中国宏观经济变量预测的实证研究——基于混合频率数据BVAR模型.pdf

《中国宏观经济变量预测的实证研究——基于混合频率数据BVAR模型.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、2014年6月山东工商学院学报Jun．2014第28卷第3期JoumalofShandongInstituteofBusinessandTechnologyVo1．28No．3。。。。。‘。‘。。。。6理论经济研究9doi：10．3969／j．issn．1672—5956．2014．03．001●oIO●oIO●o●o●中国宏观经济变量预测的实证研究——基于混合频率数据BVAR模型袁靖，孙爱玲。(1．厦门大学经济学院，福建厦门361005；2．山东工商学院统计学院，山东烟台264005；3．烟台职业学院经济

2、管理系，山东烟台264005)[摘要]使用基于混合频率数据的BVAR，详细推导了其状态空间形式、贝叶斯推断和样本外预测，并对中国主要宏观经济变量进行预测，与单一频率标准VAR模型相比，由于混合频率BVAR模型挖掘更多数据信息，预测能力大有提高。[关键词】混合频率；BVAR模型；贝叶斯推断[中圈分类号]F015[文献标识码]A[文章编号]1672—5956(2014)03—0001—06Ghysels、Sinko和Valkanov(2007)构建了一个简一、引言单多元回归模型_4J，称为混合数据抽样回归(简称

3、在宏观经济模型中，结构向量自回归模型(简MIDAS)，探究了高频数据信息但没有估计模型状称VAR)仅仅应用于单一频率数据，即要么都是季态空间，没有得到模型精确解形式；Bai、Ghysels和度数据要么都是月度数据，采用季度数据的优点Wright(2011)检验了MIDAS和混合频率数据模是可以包含在模型中的数据较多，尤其像GDP等型之间的关联度J，在MIDAS模型下使用了卡尔宏观经济数据只公布季度数据，而使用月度数据曼滤波；Kuzin、Marceilino和Schumacher(2011)对的优点是可以更密

4、切的观测经济运行，挖掘更多比了MIDAS回归和混合频率VAR(简称MF—数据信息，像价格指数和利率等都是月度数据。VAR)采用极大似然估计的欧盟GDP增长率预国外学者意识到单一频率数据模型的局限测，发现预测能力依赖于预测指标和预测时限，并性，逐步开发了混合频率数据模型，并不断探索其没有给出预测能力究竟谁好的结论引；MF—VAR估计方法的改进和应用。Mariano和Murasawa模型系数的Gibbs抽样方法研究主要是Eraker、(2003)采用极大似然估计方法利用动态因子分Chiu、Foerster、Ki

5、m和Seoane(2011)，他们的算子析(简称DFM)对混合频率数据(季度实际GDP和是对VAR系数和缺失月度数据的条件先验分布月度经济周期指标)预测了月度实际GDP；Amo-进行迭代，但是提取缺失数据采用了不同的程ba、Diebold和Seotti(2009)开发了DFM模型使用序，而且模型重点是估计而不是预测。混合频率数据构建了一系列经济运行指数；Gi—中国的宏观经济数据也是混合频率，GDP和annone、Reichlin和Small(2008)利用混合频率失业率等宏观数据是季度数据，而价格指数和利D

6、FM评价了季度实际GDP增长率的月度效应；率等为月度数据，目前国内学者们使用的模型都[收稿日期】2013—06—16[基金项目]国家社会科学基金项目(12CTJ018)；教育部人文社会科学研究项目(12YJC910013)；国家博士后科学基金项目(2013M531544)；全国统计科学研究计划项目(2012LY143)[作者简介]袁靖，1977年生，女，山东聊城人，厦门大学博士后，山东工商学院副教授，研究方向为金融数量分析，(电子信箱)xoy1977@126．eom。是单一频率数据模型，为了发挥月度和季度数

7、据(3)～(6)合写为：的共同优点，本文采用混合频率的VAR模型(即Y=MAz，t=1，⋯T．(7)MF—VAR)，构建了一个包含中国经济11个变量其中M为选择矩阵。的数据集，既包含实际总经济变量，又包含价格和(-)模型贝叶斯推断金融变量，推导了包含此11个宏观变量的状态空贝叶斯推断的起始点为向量Y、潜在状态间表达形式，为了克服系数空间的高维度问题，本ZO：T和系数(‘p，∑)，条件分布于Y一。及其无限滞文采用Minnesota先验的贝叶斯估计方法，利用数后，利用Gibbs抽样，产生(‘P，∑)I(z。：，

8、Y一口十】：)，据扩展集构建Gibbs抽样，在Gibbs抽样的滤波z。：l(‘P，∑，Y—p+l：)的后验分布，利用这种抽样我(平滑)步骤中，解决了潜在状态变量尽可能少，同们可以模拟Y的未来轨迹，利用MF—VAR计算时能够处理缺失月度变量的不规则形式问题，利点预测和区间预测。用此数据集，进行递归估计并且与仅是季度数据VAR中一个最大的挑战就是系数矩阵‘p的维的标准VAR相比较，结果发现MF—VAR可以显度。先验分