Research
Discussion Paper
PIERspectives
aBRIDGEd
PIER Blog
Events
Conferences
Research Workshops
Policy Forums
Seminars
Exchanges
Research Briefs
Community
PIER Research Network
Visiting Fellows
Funding and Grants
About Us
Our Organization
Announcements
PIER Board
Staff
Work with Us
Contact Us
TH
EN
Research
Research
Discussion Paper
PIERspectives
aBRIDGEd
PIER Blog
Exchange Rate Effects on Firm Performance: A NICER Approach
Latest discussion Paper
Exchange Rate Effects on Firm Performance: A NICER Approach
ผลกระทบของการขึ้นค่าเล่าเรียนต่อการตัดสินใจเรียนมหาวิทยาลัย
Latest aBRIDGEd
ผลกระทบของการขึ้นค่าเล่าเรียนต่อการตัดสินใจเรียนมหาวิทยาลัย
Events
Events
Conferences
Research Workshops
Policy Forums
Seminars
Exchanges
Research Briefs
Joint NSD-PIER Applied Microeconomics Research Workshop
Upcoming workshop
Joint NSD-PIER Applied Microeconomics Research Workshop
Special Economic Zones and Firm Performance: Evidence from Vietnamese Firms
Latest PIER Economics Seminar
Special Economic Zones and Firm Performance: Evidence from Vietnamese Firms
สถาบันวิจัยเศรษฐกิจป๋วย อึ๊งภากรณ์
Puey Ungphakorn
Institute for
Economic Research
Puey Ungphakorn Institute for Economic Research
Community
Community
PIER Research Network
Visiting Fellows
Funding and Grants
PIER Research Network
PIER Research Network
Funding & Grants
Funding & Grants
About Us
About Us
Our Organization
Announcements
PIER Board
Staff
Work with Us
Contact Us
Staff
Staff
Call for Papers: PIER Research Workshop 2025
Latest announcement
Call for Papers: PIER Research Workshop 2025
aBRIDGEdabridged
Making Research Accessible
QR code
Year
2025
2024
2023
2022
...
Topic
Development Economics
Macroeconomics
Financial Markets and Asset Pricing
Monetary Economics
...
/static/56b041c6545efe5b09efbdfbfd4f54e1/41624/cover.jpg
27 January 2021
202116117056000001611705600000

ข้อมูลเศรษฐกิจที่มีความถี่ต่างกัน…วิเคราะห์และพยากรณ์อย่างไร?

การศึกษากรณีตัวอย่างจากข้อมูลเศรษฐกิจมหภาคของไทย
Nuttanan Wichitaksorn
ข้อมูลเศรษฐกิจที่มีความถี่ต่างกัน…วิเคราะห์และพยากรณ์อย่างไร?
excerpt

การพยากรณ์โดยใช้ข้อมูลเศรษฐกิจที่มีความถี่ต่างกันทำให้การวิเคราะห์เป็นไปอย่างแม่นยำยิ่งขึ้นและเปิดโอกาสให้นักเศรษฐศาสตร์ใช้ข้อมูลที่หลากหลายร่วมกัน แบบจำลองในลักษณะนี้ที่เป็นที่นิยมคือ MIDAS และ VAR บทความนี้นำเสนอผลการเปรียบเทียบความแม่นยำในการพยากรณ์ตัวแปรทางเศรษฐกิจของแบบจำลองทั้งสองเทียบกับแบบจำลองมาตรฐาน

