基于MF-VAR模型的我国经济增长预测

发布时间：2021-03-02 09:16

在利用传统的计量经济模型研究我国宏观经济增长等问题时,仅仅是对频率相同、长度相同的变量做回归。许多情况下,仅仅使用观测点一致的同频,同长度数据往往导致研究变量的数量减少,特别是在分析影响某一指标变动的因素时,由于样本数据结构的限制,通常并不能把足够多的影响因子包含在同一模型之中。基于传统计量经济模型这一基本要求,许多分析多因子模型的研究工作者开始逐渐尝试改变研究变量的数据结构以使模型的实证效果更加具有说服力。通常改变数据结构的方法包括:加总、替代以及利用不同插值技术的填补方法。加总和替代主要应用于将某些存量或者流量指标将具有较高频率的数据结构处理为具有较低频率的数据结构。利用各种插值方法对数据进行填补主要应用于将指标的低频数据处理为高频数据。这种改变数据结构的做法虽然方法上可行而且通常计算简单,但是人为改变数据结构的做法有可能破坏原变量之间的相关关系,因为对于不同时间间隔的数据,在一定时期内其代表的经济含义是不一样的,而且各自表现出的趋势和波动性也有可能大相径庭。因此这种做法虽简单易行,但仅仅适用于对数据进行微小的改动,对于要处理大量时间序列数据时就显得不够合理。例如,在时间较长的数据中,当出现大量的非随机性缺失值时,利用插值法进行数据填补得到的时间序列并不能真实地反应原有指标的变动性质以及分布特征。随着各个市场的繁荣发展,统计技术的不断进步,我国已经积累了大量的统计数据,研究不同数据结构的变量之间的相关关系的需求变得更加迫切。近几年来,随着计算机处理数据能力的显著提升,借助计算机技术的计量经济学模型研究取得了很大的突破,一些新的计量经济学模型被创立,更有一些传统的计量经济学模型得到改进,这其中就包括本文所要研究的一类混频数据模型:混频数据向量自回归(MF-VAR)模型。混频数据模型从建模和估计方法的角度出发,在不改变原数据结构的基础上,将不同频率的变量构建于一个模型中,利用不同变量所包含的样本信息对某一指标或者实际问题进行研究。混频数据模型主要包括两类:混频数据向量自回归(MF-VAR)模型和混频数据抽样(MIDAS)模型。这两类模型都是对原有的传统计量经济学模型的改进。其中MF-VAR模型是传统VAR模型加入混频数据的改进,而MIDAS模型是分布滞后模型加入混频数据的改进。由于MIDAS模型的研究较早,已经有大量的学者对该模型进行了研究且产生了许多衍生模型。此外,由于MIDAS模型是基于卡尔曼滤波进行估计的,这种估计方法在处理不规则频率数据时有一些不足之处。因此,本文主要讨论另一种混频数据模型—MF-VAR模型。MF-VAR模型是对传统VAR模型的改进,利用基于Gibbs抽样的BMF方法进行参数和缺失值的估计。这种估计方法从数据本身的分布特征出发,在一定程度上规避了人为干预的弊端。本文第二章详细介绍了模型构建的原理、先验分布形式、超参数的选择以及参数的估计过程。在对MF-VAR模型进行对比研究以探索高频数据信息对低频变量的预测效果的影响时,对于基准模型的估计,我国学者仍然采用传统的最小二乘方法。用两种估计方法得出评价指标对MF-VAR模型进行分析是有失偏颇的,并不能真正反映混频数据结构对预测效果的影响。从这点出发,本文在对MF-VAR模型进行对比分析时,对两个模型均采用贝叶斯方法进行估计。此外,超参数的设定对模型效果的影响比较大,而多数学者对超参数的设定并未做过多研究,而是简单设定超参数的取值或者对少数几个超参数进行对比。基于此,本文使用网格搜索法进行参数寻优。通过实证结果分析,本文发现使用了混频数据结构的MF-VAR模型在GDP的短期预测中能够显著提高传统同频VAR模型的预测精度,但随着预测期的延长,MF-VAR模型的比较优势逐渐减弱甚至其预测结果要劣于传统VAR模型。
【学位授予单位】：东北财经大学
【学位级别】：硕士
【学位授予年份】：2016
【分类号】：F224;F124.1

文章目录

摘要

ABSTRACT

1 绪论

1.1 研究背景和研究意义

1.1.1 研究背景

1.1.2 研究意义

1.2 文献回顾

1.2.1 我国宏观经济增长的研究

1.2.2 混频数据模型的发展

1.3 论文思路及结构安排

1.3.1 论文思路

1.3.2 结构安排

2 混频数据向量自回归（MF-VAR）模型

2.1 状态空间表达形式

2.2 贝叶斯混频数据（BMF）方法

2.2.1 Gibbs抽样

2.2.2 BMF方法

2.3 MINNESOTA先验分布及超参数的选择

2.3.1 Minnesota先验分布

2.3.2 超参数的选择

3 基于MF-VAR模型的我国宏观经济增长预测的研究

3.1 指标的选取与处理

3.2 模型的设定

3.2.1 超参数的选取

3.2.2 Gibbs抽样和点预测

3.2.3 预测评价方法

3.3 模型的实证结果

3.3.1 超参数设定的时效性

3.3.2 模型实证结果分析

3.4 本章小结

4 论文结论和创新及不足之处

4.1 论文结论

4.2 创新及不足之处

4.2.1 论文创新

4.2.2 研究的不足之处

参考文献

附录

后记

【参考文献】