资源描述：
《中国宏观经济混频数据模型应用_基于MIDAS模型的实证研究》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、中国宏观经济混频数据模型应用—基于MIDAS模型的实证研究经济科学•2010年第5期?中国宏观经济混频数据模型应用——基于MIDAS模型的实证研究刘金全刘汉印重（吉林大学数量经济研究中心吉林长春130012）摘要：传统宏观计量模型需要利用加总或插值等方法将混频数据统一到同频数据再应用于宏观经济模型中。而混频数据模型是直接利用混频数据构建模型，避免了因数据加总或插值导致的信息损失和人为信息的虚增，充分利用了现有高频数据的信息，改进了宏观计量模型估计的有效性和预测的精度。混频数据抽样模型（MIDAS）是混频数据模型的一种，它
2、使用参数控制的滞后权重多项式函数对高频滞后数据进行有权重的加总并构建模型，再通过数值优化和非线性的方法估计混频数据模型中的最优参数。MIDAS模型是攫取现有高频数据的全样本信息用于宏观经济和金融的分析与预测的有效方法，本文基于该模型的实证研究探寻混频数据在中国宏观经济应用中的有效性。关键词：混频数据MIDAS模型宏观经济有效性一、引言宏观经济中有诸多能反映当前宏观经济状态和未来宏观经济走势的经济数据，如季度GDP数据、月度CPI和PPI数据、金融市场收益的日数据、股票市场波动的日内数据等等。这些数据受到经济个体、企业、组
3、织和国家，甚至是国际社会的广泛关注，人们试图使用不同的数据处理方法和构建各种模型从这些纷繁复杂的数据中攫取信息,以便得出当期宏观经济的准确预报和未来一段时间内宏观经济走势的精确预测。然而，在构建宏观计量模型时却经常出现数据抽样的频率高低有别的问题，而大多数宏观计量模型都要求模型等式两边的数据频率一致，因此要想利用传统的宏观计量模型去估计、预报和预测宏观经济就必须对混频数据进行处理，有的采用加总或替代的方法将高频数据处理为低频数据(Silvestrini和Veredas,2008),有的采用插值法将低频数据处理为高频数据(
4、Chow和Lin,1971；1976＞赵进文和薛艳，2009),但是这两种方法经常受到质疑，人们认为加总或替代法在数据处理过程中忽视了高频数据中部分样本信息，抹杀了高频数据的波动，在一定*基金项目：国家自然科学基金项目“非线性随机波动模型估计方法及应用研究”(70971055)；教育部人文社会科学重点研究基地2008年度重大项冃“我国经济周期波动态势与宏观经济总量内在关联机制的动态计量研究"(08JJD790133)；吉林大学“211工程”和“985工程”建设项目资助。作者：刘金全，吉林大学数量经济研究中心教授，经济学博
5、士，博士研究生导师；刘汉，吉林大学数量经济学专业博士研究生；印重，吉林大学数量经济学专业博士研究生。23程度上人为地减少了样本信息，但是由于该方法的简便易行，在实际应用中基本上都采用这种方法；而插值法在应用上相对较少，但是对该方法的研究却相当多。人们普遍认为插值法虽然能获得高频数据，但是这种高频数据一定程度上有人为构造的嫌疑，因此使用这种高频数据建模时都非常谨慎，这也是该方法在实际应用中使用较少的重要原因。混频数据模型不对混频数据做任何处理，而是充分利用原始数据的信息构建混频数据模型。当前处理混频数据的模型主要有混合数据
6、抽样(MIDAS,MixedDAtaSampling)模型和混频向量自回归移动平均(VARMA)模型。MIDAS模型是吉塞尔斯等人(Ghysels,Santa-Clara和Valkanov,2004)在分布滞后模型的基础上提出来的混合数据抽样,MIDAS模型的提出的初衷是想利用混频数据模型从高频金融数据中攫取信息来预测金融市场的波动(MIDAS在金融方面的应用如：Ghysels,Santa-Clara和Valkanov,2005；2006>Forsberg和Ghysels,2007>Chen和Ghysels,2008等等
7、)。克莱蒙茨和加维奥(Clements和Galv?o,2005)开始将MIDAS模型应用于宏观经济领域，马赛林诺和舒马赫(Marcellino和Schumacher,2007)将因了模型引入到MIDAS模型，模型的预测结果显示MIDAS模型在短期预测中表现优秀，且非限制MIDAS模型在很多实际预测中具有最佳的预测效果。克莱蒙茨和加维奥(Clements和Galv?o,2008)使用MIDAS-AR模型并运用1959年到2005年的工业产出、就业率和产能利用率这三个月度指标预测美国季度产岀增长率，结果显示MIDAS模型在宏
8、观经济总量的短期预测方面具有比较优势。霍格雷夫(Hogrefe,2008)比较了单频，混频、邹和林(Chow和Linl971)的插值法在预测美国GDP的修订数据中的优劣，研究结果认为MIDAS模型在样本外预测中表现最好。吉塞尔斯和赖特(Ghysels和Wright2009)利用MIDAS和卡尔曼滤波，利用高频日数据实
