 2026-03-04

📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة

CC BY 4.0

المؤلفون الأصليون: Geonhee Han, Kaoru Irie

البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

تخيل أنك تحاول التنبؤ بالطقس. عادةً، تنظر إلى ميزان حرارة يعطيك قراءة سلسة ومستمرة: 72 درجة فهرنهايت، 73، 71.5. أنت تستخدم هذه البيانات لتخمين ما إذا كانت الأمطار ستسقط غداً أو ما إذا كانت درجة الحرارة في ارتفاع.

الآن، تخيل ميزان حرارة معطلاً يظهر أحياناً الرقم "0" بدلاً من درجة الحرارة. هذا لا يعني أن الجو متجمد؛ بل يعني فقط أن الميزان لم يتحدث. ربما تعطل المستشعر، أو نفدت البطارية للحظة، أو ربما نسي صاحب المتجر التحقق منه.

إذا حاولت التنبؤ بالطقس باستخدام ميزان الحرارة المعطل هذا، فسيصاب نموذج الكمبيوتر القياسي بالارتباك. سيفكر: "واو، درجة الحرارة هي بالتأكيد 0 الآن"، وسيفترض أن الطقس هادئ ومستقر للغاية. سيغفل عن حقيقة أن درجة الحرارة قد تكون في الواقع مرتفعة جداً، لكن ميزان الحرارة لم يتحرك بعد.

هذه هي المشكلة التي يحلها هذا البحث تماماً، ولكن مع التضخم بدلاً من الطقس.

المشكلة: "بطاقة السعر العالقة"

يتتبع الاقتصاديون التضخم (سرعة ارتفاع الأسعار) من خلال مراقبة آلاف السلع الفردية: التفاح، تذاكر الحافلات، فواتير الكهرباء، وقصات الشعر. ويسمون هذا "البيانات المفككة".

في العالم الحقيقي، لا تتغير العديد من الأسعار كل شهر.

ظاهرة "العلوق": قد تظل تذكرة الحافلة بـ 2.00 دولار لثلاث سنوات متتالية. قد تظل الرسوم المدرسية كما هي لعقد من الزمن.
خلل البيانات: عندما يحسب الإحصائيون "معدل التغيير"، فإن السعر الذي يبقى ثابتاً يصبح صفراً.
الخطأ: تتعامل النماذج الاقتصادية القياسية مع هذه الأصفار كأنها نقاط بيانات حقيقية. تعتقد: "حسناً، التضخم هو 0% حالياً". وهذا يجعل النماذج تعتقد أن الاقتصاد مستقر جداً، مما يؤدي إلى التقليل من تقدير مدى ارتفاع الأسعار فعلياً تحت السطح.

الحل: "المحقق ذو الجزأين"

قام المؤلفان، جيون هي هان وكاورو إيري، ببناء نوع جديد من النماذج يسمى نموذج التقلب العشوائي ذو التضخم الصفري.

فكر في هذا النموذج كمحقق يعرف أن ميزان الحرارة معطل. بدلاً من مجرد قراءة الرقم، يطرح المحقق سؤالين لكل سعر:

السؤال (أ) (كاشف "العلوق"): "هل بطاقة السعر هذه عالقة حقاً؟ هل صاحب المتجر فقط لا يقوم بتحديث اللوحة؟"
- يقوم النموذج بحساب احتمالية لهذا. ربياً، هناك احتمال بنسبة 90% أن سعر الكهرباء عالق بسبب اللوائح الحكومية، لكن هناك احتمال بنسبة 10% فقط أن سعر الموز عالق.
السؤال (ب) (الاتجاه "الحقيقي"): "لو كان السعر يتغير، فماذا سيكون؟"
- إذا قرر النموذج أن السعر "عالق"، فإنه يتجاهل الصفر وينظر إلى الاتجاه الأساسي. يدرك النموذج: "حتى لو كانت اللوحة تقول 2.00 دولار، فإن تكلفة الوقود في ارتفاع، لذا فإن ضغط التضخم الحقيقي مرتفع".

الخدعة السحرية: "المتغير الشبح"

لجعل هذه الرياضيات تعمل، استخدم المؤلفان خدعة إحصائية ذكية تتضمن ما يسمى تعزيز بوليا-غاما (Pólya-Gamma augmentation).

تخيل أنك تحاول تخمين رقم سري، ولكن الشخص الذي يعطيك الإجابة يقول أحياناً "صمت".

