利用多变量动态马尔科夫转移因子模型对经济周期波动经验研究(研究中心).docVIP

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* 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：本文多变量动态马尔科夫转移因子模型宏观经济多变量动态马尔科夫转移因子模型多变量动态马尔科夫转移因子模型 关键字：经济周期协同运动非对称局面转移模型动态因子模型 宏观经济 二、MS-SW模型描述 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） 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滤波来期累计后，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，可以得到各期状态的统计推断概率。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 probability)，记为、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： 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