ข้อจำกัดหนึ่งในการวิเคราะห์ข้อมูลเศรษฐกิจมหภาคคือความถี่ของข้อมูลที่แตกต่างกัน ตัวอย่างเช่น การวิเคราะห์ผลกระทบของอัตราเงินเฟ้อรายเดือนต่อผลิตภัณฑ์มวลรวมในประเทศ (GDP) รายไตรมาส ในอดีต การวิเคราะห์ดังกล่าวนี้สามารถทำได้โดยนำข้อมูลอัตราเงินเฟ้อรายเดือนมาหาค่าเฉลี่ยอย่างง่ายเพื่อให้มีความถี่เป็นรายไตรมาสเท่ากันกับข้อมูล GDP วิธีการเฉลี่ยเช่นนี้มีข้อสมมุติสำคัญคือข้อมูลแต่ละเดือนนั้นมีความสำคัญหรือมีน้ำหนักเท่ากันทำให้ค่าเฉลี่ยที่ได้ไม่สะท้อนผลจากข้อมูลรายเดือนที่เกิดขึ้นในไตรมาสก่อน ๆ อย่างไรก็ตาม การเฉลี่ยข้อมูลรายเดือนในไตรมาสอื่น ๆ นั้นอาจทำได้โดยวิธีการเฉลี่ยแบบเคลื่อนที่ (moving average) แต่ค่าเฉลี่ยจากวิธีนี้เป็นค่าที่แสดงถึงแนวโน้มและไม่สะท้อนถึงความผันผวนตามฤดูกาล (seasonality) ซึ่งเป็นคุณลักษณะที่สำคัญของข้อมูลรายเดือน นอกจากนั้น ผลที่ได้จากการวิเคราะห์อาจเกิดจากความสัมพันธ์ลวง (spurious relationship) ซึ่งมิใช่ความสัมพันธ์ที่แท้จริง

ในช่วงประมาณ 20 ปีที่ผ่านมา นักเศรษฐศาสตร์ที่ชื่อ Eric Ghysels จาก University of North Carolina ได้คิดค้นวิธีการนำข้อมูลที่มีความถี่แตกต่างกัน (mixed-frequency) มาวิเคราะห์และพยากรณ์ผ่านแบบจำลองหลายชนิด อาทิ สมการถดถอยที่เรียกว่า MIxed DAta Sampling (MIDAS) และ vector autoregression (VAR) เป็นต้น (โปรดดูรายละเอียดเพิ่มเติมใน Ghysels et al. 2007, Ghysels, 2016 และ Ghysels, 2018) วิธีการเช่นนี้ทำให้การพยากรณ์โดยใช้ข้อมูลที่มีความถี่แตกต่างกันนั้นทำได้ง่ายขึ้นและได้ผลที่แม่นยำยิ่งขึ้น

MIDAS เป็นแบบจำลองที่นิยมใช้กันมากและสามารถหาใช้ได้ในซอฟต์แวร์ทางสถิติและเศรษฐมิติ เช่น R, EViews และ MATLAB เป็นต้น หัวใจสำคัญของ MIDAS คือมีฟังก์ชันที่เฉลี่ย (weight function) ค่าข้อมูลความถี่ที่สูงกว่าหลายรูปแบบ อาทิ normalized beta density with a zero last lag (BT), normalized beta density with a non-zero last lag (BNN), normalized exponential Almon lag polynomial (EAM), unrestricted coefficients (UM), polynomial with step functions (ST) และ Almon lag polynomial of order p (AM) เป็นต้น

ขณะที่ VAR เป็นแบบจำลองที่นำข้อมูลที่มีความถี่แตกต่างกันนั้นมาอยู่ร่วมกันในรูปเวคเตอร์และวิเคราะห์ผ่าน multivariate distribution อย่างไรก็ตาม ข้อจำกัดประการหนึ่งของแบบจำลอง VAR คือสามารถนำมาใช้ได้เฉพาะข้อมูลที่มีความถี่คงที่ เช่น รายไตรมาส รายเดือน แต่ยังไม่สามารถนำมาใช้กับข้อมูลรายวันที่มีจำนวนแตกต่างกันไปในแต่ละเดือนได้

บทความนี้นำเสนอผลการวิเคราะห์และพยากรณ์ข้อมูลเศรษฐกิจมหภาคของไทยที่มีความถี่แตกต่างกันด้วยแบบจำลอง MIDAS และ VAR และเปรียบเทียบผลที่ได้จากแบบจำลองทั้งสองนั้นกับผลจาก autoregressive integrated moving average (ARIMA) ซึ่งเป็นแบบจำลองอนุกรมเวลามาตรฐาน

ข้อมูลความถี่ต่ำที่นำมาวิเคราะห์นั้นประกอบด้วย

  1. อัตราการเจริญเติบโตทางเศรษฐกิจซึ่งวัดจากอัตราการเปลี่ยนแปลงของ real GDP รายไตรมาส
  2. อัตราการเปลี่ยนแปลงของจำนวนแรงงานในกำลังแรงงานรายไตรมาส และ
  3. อัตราเงินเฟ้อรายเดือน

