Разработка краткосрочного прогноза инфляции для Узбекистана: применение моделей FAVAR и BVAR // Development of the Near-Term Forecast of Inflation for Uzbekistan: Application of FAVAR and BVAR models

В этом исследовании изучается применение моделей векторной авторегрессии с факторным дополнением (FAVAR) и байесовской векторной авторегрессии (BVAR) для прогнозирования инфляции. Модели FAVAR работают с данными высокой размерности, извлекая скрытые факторы из обширных макроэкономических показателей, в то время как модели BVAR включают априорные распределения для повышения стабильности и точности прогнозов в условиях ограниченности данных. Используя обширный набор данных о детерминантах инфляции, характерных для Узбекистана, мы проводим эмпирическую оценку обеих моделей, изучая точность их прогнозирования. Результаты этого исследования направлены на оптимизацию методологий прогнозирования инфляции, обеспечивая Центральный банк Узбекистана надежной, основанной на данных, аналитической информацией для более качественной выработки политики. // This study investigates the application of Factor-Augmented Vector Autoregression (FAVAR) and Bayesian Vector Autoregression (BVAR) models for inflation forecasting. FAVAR models deal with high-dimensional data by extracting latent factors from extensive macroeconomic indicators, while BVAR models incorporate prior distributions to enhance forecast stability and precision in datalimited environments. Employing a comprehensive dataset of Uzbekistan-specific inflation determinants, we conduct an empirical assessment of both models, examining their predictive accuracy. Findings from this research aim to optimize inflation forecasting methodologies, providing the Central Bank of Uzbekistan with robust, data-driven insights for improved policy formulation.