النموذج القديم: يعامل "الصمت" على أنه الرقم صفر.
النموذج الجديد: يقدم "متغيراً شبحياً". يتخيل رقماً مخفياً وراء الصمت. يتساءل: "لو أنهم تحدثوا، فماذا كانوا سيقولون؟"
من خلال استخدام هذا "الشبح"، يمكن للنموذج فصل الضجيج (بطاقات الأسعار العالقة) عن الإشارة (تكاليف الارتفاع الفعلية).

لماذا يهم هذا؟

اختبر المؤلفون هذا على بيانات من الولايات المتحدة، والمملكة المتحدة، وألمانيا، واليابان. وإليكم ما وجدوه:

توقعات أفضل: عندما تكون الأسعار "عالقة" بشكل متكرر (مثل قطاع الكهرباء المنظم في اليابان)، فشلت النماذج القديمة. توقعت الهدوء. أما النموذج الجديد فقد توقع بشكل صحيح أن الأسعار كانت تحت الضغط، حتى لو لم تتغير اللوحات بعد.
صنع سياسات أكثر ذكاءً: تحتاج البنوك المركزية (مثل الاحتياطي الفيدرالي أو بنك اليابان) إلى معرفة ما إذا كان التضخم يرتفع الآن أم أنه مجرد توقف مؤقت.
- الطريقة القديمة: "الأسعار ثابتة. لا داعي للقلق." (المخاطرة: قد يفوتهم حدوث طفرة تضخم مفاجئة لاحقاً).
- الطالط الجديدة: "الأسعار تبدو ثابتة، لكن نموذجنا يرى الضغط الخفي يتراكم. يجب أن نكون مستعدين."

تشبيه الصورة الكبيرة

تخيل أنك تراقب غرفة مزدحمة من الناس (الاقتصاد) لترى ما إذا كانوا يشعرون بالإثارة (التضخم).

النموذج القديم ينظر إلى الغرفة ويرى 50 شخصاً يجلسون بهدوء تام. يستنتج: "الجميع هادئ".
النموذج الجديد يدرك أن 30 من هؤلاء الأشخاص يرتدون فقط سماعات عازلة للضوضاء (الأسعار "العالقة"). ينظر إلى الـ 20 شخصاً الذين يتحركون ويصرخون بالفعل، ويستنتج بشكل صحيح: "الغرفة في الواقع تزداد حماساً، رغم أن نصف الناس صامتون".

الملخص

هذا البحث يمنح الاقتصاديين نظارات أفضل. فهو يسمح لهم بالرؤية من خلال "الضجيج" الناتج عن الأسعار التي لا تتغير، مما يساعدهم على فهم القصة الحقيقية للتضخم قبل أن تصبح واضحة للجميع. إنه أداة لرصد العاصفة بينما لا تزال السماء تبدو صافية.

فيما يلي ملخص تقني مفصل لورقة بحثية بعنوان "نموذج التقلب العشوائي ذو التضخم الصفري لبيانات التضخم المفصلة ذات الأصفار الدقيقة" من إعداد هان وإيري.

1. بيان المشكلة

تعالج الورقة البحثية قصوراً حرجاً في نمذجة بيانات مؤشر أسعار المستهلك (CPI) المفصلة: وهو انتشار الأصفار الدقيقة (ركود الأسعار) في السلاسل الزمنية.

السياق: بينما نادراً ما تظهر بيانات التضخم الإجمالية أصفاراً دقيقة، فإن البيانات المفصلة (مثل فئات المنتجات المحددة مثل الكهرباء أو الخدمات الطبية) غالباً ما تحتوي على أصفار دقيقة بسبب ممارسات جمع البيانات (المنتجات التمثيلية الثابتة)، أو الضوابط التنظيمية على الأسعار، أو عدم تكرار تعديلات الأسعار من قبل الشركات.
المشكلة: تفترض نماذج التقلب العشوائي (SV) ونماذج التقلب العشوائي للمكونات غير المرئية (UCSV) القياسية استمرارية التوزيعات الطبيعية للأخطاء. وعند تطبيقها على بيانات تحتوي على أصفاق دقيقة، تعاني هذه النماذج من:
- تقديرات متحيزة: تكون تقديرات الاتجاه (Trend) متحيزة نحو الصفر.
- تقليل تقدير التقلب: تفسر هذه النماذج الأصفار كضجيج غاوسي (Gaussian noise) منخفض التباين بدلاً من كونها أصفاراً هيكلية، مما يؤدي إلى تقديرات تقلب محافظة للغاية وغير معلوماتية.
- تنبؤ ضعيف: تكون تنبؤات القيم النقطية والفترات ضعيفة المعايرة، خاصة عندما يكون التضخم الصفري مرتفعاً.
الفجوة: غالباً ما تُصمم نماذج التضخم الصفري الموجودة للبيانات المنفصلة (Discrete) أو لأغراض تنبؤية بحتة، وتفتقر إلى القدرة على تقدير الاتجاهات الكامنة والتقلبات المتغيرة زمنياً بشكل مشترك للبيانات الحقيقية المستمرة وغير المستقرة.

