MODELLING AND FORECASTING INFLATION RATES IN GHANA: AN APPLICATION OF SARIMA MODELS

Ghana faces a macroeconomic problem of inflation for a long period of time. The problem in somehow slows the economic growth in this country. As we all know, inflation is one of the major economic challenges facing most countries in the world especially those in African including Ghana. Therefore, forecasting inflation rates in Ghana becomes very important for its government to design economic strategies or effective monetary policies to combat any unexpected high inflation in this country. This paper studies seasonal autoregressive integrated moving average model to forecast inflation rates in Ghana. Using monthly inflation data from July 1991 to December 2009, we find that ARIMA (1,1,1)(0,0,1)12 can represent the data behavior of inflation rate in Ghana well. Based on the selected model, we forecast seven (7) months inflation rates of Ghana outside the sample period (i.e. from January 2010 to July 2010). The observed inflation rate from January to April which was published by Ghana Statistical Service Department fall within the 95% confidence interval obtained from the designed model. The forecasted results show a decreasing pattern and a turning point of Ghana inflation in the month of July.

Forecasting with Vector Nonlinear Time Series Models

This work concerns forecasting with vector nonlinear time series models when errorsare correlated. Point forecasts are numerically obtained using bootstrap methods andillustrated by two examples. Evaluation concentrates on studying forecast equality andencompassing. Nonlinear impulse responses are further considered and graphically sum-marized by highest density region. Finally, two macroeconomic data sets are used toillustrate our work. The forecasts from linear or nonlinear model could contribute usefulinformation absent in the forecasts form the other model.

Jämförelse av två system för att bedöma vinter väglag : Ett nytt system i utvecklingen för att säkra Sveriges vägar

Trafikverket, är den statliga verksamhet som har hand om alla Sveriges vägar och järnvägar har den så kallade nollvisionen som ett huvudmål. Tanken bakom nollvisionen är att de som använder vägarna skall vara säkra och inte komma till skada. En del av uppfyllandet av detta mål är att Trafikverket ger ut korttidsprognoser för väglag och körförhållande. I nuläget så används ett mycket manuellt systemet som heter NTIS, men man håller på att utveckla det nya automatiska systemet RCC som skall kunna ta fram korttidsprognoser baserat på olika former av data, t.ex. data från väderstationer. Syftet med denna studie är att utvärdera hur väl de två olika systemen utför en korttidsprognos och jämföra de mot varandra, samt verkligheten. Denna studie gjordes i form av en förklarande fallstudie. Som datainsamling används dokument i olika former och analysen var kvantitativ då resultatet av utvärdering ger olika procenttal av hur rätt respektive system har. Under undersökningen gång så kom vi fram till att båda systemen hade sina fördelar och nackdelar. T.ex. så det gamla NTIS systemet fortfarande bäst på isigt och moddigt väglag. Medans det nya RCC systemet hade sina egna fördelar, t.ex. snöigt väglag och vått väglag. Samt så hade RCC en klar fördel med sin rapporteringstid, vilket var ett problem man såg med NTIS. Resultat var som sagt ett procenttal av hur rätt de två olika systemen hade, men även förslag till förbättringar. T.ex. hur man skulle kunna ändra RCC regler för bättre resultat.

Modeling and forecasting long-term natural gas (NG) consumption in Iran, using particle swarm optimization (PSO)

The gradual changes in the world development have brought energy issues back into high profile. An ongoing challenge for countries around the world is to balance the development gains against its effects on the environment. The energy management is the key factor of any sustainable development program. All the aspects of development in agriculture, power generation, social welfare and industry in Iran are crucially related to the energy and its revenue. Forecasting end-use natural gas consumption is an important Factor for efficient system operation and a basis for planning decisions. In this thesis, particle swarm optimization (PSO) used to forecast long run natural gas consumption in Iran. Gas consumption data in Iran for the previous 34 years is used to predict the consumption for the coming years. Four linear and nonlinear models proposed and six factors such as Gross Domestic Product (GDP), Population, National Income (NI), Temperature, Consumer Price Index (CPI) and yearly Natural Gas (NG) demand investigated.