สำหรับข้อมูลความถี่ที่สูงกว่าที่ใช้ในการวิเคราะห์คืออัตราเงินเฟ้อรายเดือน ผลตอบแทนตลาดหุ้นรายวัน (daily stock return) การเปลี่ยนแปลงของอัตราดอกเบี้ยรายวัน และการเปลี่ยนแปลงของอัตราแลกเปลี่ยนรายวัน (รายละเอียดเพิ่มเติมในตารางที่ 1) สำหรับการกำหนดรูปแบบของแบบจำลองนั้น ผู้เขียนได้รวมช่วงเวลาของข้อมูลในระยะเวลาก่อนหน้า (lag) เพื่อวิเคราะห์ความผันผวนตามฤดูกาลทั้งในตัวแปรตั้งต้นหรือตัวแปรตามที่มีความถี่ต่ำกว่าและในตัวแปรที่ใช้พยากรณ์หรือตัวแปรอิสระที่มีความถี่สูงกว่า

ตารางที่ 1: รายละเอียดของข้อมูล

รายละเอียดของข้อมูล

ในการพยากรณ์ ผู้เขียนได้จำแนกข้อมูลสำหรับการพยากรณ์ (out-of-sample forecasts) ออกเป็นสองกรณีเพื่อพิจารณาผลจากโรคระบาดโคโรนาไวรัสสายพันธุ์ใหม่ (COVID-19) คือ

  1. กรณีไม่รวมข้อมูล COVID-19 โดยใช้ข้อมูลสำหรับการพยากรณ์ในปี พ.ศ. 2562 และ
  2. กรณีรวมข้อมูล COVID-19 โดยใช้ข้อมูลสำหรับการพยากรณ์ในช่วงครึ่งปีหลังของ พ.ศ. 2562 และครึ่งปีแรกของ พ.ศ. 2563 (ซึ่งเป็นช่วงเวลาที่สามารถหาข้อมูลได้ขณะที่ทำการวิเคราะห์)

เหตุที่ใช้ข้อมูลในการพยากรณ์เพียงหนึ่งปีนั้นเนื่องจากผู้เขียนต้องการ

  1. พยากรณ์ในช่วงเวลาที่สั้นเพื่อแสดงถึงตัวอย่างของการพยากรณ์ปัจจุบัน (nowcasting) และ
  2. ให้ความผันผวนตามฤดูกาลครบวงรอบ

ในการเปรียบเทียบกับแบบจำลอง ARIMA นั้น ผู้เขียนพิจารณาจากค่าความคลาดเคลื่อนของการพยากรณ์ (forecast errors) เป็นหลัก เกณฑ์ที่ใช้พิจารณาคือค่า mean absolute percentage error (MAPE) และ root mean squared error (RMSE) ซึ่งแบบจำลองที่ให้ค่าที่ต่ำกว่าแสดงถึงแบบจำลองที่ให้ผลการพยากรณ์ที่ดีกว่า ผลการวิเคราะห์และการพยากรณ์ที่ได้มีดังนี้

อัตราการเปลี่ยนแปลงของ Real GDP รายไตรมาส

ในกรณีนี้ ตัวแปรอิสระที่ใช้ในการพยากรณ์ประกอบด้วยข้อมูลรายเดือน (อัตราเงินเฟ้อ) และรายวัน (ผลตอบแทนตลาดหุ้น การเปลี่ยนแปลงของอัตราดอกเบี้ย และการเปลี่ยนแปลงของอัตราแลกเปลี่ยน) ในกรณีที่ไม่รวมข้อมูลจาก COVID-19 ในการพยากรณ์พบว่าแบบจำลอง MIDAS ในรูปแบบ ST ที่ใช้ข้อมูลผลตอบแทนตลาดหุ้นรายวันให้ค่าคลาดเคลื่อนจากการพยากรณ์ต่ำสุด สังเกตได้จากเส้น ST(Ret) ภาพที่ 1 ด้านซ้าย ผลดังกล่าวชี้ให้เห็นว่าในสถานการณ์ปกติที่ไม่มี COVID-19 ผลตอบแทนตลาดหุ้นรายวันเป็นตัวแปรที่น่าจะสามารถนำมาใช้พยากรณ์อัตราการเปลี่ยนแปลงของ real GDP รายไตรมาสได้ เหตุที่เป็นเช่นนี้น่าจะมาจากการรับรู้ข้อมูลข่าวสารและปฏิกิริยาของผู้บริโภคซึ่งสะท้อนออกไปในตลาดหุ้นได้ค่อนข้างเร็ว

