桂文林;程慧;

• 1:暨南大学经济学院统计学系

摘要(Abstract)：

传统VAR模型需要变量保持同频的限制,这使得原始数据的完整性遭到破坏,从而影响模型的性能。本研究引入可以融合季度变量和月度变量的MF-BVAR模型,以GDP、PPI、CPI和PMI的递归样本为例并将其划分为三组不同的季度内信息组,比较了其与MIDAS模型和同频模型的性能,且通过混频格兰杰因果关系检验、脉冲响应分析和方差分解分析剖析了变量之间的传导机制。实证结果表明:(1)MF-BVAR模型关于PPI、CPI、PMI和GDP的实时预测误差分别较QF-BVAR模型降低约70%、80%、75%和20%;(2)基于定量和统计检验的角度均表明MIDAS和MF-BVAR模型的实时预测和短期预测性能均显著优于QF-BVAR模型,且MF-BVAR模型更适合于实时预测而MIDAS在短期预测表现更优,此外混频递归样本表明月度信息利用越充分,模型的预测误差越小;(3)GDP与CPI、PPI和PMI、CPI与PMI之间存在双向的因果关系,且传导时长呈现差异性,而PMI和GDP、PPI与GDP、PPI和CPI的正向传导时长均为3期,反向传导路径阻塞,存在不对称性。

关键词(KeyWords)： MF-BVAR模型;中国宏观经济混频数据;实时预测;PMI;PPI;CPI

Abstract:

Keywords:

基金项目(Foundation): 国家社会科学基金项目“时间序列分解与中国经济下行压力下风险识别及预警研究”(16BJY014)

作者(Author): 桂文林;程慧;

Email:

DOI: 10.16088/j.issn.1001-6597.2020.05.010

参考文献(References)：

• [1] 王双正.基于VAR模型的通货膨胀与经济增长关系研究[J].经济理论与经济管理,2009(1):21-27.
• [2] 周文,赵果庆.中国GDP增长与CPI:关系、均衡与“十二五”预期目标调控[J].经济研究,2015(5):4-17.
• [3] 隋占林.中国经济增长与通货膨胀预测及影响因素研究[D].大连:东北财经大学经济学院,2016.
• [4] 刘金全,张鹤.经济增长风险的冲击传导和经济周期波动的“溢出效应”[J].经济研究,2003(10):32-39+91.
• [5] 刘金全,郑挺国.我国货币政策冲击对实际产出周期波动的非对称影响分析[J].数量经济技术经济研究,2006(10):3-14.
• [6] 齐丽云,何跃.基于PMI和PPI的GDP预测模型[J].统计与决策,2013(16):12-14.
• [7] 杨兴武,沈颂东.中国采购经理指数(PMI)对GDP影响的传导路径分析[J].统计与决策,2016(5):124-128.
• [8] Foroni,C,Ghysels,E,Marcellino,M.Mixed-frequency vector autoregressive models[J].Advances in Econometrics,2013(6):247-272.
• [9] Camacho M.Mixed-frequency models with Markov-switching dynamics[J].Economics Letters,2013 (12):369-373.
• [10] Foroni C,Guerin P,Marcellino M.Markov-switching mixed-frequency VAR models[J].International Journal of Forecasting,2015(3):692-711.
• [11] 刘金全,解瑶姝,龙威.“新常态”下中国财政政策与货币政策选择的新视角[J].经济问题,2016(3):14-21.
• [12] 张劲帆,刚健华,钱宗鑫,等.基于混频向量自回归模型的宏观经济预测[J].金融研究,2018(7):34-48.
• [13] Schorfheide F,Song Dongho.Real-time forecasting with a fixed-frequency VAR[J].Journal of Business& Economic Statistics,2015 (10):366-380.
• [14] Zadrozny P.Gaussian likelihood of continuous-time ARMAX models when data are stocks and flows at different frequencies[J].Econometric Theory,1988 (4):108-124.
• [15] Mariano R S,Murasawa Y.A coincident index,common factors and monthly real GDP[J].Oxford Bulletin of Economics and Statistics,2010 (2):27-46.
• [16] Kuzin V,Marcellion M,Schumacher C.MIDAS vs.mixed-frequency VAR:Now casting GDP in Euro area[J].International Journal of Forecasting,2011 (4):529-542.
• [17] Foroni C,Marcellino M.A comparison of mixed frequency approaches for now casting Euro area macro- economic aggregates[J].International Journal of Forecasting,2014 (7):554-568.
• [18] Ghysels E.Macroeconomics and the reality of mixed frequency data[J].Journal of Econometrics,2016 (2):294-314.
• [19] Ghysels E,Hill J B,Motegi K.Testing for Granger causality with mixed frequency data[J].Journal of Econometrics,2016 (1):207-230.
• [20] 陈浩东.基于混频数据模型对通货膨胀与经济增长影响的实证研究[D].长春:吉林大学商学院,2012.
• [21] 刘汉,刘营,王永莲.经济景气指标与实际GDP增长率的混频预测[J].统计与决策,2017(21):29-33.
• [22] 周德才,邓姝姝,左玥.中国金融状况指数混频编制与应用研究——基于MSMF-VAR模型的一个经验分析[J].南开经济研究,2018(2):148-163.
• [23] 顾光同,许冰.中国工业增加值的半月预报:基于宏观月度数据[J].系统工程理论与实践,2018(8):183-1993.
• [24] Nergo M D,Schorfheide F and Wouters R.On the fit of new Keynesian models[J].Journal of Business and Economic Statistics,2007 (1):123-162.
• [25] Sims C A.Macro economics and reality[J].Econometrica,1980(1):1 -48.
• [26] Geweke J.Using simulation methods for Bayesian econometric models:inference,development and communication[J].Econometric Reviews,1999 (1):1-126.
• [27] Carter C K and Kohn R.On Gibbs sampling for state space models[J].Biometrika,1994(3):541-553.
• [28] 刘金全,刘汉,印重.中国宏观经济混频数据模型应用——基于MIDAS模型的实证研究[J].经济科学,2010(5):23-34.
• [29] 宋科进.我国制造业PMI、非制造业PMI与经济增长关系的实证研究[J].发展研究,2014(10):8-12.
• [30] 解瑶姝.“新常态”时期中国经济增长与通货膨胀的关联机制研究[J].经济问题探索,2018(12):11-20.
• [31] Negro M D and Schorfheide F.Bayesian Macro-econometrics[M].Oxford University Press,The Oxford Handbook of Bayesian Econometrics,2011.
• [32] Doan T,Litterman R B and Sims C A.Forecasting and Conditional Projection Using Realistic Prior Distributions[J].Econometric Reviews,1984(1):1-100.
• [33] Foroni C,Marcellino M and Schumacher C.U-MIDAS:MIDAS regression with unrestricted lag polynomials[J].Journal of the Royal Statistical Society,2013(12):57-82.