《利用多变量动态马尔科夫转移因子模型对我国经济周期波动的经验研究(研究中心).doc》由会员分享，可在线阅读，更多相关《利用多变量动态马尔科夫转移因子模型对我国经济周期波动的经验研究(研究中心).doc（9页珍藏版）》请在金锄头文库上搜索。
1、2005年中国数量经济年会交流论文 利用多变量动态马尔科夫转移因子模型对我国经济周期波动的经验研究 石柱鲜 刘俊生 吉林大学数量经济研究中心吉林大学商学院应用经济研究所 2005年5月16日利用多变量动态马尔科夫转移因子模型对我国经济周期波动的经验研究*本论文得到教育部人文社会科学博士点基金项目我国外汇风险预警模型研究的资助（项目号：03JB790043）和教育部人文社会科学重点研究基地重大课题宏观金融风险形成的微观机理：数理模型、计量方法与智能模拟研究项目（项目号为02JAZJD790008）的资助。作者简介：石柱鲜（1947-），男，吉林延吉人，吉林大学数量经济研究中心、教授、博士生导师。
2、刘俊生（1980-），男，山西临汾人，吉林大学商学院数量经济博士研究生。石柱鲜 刘俊生 吉林大学数量经济研究中心 吉林大学商学院 吉林长春 130012摘要：本文应用多变量动态马尔科夫转移因子模型对我国1991年1月以来的经济周期波动进行研究。通过选取两组与经济景气一致的宏观经济指标进行实证分析，结果表明多变量动态马尔科夫转移因子模型对不同组指标的分析是一致的；根据模型所构造出的景气指数与一致合成指数的对比分析，我们发现这两个指数不论从变动趋势和峰谷转折点，还是波动幅度上都极其相似；通过对经济周期转折点测定，并与我国经济运行状况对比，我们认为用多变量动态马尔科夫转移因子模型刻画经济周期的特征是
3、有效的。关键字：经济周期 协同运动 非对称性 局面转移模型 动态因子模型一、前言自1946年Burns和Mitchell（1946）对经济周期的开创性研究以来，许多学者针对经济周期的度量及其转折点的识别问题进行了大量的研究工作。Burns和Mitchell认为经济周期存在两个关键的特征：一是经济变量间的协同运动（Comovement），Lucas（1976）强调由于许多经济部门之间的协作，导致了部门间产出的协同运动，并且正是由于变量之间具有协同运动的特征，因此可以用各种先行、一致和滞后的合成指标来度量经济景气；二是经济周期可以被简单的区分为扩张局面和收缩局面，由此定义局面发生转移的转折点日期，
4、即经济周期的转折点。此后很长一段时间内，对上述两个关键特征的实证研究都仅仅关注经济周期的时间序列特性，并且大都是以线性差分方程作为分析工具，这些研究中不仅忽略了许多变量间的协同运动，而且只关注为数不多的几个宏观经济变量，特别是当经济变量时间序列存在非对称性时，线性时间序列模型就存在一定的失误和偏差。Stock和Watson（1989，1991，1993）使用动态因子模型，通过从一系列宏观经济序列中得到一个单公因子（single common factor）来描述他们之间的协同运动；Hamilton（1989）建立了一个实际GNP在扩张和收缩局面之间离散转移的非线性模型，刻划经济景气在不同局面下
5、的非对称性特征。然而，不论是动态因子还是局面转移，都只是孤立地考察协同运动或局面非对称的一个方面，Diebold和Rudebusch（1996）提出了带有马尔科夫局面转移的多变量动态因子模型（MS-SW模型），将经济周期的这两大特征综合到一个框架内。但这样导致模型变得很复杂，模型求解极其困难，Kim（1994）和Kim&Nelson(1998)分别提出了近似极大似然估计和Gibbs抽样方法估计参数，使得MS-SW模型估计成为可能，由此涌现出大量应用此类模型对经济周期的实证研究，另外也出现了另外一些的模型求解方法，如Kaufmann（2000）利用MCMC(Markov Chain Monte
6、Carlo)模拟方法估计模型参数等。本文应用Diebold和Rudebusch（1996）提出的MS-SW模型，综合考虑经济周期协同运动和非对称性的两大特征，利用Kim（1994）提出的近似极大似然估计和度量我国的经济周期并识别其转折点。本文共分为四个部分，第二部分为MS-SW模型和算法的简单描述；第三部分应用MS-SW模型，通过选取两组与经济景气一致的宏观经济指标对我国经济周期进行实证分析，然后将模型构造出的两个景气指数与一致合成指数进行对比，并基于概率的方法测定了经济周期的转折点，第四部分为结论。二、MS-SW模型描述动态因子模型是Stock和Watson（1991）建立的刻画一系列宏观经
7、济变量协同运动的概率模型，认为很多宏观经济变量之间的联动存在一种共同趋势成分，即公因子。用表示第个宏观指标的增长率在期的变动，用表示对其均值的偏离，即，用表示的的公因子成分，表示第个宏观指标的异质成分，那么第个宏观指标的模型就可以表示成： （1） ，（2） ，（3）其中，为滞后算子。这样通过（1）-（3）式，就将经济指标分解为公因子和异质因子两个自回归过程。现假设公因子中的和的取值依赖于不可观测的二值状态变量的实现，我们用表示景气在期的局面状态，表示收缩局面；表示扩张局面，这样不同局面状态下的和不同，它们的取值取决于时期所处的局面状态，用和表示，这样将（2）式改写为带有局面转移的形式： ，（4