ภาพที่ 1: ค่าพยากรณ์อัตราการเปลี่ยนแปลง Real GDP รายไตรมาสกรณีไม่รวมข้อมูล COVID-19 (ซ้าย) และกรณีรวมข้อมูล COVID-19 (ขวา)

ค่าพยากรณ์อัตราการเปลี่ยนแปลง Real GDP รายไตรมาสกรณีไม่รวมข้อมูล COVID-19 (ซ้าย) และกรณีรวมข้อมูล COVID-19 (ขวา)

หมายเหตุ: GDPG = อัตราการเปลี่ยนแปลง Real GDP, Inf = อัตราเงินเฟ้อ, Ret = อัตราผลตอบแทนตลาดหุ้น, Int = การเปลี่ยนแปลงอัตราดอกเบี้ย, For = การเปลี่ยนแปลงอัตราแลกเปลี่ยน

ขณะที่ผลการพยากรณ์ในกรณีที่รวมข้อมูล COVID-19 พบว่าแบบจำลอง MIDAS ในรูปแบบ UM ที่ใช้ข้อมูลอัตราเงินเฟ้อรายเดือนหรือ UM(Inf) ในภาพที่ 2 ด้านขวาและแบบจำลอง VAR ที่ใช้ข้อมูลอัตราเงินเฟ้อเป็นแบบจำลองที่ให้ค่าความคลาดเคลื่อนจากการพยากรณ์ต่ำสุดโดยที่ MIDAS ให้ค่า MAPE ต่ำที่สุด (มิได้นำเสนอในบทความนี้) ขณะที่ VAR ให้ค่า RMSE ต่ำที่สุด ผลที่ได้สะท้อนให้เห็นถึงผลกระทบจาก COVID-19 ที่ทำให้อุปสงค์โดยรวมลดลงอย่างมากจนทำให้ระดับราคา (เงินเฟ้อ) และอัตราการเจริญเติบโตทางเศรษฐกิจลดลงไปอย่างมากเช่นเดียวกัน ด้วยเหตุนี้ทำให้อัตราเงินเฟ้อเป็นตัวพยากรณ์ที่ดีที่สุด กรณีของผลตอบแทนตลาดหุ้นที่ไม่ได้ให้ค่าพยากรณ์ที่ดีที่สุดอาจเป็นไปได้ว่าหลังจากที่ดัชนีราคาลดลงอย่างมากในช่วงเดือนมกราคม-กุมภาพันธ์ พ.ศ. 2563 หลังจากนั้นได้เริ่มปรับตัวขึ้นอย่างช้า ๆ อย่างต่อเนื่อง ขณะที่อัตราเงินเฟ้อและอัตราการเจริญเติบโตทางเศรษฐกิจยังคงลดลงในไตรมาสที่ 2

อัตราการเปลี่ยนแปลงของกำลังแรงงานรายไตรมาส

แบบจำลองและตัวแปรอิสระที่ใช้ในการพยากรณ์ยังคงเป็นเช่นดียวกับกรณีของ real GDP ข้างต้น ผลการพยากรณ์ที่ได้ในกรณีไม่รวมข้อมูล COVID-19 พบว่าแบบจำลอง MIDAS ในรูปแบบ EAM ที่ใช้การเปลี่ยนแปลงของอัตราดอกเบี้ยรายวันให้ค่า MAPE ต่ำที่สุด ขณะที่แบบจำลอง VAR นั้นให้ค่า RMSE ต่ำที่สุด สิ่งที่น่าสนใจจากการพิจารณาภาพที่ 2 ด้านซ้ายมือคือแบบจำลอง VAR นั้นสามารถพยากรณ์ความผันผวนตามฤดูกาลได้ดีกว่าแบบจำลองอื่น ๆ ความผันผวนตามฤดูกาลที่เกิดขึ้นอย่างชัดเจนนี้เป็นลักษณะเฉพาะของตลาดแรงงานไทยซึ่งสอดคล้องกับผลการศึกษาของยงยุทธและคณะ (2563) ด้วยเหตุนี้แบบจำลอง VAR น่าจะเป็นแบบจำลองที่เหมาะสมในกรณีที่ไม่รวมข้อมูล COVID-19 นี้

ภาพที่ 2: ค่าพยากรณ์อัตราการเปลี่ยนแปลงของกำลังแรงงานรายไตรมาสกรณีไม่รวมข้อมูล COVID-19 (ซ้าย) และกรณีรวมข้อมูล COVID-19 (ขวา)