2. المنهجية

يقترح المؤلفون نموذج التقلب العشوائي للمكونات غير المرئية ذو التضخم الصفري (Z-UCSV)، والموسع إلى إطار متعدد المتغيرات (Z-MUCSV).

أ. هيكل النموذج

يقوم النموذج بتفكيك السلسلة الزمنية المرصودة $y_t$ إلى عمليتين كامنتتين:

عملية توليد القيم غير الصفرية (UCSV):
- متغير مستمر كامن $y^*_t$ يتبع هيكل UCSV قياسي: $y^*_t = \theta_t + \epsilon^{(y)}_t$ ، حيث $\theta_t$ هو الاتجاه الكامن و $\epsilon^{(y)}_t$ له تقلب عشوائي $h_t$ .
- يتبع الاتجاه $\theta_t$ والتقلب اللوغاريتمي $h_t$ مسارات السير العشوائي (Random Walks).
عملية توليد الأصفار (النموذج اللوجستي الديناميكي):
- احتمال كامن $p_t$ يحدد ما إذا كانت الملاحظة صفراً.
- $p_t = \text{logit}^{-1}(\pi_t)$ ، حيث $\pi_t$ حالة كامنة تتبع مسار سير عشوائي.
- معادلة الملاحظة هي خليط: $y_t \sim (1-p_t)\delta_{y^*_t} + p_t\delta_0$ .
- يسمح هذا بتمييز "التغيرات الحقيقية" في الأسعار (غير الصفرية) عن "الركود الهيكلي" في الأسعار (الصفري).

ب. التوسيع متعدد المتغيرات (Z-MUCSV)

تم توسيع النموذج ليشمل $K$ من المكونات لالتقاط التبعيات المستعرضة.
ثبات الترتيب (Order-Invariance): على عكس تحليلات Cholesky القياسية التي تعتمد على ترتيب المتغيرات، يستخدم المؤلفون توصيفاً ثابتاً للترتيب (Chan et al., 2024) حيث يكون مصفوفة عامل Cholesky $C$ كثيفة وغير مقيدة، مما يسمح بتقدير مرن للحركة المشتركة دون انفجار توافقي.
هيكل التباين والتباين المشترك: يتم نمذجة مصفوفة التباين والتباين المشترك للمكون غير الصفر كـ $\Sigma^{(y)}(h_t) = C^{-1} \text{diag}(\exp h_t) (C^{-1})^^T$ .

ج. الاستدلال البعدي (الخوارزمية)

نظراً لصعوبة حساب احتمالية "بواسون-ثنائي الحد" (Binomial Likelihood) مع الرابط اللوجستي، طور المؤلفون مُنْتَج جيبس (Gibbs Sampler) مخصصاً باستخدام تعزيز بوليا-غاما (Pólya–Gamma augmentation):

تعزيز بوليا-غاما: يُدخل متغيرات مساعدة $\omega_t$ لإعادة هيكلة الاحتمالية اللوجستية إلى شكل غاوسي مشروط. يسمح هذا بجمع حالات الاحتمالية الكامنة ( $\pi_t$ ) بشكل مشترك باستخدام الترشيح الأمامي وأخذ العينات الخلفي (FFBS).
تعزيز البيانات: بالنسبة للنقاط الزمنية التي يكون فيها $y_t=0$ ، يتم استكمال القيمة غير الصفرية الكامنة $y^*_t$ من التوزيع الغاوسي المشروط.
خطوات أخذ العينات: تتكرر عملية أخذ العينات عبر:
- أخذ عينات من المعلمات الثابتة (التباينات) والحالات الأولية.
- أخذ عينات من الاتجاهات الكامنة ( $\theta$ ) والتقلبات ( $h$ ) باستخدام FFBS.
- أخذ عينات من الاحتمالات الديناميكية ( $\pi$ ) باستخدام FFBS المعزز ببوليا-غاما.
- أخذ عينات من عامل Cholesky $C$ في الحالة متعددة المتغيرات.

