فیلتر هودریک-پرسکات چیست؟

فیلتر هودریک-پرسکات (HP) به یک تکنیک هموارسازی داده‌ها اشاره دارد. فیلتر HP معمولاً در تحلیل‌ها به کار می‌رود تا نوسانات کوتاه‌مدت مرتبط با چرخه اقتصادی حذف شود. حذف این نوسانات کوتاه‌مدت روندهای بلندمدت را نشان می‌دهد. این کار می‌تواند در پیش‌بینی‌های اقتصادی یا سایر پیش‌بینی‌های مرتبط با چرخه اقتصادی مفید باشد.

نکات کلیدی

• فیلتر هودریک-پرسکات به یک تکنیک هموارسازی داده‌ها اشاره دارد که عمدتاً در اقتصاد کلان استفاده می‌شود.
• این فیلتر معمولاً در تحلیل‌ها به کار می‌رود تا نوسانات کوتاه‌مدت مرتبط با چرخه اقتصادی حذف شود.
• در عمل، از آن برای هموارسازی و حذف روند شاخص Help Wanted کنفرانس بورد استفاده می‌شود تا بتوان آن را با داده‌های JOLTS اداره آمار کار (Bureau of Labor Statistics) مقایسه کرد، که تعداد فرصت‌های شغلی در ایالات متحده را اندازه‌گیری می‌کند.

درک فیلتر Hodrick-Prescott (HP)

فیلتر هودریک-پرسکات (HP) ابزاری است که معمولاً در اقتصاد کلان استفاده می‌شود. نام آن از اقتصاددانان رابرت هودریک و ادوارد پرسکات گرفته شده است که این فیلتر را در دهه ۱۹۹۰ در اقتصاد مشهور کردند. هودریک اقتصاددانی بود که در مالیه بین‌الملل تخصص داشت. پرسکات نیز برنده جایزه نوبل یادبود شد و این جایزه را با یک اقتصاددان دیگر برای تحقیقاتشان در اقتصاد کلان به اشتراک گذاشت.

این فیلتر روند بلندمدت یک سری زمانی را با کاهش اهمیت نوسانات کوتاه‌مدت قیمت تعیین می‌کند. در عمل، این فیلتر برای هموارسازی و حذف روند شاخص Help Wanted Index (HWI) کنفرانس بورد استفاده می‌شود تا بتوان آن را با JOLTS اداره آمار کار (BLS) مقایسه کرد، که یک سری داده اقتصادی است و ممکن است به‌طور دقیق‌تر فرصت‌های شغلی در ایالات متحده را اندازه‌گیری کند.

مهم:

فیلتر HP ابزاری است که معمولاً در اقتصاد کلان استفاده می‌شود.

ملاحظات ویژه

فیلتر HP یکی از پرکاربردترین ابزارها در تحلیل اقتصاد کلان است. این فیلتر معمولاً نتایج مطلوبی ارائه می‌دهد اگر نویز داده‌ها به‌طور نرمال توزیع شده باشد و تحلیل انجام‌شده تاریخی باشد.

طبق مقاله‌ای که توسط اقتصاددان و استاد جیمز همیلتون منتشر شده و در وب‌سایت National Bureau of Economic Research قرار دارد، چندین دلیل وجود دارد که چرا نباید از فیلتر HP استفاده کرد. همیلتون ابتدا پیشنهاد می‌کند که این فیلتر نتایجی تولید می‌کند که هیچ پایه‌ای در فرآیند تولید داده‌ها ندارند. او همچنین بیان می‌کند که مقادیری که در انتهای نمونه فیلتر می‌شوند کاملاً متفاوت از مقادیر وسط نمونه هستند.