ค่าพยากรณ์อัตราการเปลี่ยนแปลงของกำลังแรงงานรายไตรมาสกรณีไม่รวมข้อมูล COVID-19 (ซ้าย) และกรณีรวมข้อมูล COVID-19 (ขวา)

หมายเหตุ: LFG = อัตราการเปลี่ยนแปลงกำลังแรงงาน, Inf = อัตราเงินเฟ้อ, Ret = อัตราผลตอบแทนตลาดหุ้น, Int = การเปลี่ยนแปลงอัตราดอกเบี้ย, For = การเปลี่ยนแปลงอัตราแลกเปลี่ยน

สำหรับกรณีของผลการพยากรณ์ที่รวมข้อมูล COVID-19 นั้น แบบจำลอง MIDAS ในรูปแบบ AM ที่ใช้ข้อมูลอัตราการเปลี่ยนแปลงอัตราแลกเปลี่ยนรายวันให้ค่า MAPE ต่ำที่สุด ขณะที่แบบจำลอง MIDAS ในรูปแบบ ST ที่ใช้ข้อมูลการเปลี่ยนแปลงอัตราดอกเบี้ยรายวันให้ค่า RMSE ต่ำที่สุด แม้ว่าผลที่ได้อาจจะไม่สามารถนำมาอธิบายเหตุผลทางเศรษฐศาสตร์ได้อย่างชัดเจนนัก แต่ข้อสรุปประการหนึ่งที่ได้คือการใช้ข้อมูลรายวันมาพยากรณ์ผ่านแบบจำลอง MIDAS ช่วยให้ได้ค่าพยากรณ์ที่ดีที่สุด อย่างไรก็ตาม ประเด็นการวิจัยเชิงเทคนิคที่น่าดำเนินการคือการพัฒนาแบบจำลอง VAR เพื่อนำข้อมูลรายวันมาร่วมวิเคราะห์

อัตราเงินเฟ้อรายเดือน

ในกรณีนี้แบบจำลองที่สามารถนำมาวิเคราะห์ได้มีเพียง MIDAS (และ ARIMA ซึ่งเป็นแบบจำลองมาตรฐาน) เนื่องจากแบบจำลอง VAR นั้นยังไม่สามารถวิเคราะห์ข้อมูลรายวันที่มีจำนวนวันแตกต่างกันไปในแต่ละเดือนได้ ขณะที่ตัวแปรอิสระที่ใช้ในการพยากรณ์นั้นเป็นข้อมูลรายวัน (ซึ่งมีความถี่สูงกว่า) ผลการพยากรณ์ในกรณีไม่รวมข้อมูล COVID-19 พบว่าแบบจำลอง MIDAS ในรูปแบบ ST ที่ใช้ข้อมูลการเปลี่ยนแปลงอัตราดอกเบี้ยให้ค่า MAPE และ RMSE ต่ำที่สุด (ประเมินจากภาพที่ 3 ด้านซ้าย) ผลที่ได้แสดงให้เห็นว่าในกรณีสถานการณ์ปกติที่ไม่มี COVID-19 อัตราดอกเบี้ยรายวันเป็นเครื่องมือทางนโยบายที่สามารถนำมาใช้ควบคุมอัตราเงินเฟ้อได้เนื่องจากเป็นปัจจัยที่ให้ค่าพยากรณ์ต่ำที่สุด

ภาพที่ 3: ค่าพยากรณ์อัตราเงินเฟ้อรายเดือนกรณีไม่รวมข้อมูล COVID-19 (ซ้าย) และกรณีรวมข้อมูล COVID-19 (ขวา)

ค่าพยากรณ์อัตราเงินเฟ้อรายเดือนกรณีไม่รวมข้อมูล COVID-19 (ซ้าย) และกรณีรวมข้อมูล COVID-19 (ขวา)

หมายเหตุ: Inf = อัตราเงินเฟ้อ, Ret = อัตราผลตอบแทนตลาดหุ้น, Int = การเปลี่ยนแปลงอัตราดอกเบี้ย, For = การเปลี่ยนแปลงอัตราแลกเปลี่ยน

