基于混频贝叶斯向量自回归模型的中国宏观经济数据预测

论文摘要

经济的周期性波动是宏观经济学重点研究的内容,经济指标的预测和分析为国家经济调控的决策提供重要的支持。VAR模型是宏观经济研究中最常用的模型之一,传统的VAR模型对于宏观经济进行研究时,往往将月度数据直接加总为季度数据或年度数据,然后利用只含有季度数据或年度数据的VAR模型对宏观经济指标进行预测和分析。这样对月度数据的简单加总,导致了高频数据信息的丢失。为了充分利用高频的月度数据信息,使得对国家宏观经济指标的预测和分析更加准确,本文将低频数据看做高频数据有间隔的缺失,建立状态空间模型,以每期可实际观测到的低频季度数据和高频月度数据作为观测变量,以各变量的潜在月度数据作为状态变量,将混合频率的VAR模型作为状态空间模型的状态方程,将状态变量与观测变量之间的对应关系作为状态空间模型的测量方程。为了克服VAR模型参数过多所带来的问题,论文采用基于Minnesota先验的贝叶斯估计方法,得到VAR模型各参数的后验分布,采用基于卡尔曼滤波与卡尔曼平滑的方法,得到潜在状态变量的后验分布。然后根据VAR模型参数的后验分布与潜在状态变量的后验分布,采用Gibbs抽样的方法,得到VAR模型和状态变量的估计,从而对国家宏观经济数据进行预测和分析。在实证部分,本文将混合频率的贝叶斯向量自回归模型（MF-BVAR）用于预测中国季度GDP增长率,主要有如下三个发现:（1）发现在实际GDP增长率处于增长、下降、平稳的情形下,混频贝叶斯向量自回归模型预测效果均表现良好。（2）月度数据的增加,能显著提升贝叶斯向量自回归对于中国季度GDP增长率预测的准确性,这就反映出混频数据模型的优势所在。（3）混频贝叶斯向量自回归模型预测效果显著优于另一常用的混频数据模型U-MIDAS模型。

论文目录

• 摘要
• Abstract
• 1 绪论
•   1.1 选题背景及研究意义
•   1.2 文章方法及框架
•     1.2.1 文章方法
•     1.2.2 文章框架
•   1.3 文章的创新之处
• 2 文献综述
•   2.1 混频数据模型（MF）
•   2.2 贝叶斯向量自回归模型（BVAR）
•   2.3 混频贝叶斯向量自回归模型（MF-BVAR）
• 3 计量模型的构建及估计
•   3.1 混频数据
•   3.2 状态空间模型
•     3.2.1 状态方程
•     3.2.2 测量方程
•   3.3 卡尔曼滤波
•     3.3.1 直观介绍
•     3.3.2 数学推导
•   3.4 贝叶斯方法
•     3.4.1 Minnesota先验
•     3.4.2 后验分布
•   3.5 吉布斯采样
• 4 实证分析
•   4.1 数据结构与类型
•   4.2 超参数选择
•   4.3 MF-BVAR预测结果
•   4.4 MF-BVAR与 MIDAS预测效果对比
• 5 总结
•   5.1 研究结论
•   5.2 创新与不足
• 6 致谢
• 7 参考文献
• 8 附录
•   8.1 攻读硕士学位期间的研究成果
•   8.2 MF-BVAR与 MIDAS预测结果（RMSE）对比

文章来源

类型: 硕士论文

作者: 邹俊杰

导师: 陈非

关键词: 混频数据,状态空间模型,贝叶斯,向量自回归,卡尔曼滤波,吉布斯采样

来源: 华中科技大学

年度: 2019

分类: 基础科学,经济与管理科学

专业: 数学,宏观经济管理与可持续发展,经济体制改革

单位: 华中科技大学

分类号: F124;F224

DOI: 10.27157/d.cnki.ghzku.2019.001617

总页数: 52

文件大小: 2014K

下载量: 210