省略__基于混频数据预测模型的实证研究_刘汉.pdf

《省略__基于混频数据预测模型的实证研究_刘汉.pdf》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、刘汉、刘金全:中国宏观经济总量的实时预报与短期预测*中国宏观经济总量的实时预报与短期预测———基于混频数据预测模型的实证研究刘汉刘金全内容提要:季度GDP的走势与波动不仅会影响政府的财政收支、企业的盈利和财务状况，甚至还会影响家庭和个人的收入与支出，是宏观经济总量预报、预测与分析的重中之重。传统的宏观经济总量预测模型是基于同频数据进行的，高频和超高频数据必需处理为低频数据，这不仅忽略了高频数据信息的变化，还影响了模型预报和预测的及时性，降低了模型的预测精度。本文将混合数据抽样模型(MIDAS)用于中国季度GDP的预报和

2、预测，实证研究表明，出口是造成我国金融危机时期经济增长减速的主要因素，MIDAS模型在中国宏观经济总量的短期预测方面具有精确性的比较优势，在实时预报方面具有显著的可行性和时效性。关键词:混频数据MIDAS模型GDP实时预报短期预测时效性一、引言我国实行改革开放政策以来，经济体制逐步由计划经济向社会主义市场经济体制过渡，经济经历了奇迹般的增长，尤其是1992年“南方谈话”以后，我国的改革进一步深入，市场化水平不断地提高，经济实现了高位平滑化的可持续发展(刘树成等，2005)，然而2008年开始的金融危机打破了我国经济增长

3、的大好形势，经济增长率一度降到6.5%。如何有效避免外来冲击给我国经济增长带来的下行风险，实现经济“又好又快”增长呢?这就需要对宏观经济总量进行实时预报和短期预测来有效防范各种冲击给我国经济增长带来的不确定性，为宏观经济调控提供决策支持，做到防患于未然。但是，宏观经济分析和预测模型多是年度模型(如国家信息中心的“中国宏观经济模型”(ProjectLINK)①、中国社会科学院数量经济与技术经济研究所和国家统计局综合司共同研制的“中国宏观经济年度模型”②等等)，而宏观经济政策的决策过程需要收集当前经济状态的信息(包括一切能

4、够获得的非完整信息和对未来宏观经济的预测)对未来经济状况进行实时预报，甚至超前预测(Giannoneetal.，2008)。此外，宏观经济数据的公布都具有一定的时滞性，因此预报和预测当季和未来几个季度的主要宏观经济变量(例如GDP增长率)就越发显得重要。目前，季度GDP增长率的预测大都使用一些简单的“桥接方程”将季度内的月度信息进行“桥接”，从而获得季度GDP的预测值(Baffigietal.，2004;Diron，2008)。我国季度GDP增长率的预*刘汉、刘金全，吉林大学数量经济研究中心，邮政编码:130012，电

5、子信箱:jluliuhan@gmail.com，jqliu1964@yahoo.com.cn。本研究得到国家社会科学基金重大项目(10ZD＆006)、国家自然科学基金(70971055)资助。作者感谢匿名审稿人提出的宝贵意见，并感谢英国华威大学MikeClements教授、伦敦大学AnaBeatrizGalvo教授对本文的帮助，但文责自负。①该模型为联合国世界计量经济联接模型系统中的中国宏观计量经济模型(1997年版)，是按照凯恩斯的国民收入决定理论并结合我国经济运行特点，在国民核算体系下建立的以需求为导向的年度宏观

6、计量经济模型(王慧炯等，1999，第14页)。②该模型主要用于春秋两季定期举行的经济形势分析与预测工作会议，是目前最具影响力的模型之一(王慧炯等，1993，第41页)。42011年第3期测模型主要有:中国社会科学院数量经济与技术经济研究所开发的“中国季度宏观经济计量协整模型”、中国人民银行的“季度计量经济模型”、何新华等(2005)的“中国宏观经济季度模型”(China-QEM)，厦门大学的“中国季度宏观经济模型”(CQMM)等等。①但是，受样本数据量的限制，这些基于非结构式技术构建的模型往往不稳定，而且由于中国经济发

7、生了较大的结构性变动，使得中国数据难以适用非结构式的建模技术(厦门大学宏观经济研究中心课题组，2007)。此外，以上大型的宏观经济模型对我国宏观经济总量的预测主要使用低频数据，虽然近年开始转向季度宏观经济模型的构建，但是由于基础数据的严重缺乏，这些模型在利用高频数据方面，常常通过估算的方法对年度数据进行拆分，或将高频的月度数据加总为季度数据，然后应用同频数据的计量模型对宏观经济总量进行分析和预测。Ghyselsetal.(2004)提出的混频数据建模(以下简称MIDAS)方法很好地解决了数据不同频时模型的估计与预测问题

8、，可以实现利用高频的经济金融数据来实现对中国宏观经济总量的预报②和预测③。MIDAS建模方法在宏观经济预报和预测中主要有两个方面的优势:第一，它能够直接利用高频数据的信息，避免了因数据同频处理过程中所引起的全样本信息的损失和人为信息的虚增，从而增强了宏观经济预测的准确性(Clements＆Galvo，2008;刘金全等，2010