评价贝叶斯向量自回归模型在区域经济预测中的表现.pdf

《评价贝叶斯向量自回归模型在区域经济预测中的表现.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、一l38一中国科技论坛(2014年1O月)第10期评价贝叶斯向量自回归模型在区域经济预测中的表现王飞(中央民族大学经济学院，北京100081)摘要：贝叶斯向量自回归(BVAR)利用先验的统计信息能够克服时间序列数据较短的困扰，理论上在我国区域经济预测中应该具有良好的效果。绝大多数区域预测模型文献缺乏“真正”意义上的样本外预测误差评价研究，但我们早期对民族八省区主要经济指标2010_2015年的预测为本文详细评价BVAR模型实际预测误差提供了绝佳的机会。以民族地区为例，本文的分析表明，BVAR模型的预测误差非常小，预测能力令人非常满意。同时本文也分析并指出进一步

2、提高BVAR模型预测精度的努力方向。关键词：预测；贝叶斯向量自回归；区域经济；民族地区中图分类号：F224．7文献标识码：AEvaluationonPerformancesoftheBayesianVectorAutoregressionModelinRegionaiEconomicForecastingWangFei(SchoolofEconomics，MinzuUniversityofChina，Beijing100081，China)Abstract：Usingpriorinformation，theBayesianVectorAutoregressio

3、n(BAVR)modelcanovercometheproblemofinsufficienttimeseriesobservation，andintheory，havebetterperformancesinregionaleconomicforecasting．Inliteratureonregionaleconomicforecas-ring，mostpapersfailedtoevaluatealternativemodel’srealout-of-sampleforecastingerrors．Butourpreviousresearch，forec

4、astingmaineconomicvariablesoftheMinorityAreasfrom2010to2015withBVAR，providesarareopportunitytodosuchevaluationstudy．BasedonevidencesfromtheMinorityAreas，thispaperdemonstratesthattheBVARmodelhassuperiorforecastingperformance．Also，thispaperpointsOUtthewaysofhowtoimproveregionalBVARmod

5、el'sforecastingprecisions．Keywords：Forecasting；BVAR；RegionalEconomy；MinorityAreas1引言主，根据宏观经济理论建立联立方程组以描述经济变量之间的内在联系。该方法的优点是模型以传统的区域经济定量预测以经济计量模型为基金项目：中央高校基本科研业务费专项资金资助项目(09IOKYQN04)。收稿日期：2013—12—02作者简介：王飞(1972一)，男，吉林人，副教授，经济学博士；研究方向：区域经济。第10期(2014年10月)中国科技论坛经济理论为基础，参数具有明确的经济含义。目2010

6、-2012年民族八省区主要经济指标的实际数前，文献中所构建的区域经济预测模型大多采用据，这为我们评价区域BVAR模型的真实预测效该方法¨。J。但经济计量模型的方程组数量多，动果提供了一个绝佳的机会。本文将据此评价BVAR辄10～30个方程，参数估计的误差会相互累积影模型对于区域经济的实际预测能力，并分析影响响最终的预测效果。经济计量模型在20世纪70年BVAR模型预测精度的主要因素，以及改进BVAR代末的滞涨时期预测效果不佳，以ARIMA模型为模型预测精度的努力方向。基础的现代时间序列分析逐渐兴起。Sargent和Sim2BVAR模型预测民族地区宏观提出了VA

7、R模型Hj，扩展到多变量预测。An—溶derson指出，在区域经济预测方面，理论上VARBVAR模型是在普通VAR模型基础上发展起模型预测效果要好于经济计量模型，因为经济计来的。考虑如下的无约束VAR模型。量模型需要所有变量的数据，但区域间贸易、投资等数据几乎没有，而VAR模型并不需要全部的Y(t)=(t)+：fl(J)Y(t一)+s(f)t=1，数据J。从实际应用看，VAR模型在国外区域经2，⋯，(1)济预测中取得了较好的效果J。其中，t表示时刻，P表示滞后阶数；y(t)是但随着变量个数的增加，VAR模型中的参数K维随机向量y在时刻t的取值；X(t)是维列向

8、迅速增加以致自由度消耗过快。考虑到我国