国际宏观经济景气循环研究视点与方法进展综述

  本文关键词：中国宏观经济预警体系的评价与修正，由笔耕文化传播整理发布。

论文资料

哈密尔顿（Hamilton1989）提出了非线性状态转换模型，即马尔可夫状态转移模型。Markovswitchingmodel（MS）的优点在于它考虑了总体时间序列资料可能源于不同的状态，把可能的状态列入模型考量时，不只能避开线型模型的过于简单，也相当程度地化简非线型模型求解的困难，且更能符合实际的经济现象。马尔可夫转换模型自Hamilton首度提出以来，已成为研究景气循环具有非对称性特色的有力工具。

但SWI和MS这两模型除了计算机成本太高外，另一缺点就是只能抓住变量之间的协同性或非线性两特征的其中之一。为了使其能更好地解释景气循环的特性，后来很多学者对原始

放宽马尔可夫状态转移的Markovswitchingmodel进行了修正，

模型中移转机率为固定的假设，使其随时间而变异，希望藉此能够掌握到更多的景气循环的特性。如：马尔可夫转移因子模型MarkovSwitchingFactormodel（Kim，Nelson，1998）和马尔可夫

（Krolzig，1997）。国内学者也利向量自回归模型MS-VARmodel

用马尔可夫转移因子模型构建景气指数（王金明，高铁梅，2006）。这两个模型都能够同时处理非线性和协同变动，但缺点是计算机的成本太高。比如Kim和Nelson的4个变量的马尔可夫转

Krolzig的4变量移因子模型必须估计25个未知参数，

MS-VARmodel必须估计24个未知参数。而如果变量增多，参数呈指数增加将耗费巨大的计算成本，就是在目前计算机技术快速发展的时代仍需要消耗大量的CPU时间和内存资源。只有随着计算机技术的加速发展，该方法才会在实际中得到逐步的广泛的应用。

计算成本太高这一缺陷在马可夫转移面板模型MarkovSwitchingPanelmodel（Shyh-WeiChen2006）里得到了解决。Shyh-WeiChen利用马可夫转移面板模型成功预测了日本经济转折点。马尔可夫状态转换面板模型theMarkovSwitchingPanelmodel就是将转换机制加入最小二乘虚拟变量模型即LSDV模型得：

Υ=Dc（j）+Xβ（j）+ε（j），使得St=j（1）

β=[β1，β2，…，βk]是一个K×1行向量，D是一个其中，

2

NT×N矩阵，x是一个T×K矩阵，ε（j）~N（0，σ（j）），未观察到的状态变量St遵循一阶马尔可夫链：

prob（St=1|St-1=1）prob（St=1|St-1=2）G=）（2

prob（St=2|St-1=1）prob（St=2|St-1=2）

当经济处于未观察到的潜在变量St在经济处于膨胀时值为1，

收缩时值为2，然后使用著名的Hamilton程序进行分析。

马可夫转移面板模型相比是一个有较好的工具处理能力的模型，具有很高的精确性和预测功能，而且使用相对简单，能够保留转移因子模型和MS-VARmodel的优势同时避免计算机计算成本太高的缺陷，不用再担心变量太多而无法计算，具有很强的可操作性。

传统分析方法DI、CI只考虑了数据随时间变化的时域性特征而忽视了经济变量的频域性，分析景气循环的时间演变，在很多情况下单单分析其时域或频域的性质是不够的。为了分析变量的频域性质，近10年来我国学者运用互谱分析方法对

时间序列进行分析（Granger，1964）（陈磊，，2005），该方法利用Fourier变换将频率分量分解，避免了只是将各频率分量共同叠加的时域分析的后果。但这一方法却忽视了时域特征，不能完成对非固定时间序列的分析。

近来国外学者已将信号处理的小波时频分析方法广泛用于经济、金融领域研究非平稳时间序列（JamesB.Ramsey，1996）（SharifMd.Raihan1，YiWen，andBingZeng，2005）。小波变换这一方法是一个时间和频率的局域变换，能有效的从信号中提取全部信息，在一般情况下，在低频部分（信号较平稳）可以采用较低的时间分辨率，而提高频率的分辨率，在高频情况下（频率变化不大）可以用较低的频率分辨率来换取精确的时间定位。小波变换同时考虑了时间和频率的信息，解决了Fourier变换不能解决的许多困难问题，是分析非固定时间序列的一个强有力的工具，有助于更深入地研究时间序列的经济周期波动方面的特殊形态和形成机制。

近些年来有不少学者利用VAR模型、Probit模型等来分析经济景气循环的转折点。目前也有学者利用其他领域的方法如人工神经网络模型，灰色系统预测模型等来分析宏观经济景气循环的特征。

【参考文献】

[1]AndresArias，GaryD.Hansen，andLeeE.Ohanian，WhyHaveBusinessCycleFluctuationsBecomeLessVolatile?NBERWorkingPaperNo.12079March2006JELNo.E3.[2]Chang-JinKim，CharlesR.Nelson，BusinessCycleTurningPoints，a

andTestsofDurationDependenceBasedonaNewCoincidentIndex，

DynamicFactorModelwithRegimeSwitching，TheReviewofEconomicsandStatistics，Vol.80，No.2.（May，1998），188-201.

Markov-switchingvectorautoregressions，modelling，[3]H.-M.Krolzig，

statisticalinferenceandapplicationtobusinesscycleanalysis，LectureNotesinEconomicsandMathematicalSystems，vol.454，Springer，Berlin，1997.

[4]Jean-PhilippeCotisandJonathanCoppel，Businesscycledynamicsin

oecdcountries：evidence，causesandpolicyimplications，ReservebankofAustraliaeconomicconference，Sydney，AustraliaJuly11-12，2005.[5][6]S.-W.Chen，MeasuringbusinesscycleturningpointsinJapanwith

theMarkovSwitchingPanelmodel，，doi：10.1016/j.matcom.2006.11.003.J.，&Watson，M.，2002，Macroeconomicforecastingusingdiffusion[6]Stock，

JournalofBusinessandEconomicStatistics，20，147-162.indexes，

[7]SharifMd.Raihan1，YiWen，andBingZeng1，2005，Wavelet：ANewToolforbusinessCycleAnalysis，WorkingPaper2005-050A，FEDERALRESERVEBANKOFST.LOUIS.

东北财经大[8]陈磊.中国经济周期波动的测定和理论研究[M].大连：

学出版社，2005.

[9]刘树成.中国经济周期研究报告[R].北京：社会科学文献出版社，2006.

[10]石良平.中国宏观经济预警体系的评价与修正[J].统计研究，

2007，（1）.

!"

Z（责任编辑：R）校对：

髒髎骳

  本文关键词：中国宏观经济预警体系的评价与修正，由笔耕文化传播整理发布。