3. المساهمات الرئيسية

صياغة نموذج مبتكرة: أول تطبيق لإطار التضخم الصفري المصمم خصيصاً للسلاسل الزمنية المستمرة، غير المستقرة، ومتعددة المتغيرات ذات التقلب العشوائي. إنه يعمم نموذج UCSV القياسي من خلال نمذجة آلية توليد الأصفر بشكل صريح.
الكفاءة الحسابية: اشتقاق مُنتج جيبس فعال باستخدام تعزيز بوليا-غاما، مما يتيح الاستدلال البايزي الدقيق للاحتمالات والتقلبات المتغيرة زمنياً، متجنباً التقريبات المستخدمة غالباً في النماذج الخطية المعممة الديناميكية (DGLMs).
التقلب العشوائي متعدد المتغيرات الثابت للترتيب: تنفيذ نموذج تقلب عشوائي متعدد المتغير لا يعتمد على ترتيب متغيرات تعسفي، وهو أمر بالغ الأهمية لبيانات CPI عالية الأبعاد (مثل 49-85 مكوناً).
التحقق التجريبي: تطبيق شامل على بيانات CPI المفصلة من أربعة اقتصادات متقدمة (الولايات المتحدة، المملكة المتحدة، ألمانيا، اليابان)، مما يثبت تفوق النموذج على النهج القياسية.

4. النتائج

تم اختبار النموذج على بيانات CPI الربع سنوية المفصلة (1988–2024) عبر 49-85 مكوناً لكل دولة.

تقدير الاتجاه:
- قللت نماذج UCSV القياسية من تقدير تضخم الاتجاه في القطاعات ذات التضخم الصفري المرتفع (مثل المرافق الخاضعة للتنظيم، الرعاية الصحية)، مما يسحب التقديرات نحو الصفر.
- نجح نموذج Z-UCSV في استعادة اتجاهات تضخم كامنة أعلى وأكثر واقعية (على سبيل المثال، الارتفاع إلى 5% في قطاع "ألعاب الحظ" الألماني مقابل ما يقرب من 0% في النماذج القياسية) من خلال معاملة الأصفار كقيم محذوفة (Censored) بدلاً من قيم منخفضة.
تقدير التقلب:
- أنتجت النماذج القياسية تقديرات تقلب منخفضة بشكل مصطنع خلال فترات ركود الأسعار.
  كشف نموذج Z-UCSV عن تقديرات تقلب أكثر سلاسة وأعلى وأكثر دقة من خلال استكمال المعلومات "المفقودة" خلال فترات الصفر.
أداء التنبؤ:
- التنبؤات النقطية: تفوق نموذج Z-MUCSV على نموذج MUCSV القياسي في متوسط الخطأ المطلق (MAE)، لا سيما للمكونات ذات معدلات التضخم الصفري المرتفعة (مثل اليابان وألمانيا).
- التنبؤات الفترية: قدم نموذج التضخم الصفري فترات تنبؤ معايرة بشكل أفضل بكثير (أقرب إلى خط 45 درجة في مخططات التغطية)، بينما أنتجت النماذج القياسية فترات ضيقة جداً أو غير متوافقة.
التجميع: عند تجميع تقديرات Z-UCSV لكل مكون، كان الاتجاه الإجمالي الناتج أقل حساسية للقفزات قصيرة العمر وأكثر انعكاساً للضغوط التضخمية الأساسية مقارنة بملاءمة نموذج UCSV مباشرة للنموذج الإجمالي.

5. الأهمية والآثار المترتبة

الأهمية السياسية: يوفر النموذج للبنوك المركزية وصناع السياسات أداة أكثر دقة لمراقبة التضخم. من خلال التمييز بين "عدم التغيير" الناتج عن احتكاك السوق (التضخم الصفري) وبين "عدم التغيير" الناتج عن انخفاض التضخم، فإنه يمنع التقليل من تقدير مخاطر التضخم.
تصحيح خطأ القياس: يعالج النموذج رسمياً خطأ القياس المتأصل في جمع البيانات المفصلة (الركود)، حيث يعامله كعملية عشوائية وليس كمجرد مصدر إزعاج.
المتانة: هذا النهج قوي عبر البيئات الاقتصادية المختلفة، حيث يعود إلى سلوك SV القياسي عندما يكون التضخم الصفري منخفضاً، ولكنه يفعل آلية التضخم الصفري عند الضرورة.
الاتجاهات المستقبلية: يقترح المؤلفون توسيع النموذج ليشمل تغذية راجعة للتقلب الحتمي (SV-in-mean) وهياكل عوامل كامنة ديناميكية لتقدير التحركات المشتركة عبر العدد الهائل من مكونات CPI.

باختالاف، يقدم هان وإيري إطاراً بايزياً صارماً يحل التحيز الناتج عن الأصفار الدقيقة في بيانات التضخم، مما يوفر تقديرات فائقة للاتجاهات الكامنة والتقلبات، ويحسن دقة التنبؤ للسلاسل الزمنية الاقتصادية المفصلة.