8、）假设服从一阶马尔科夫过程，那么转移概率就可表示为： ， 如果各期的状态已知，那么就可以通过标准的极大似然估计方法使用Kalman滤波估计上面模型参数，但由于是不可观测的，只能基于过去信息的条件密度对当前进行推断，这要通过Hamilton滤波 由于篇幅限制，不对Hamilton滤波详述。来计算，而且在每期都会产生有两个不同的动态路径，经过期累计后，状态的路径将会达到种，使得模型变得不可识别。由于在状态空间模型中参数带有了局面转移的性质，标准的Kalman滤波并不能直接应用求解。利用Lam的一般化Hamilton模型可以精确的得到极大似然估计结果，Monte Carlo试验也可以得到相对较好的结
9、果，但是都需要有很高的计算成本。Kim（1994）提出的Kim滤波使用近似极大似然估计来处理，实际上Kim滤波是Kalman滤波和Hamilton滤波的叠加，是在先完成Kalman滤波之后对种状态的条件信息近似化简为2种状态的非条件信息以进行Hamilton滤波。Kim比较了Lam和Kim滤波的结果，发现计算量很小的Kim滤波结果是Lam模型很好的近似。Kim和Yoo（1995）中假设公因子成分中的截距具有状态转移性质，而不是（4）式中假设公因子的均值具有状态转移，这样将（4）式改成（5）式的截距转移形式： ，（5）这样Kalman滤波中只需要考虑种状态，状态种数与无关。通过Kim滤波我们可以
10、得到公因子的序列，由此可以根据下面（6）式生成一个描述经济景气波动的指数：（6）由于Kalman滤波过程中的稳态增益无法求得，那么只能做近似常数处理。为了使指数与一致合成指数具有可比性，我们做出如下假设： （7）（8）这样新指标和的差分就具有相同的均值和方差。通过Hamilton滤波，可以得到各期局面状态的统计推断概率。通常把用直到当期的信息来推断当期状态的概率称为滤波概率(filtering probability)，记为；用直到前一期的信息来推断当期状态的概率称为预测概率(predicting probability)，记为；用全部的信息来推断当期的概率称为平滑概率(smoothing p
11、robability)，记为，由于平滑概率具有“后验”的特征，因此本文基于这样的平滑概率，通过设定一定的规则，对经济周期的峰和谷的日期进行测定。三、MS-SW模型估计和结果分析（1） 指标数据MS-SW模型对经济景气的分析，首先是要选取一组宏观经济指标。根据模型的要求，指标选取应考虑以下几个原则：指标应与经济景气变动基本一致、应能反映各主要经济活动领域变化，且相互独立、有一定的代表性。因此，我们选取出两组一致指标以进行模型的对比分析，第一组指标（设为模型A）的组成为：社会需求指数 数据来源于中经网（）。、广义货币供应量、城镇居民可支配收入、工业生产指数，这四个指标分别从需求、货币、收入、生产四
12、个方面反映了经济领域的变动，这也跟一致合成指数的构成指标相同；第二组指标（设为模型B）的组成为：固定资产投资完成额、社会消费品零售额、消费物价指数，工业增加值，这四个指标从投资、消费、物价、生产四个方面反映出经济领域的变动，指标选择都具有相当的代表性。为了得到指标增长率去趋势的平稳周期成分，我们对指标取对数差分，然后进行季节调整以消除季节性因素和不规则因素的影响，得到第个宏观指标的增长率序列，进而我们得到。我们选取从1991年1月到2005年2月的月度数据建立MS-SW模型。图1是模型所选取各指标的序列图。（2） 模型选择和检验模型中的延迟构造，即（1）、（3）、（5）式中参数的确定，主要是根
13、据准则，同时参考准则和对数似然函数值的大小来决定的。 （8）其中，表示在参数设定下的对数似然函数值，为待估参数的个数，为样本长度。表1 列出了模型在不同参数下的准则大小：图1a 模型A选取指标序列 图1b 模型B选取指标序列表1 模型A和B在不同参数下的参数模型A模型B（1，1，1）-654-326（1，1，2）-1140-620（1，2，2）-1231-771（1，2，1）-746-466（2，1，1）-748-488（2，1，2）-1207-735（2，2，2）-1256-856（2，2，1）-839-539由表1，依据选取最小值的准则，我们将模型的参数设定为（2，2，2）形式，表2列出了
14、模型的参数估计结果：表 2模型估计结果参数模型A模型B0.1140.0850.107-0.0530.0770.0560.0190.0680.0710.0570.0370.0580.0050.1260.1330.1521.541.41-0.59-0.501.661.56-0.69-0.611.521.63-0.58-0.661.600.28-0.640.191.581.48-0.62-0.55-3.91-1.982.493.432.812.742.972.400.0490.2590.2740.1990.2170.8660.2290.0010.92280.9380.94110.89112.9616.1516.989.19对数似然值701.38485.01（3）MS-SW指数与一致合成指数比较根据文中建立的MS-SW模型，我们可以得到公因子成分序列，再参考CI指数，通过（7）式计算，得到跟CI指数具有可比性的MS-SW指数，图2是MS-SW指数和CI指数的时间序列图形。 a. MS-SW(A)（实线）和CI（虚线） b. MS-SW(B)（实线）和CI（虚线