ขณะที่ผลการพยากรณ์ในกรณีที่รวมข้อมูล COVID-19 พบว่าแบบจำลอง ARIMA ซึ่งเป็นแบบจำลองมาตรฐานให้ค่าพยากรณ์ที่ดีที่สุด (ค่าคลาดเคลื่อนจากการพยากรณ์ต่ำที่สุด) อย่างไรก็ตาม สิ่งที่ควรระมัดระวังในกรณีนี้คือหากพิจารณาภาพที่ 3 ด้านขวาพบว่าแบบจำลอง ARIMA ไม่สามารถพยากรณ์ความผันผวนตามฤดูกาลได้ดีนักโดยเฉพาะตั้งแต่เกิด COVID-19 ในเดือนมกราคม พ.ศ. 2563 นั่นหมายความว่าหากการพยากรณ์ครอบคลุมระยะเวลาของข้อมูลที่ยาวนานขึ้นโดยเฉพาะเมื่อโรคระบาด COVID-19 จบสิ้นลง ผลการพยากรณ์และข้อสรุปที่ได้น่าจะชัดเจนขึ้น

บทสรุป

ผลจากการวิเคราะห์และพยากรณ์ข้างต้นแสดงให้เห็นว่าการพยากรณ์ข้อมูลเศรษฐกิจมหภาคของไทยผ่านแบบจำลองที่ใช้ข้อมูลที่มีความถี่แตกต่างกันน่าจะช่วยให้ได้ค่าพยากรณ์ที่ดีขึ้น นอกจากนั้นแล้ว ผลการวิเคราะห์ยังอาจช่วยทำให้เห็นความสัมพันธ์ระหว่างตัวแปรหรือปัจจัยที่มีความถี่แตกต่างกันชัดเจนยิ่งขึ้น ข้อสรุปและนัยยะทางเศรษฐกิจที่ได้อาจช่วยให้การออกนโยบายและมาตรการในการจัดการเศรษฐกิจมหภาคเป็นไปอย่างมีประสิทธิภาพ

note

บทความนี้เป็นบทความเชิงสังเคราะห์จากโครงการวิจัยเรื่อง “การวิเคราะห์และพยากรณ์ข้อมูลเศรษฐกิจมหภาคของไทยที่มีความถี่แตกต่างกัน” สนับสนุนทุนวิจัยโดยสถาบันเศรษฐกิจป๋วย อึ๊งภากรณ์

เอกสารอ้างอิง

ยงยุทธ แฉล้มวงษ์, อัมมาร สยามวาลา, ณัฐนันท์ วิจิตรอักษร, อลงกรณ์ ฉลาดสุข, โชคชัยชาญ วิโรจน์สัตตบุษย์, ขวัญกมล ถนัดค้า และเกศินี ธารีสังข์. 2563. การจัดทําดัชนีชี้วัดภาวะตลาดแรงงานของประเทศไทย. รายงานวิจัยฉบับสมบูรณ์เสนอต่อสํานักงานคณะกรรมการส่งเสริมวิทยาศาสตร์ วิจัยและนวัตกรรม. กรุงเทพฯ: สถาบันวิจัยเพื่อการพัฒนาประเทศไทย.Ghysels, E. 2016. Macroeconomics and the reality of mixed-frequency data. Journal of Econometrics. 193, 294–314.

Ghysels, E. 2018. Mixed-frequency models. Oxford Research Encyclopedias: Economics and Finance. DOI: 10.1093/acrefore/9780190625979.013.176

Ghysels, E., Sinko, A., and Valkanov, R. 2007. MIDAS regressions: Further results and new directions. Econometric Reviews. 26(1), 53–90.

Nuttanan Wichitaksorn
Nuttanan Wichitaksorn
Auckland University of Technology
Topics: Macroeconomics
Tags: forecastingmidasmodelingvar
The views expressed in this workshop do not necessarily reflect the views of the Puey Ungphakorn Institute for Economic Research or the Bank of Thailand.

Puey Ungphakorn Institute for Economic Research

273 Samsen Rd, Phra Nakhon, Bangkok 10200

Phone: 0-2283-6066

Email: pier@bot.or.th

Terms of Service | Personal Data Privacy Policy

Copyright © 2025 by Puey Ungphakorn Institute for Economic Research.

Content on this site is licensed under a Creative Commons Attribution-NonCommercial-ShareAlike 3.0 Unported license.

Creative Commons Attribution NonCommercial ShareAlike

Get PIER email updates

Facebook
YouTube
Email