大维变量选择、混频因子模型与新冠肺炎疫情冲击下的GDP现时预测

新冠肺炎疫情不仅对我国宏观经济造成了巨大冲击,也为准确预测我国宏观经济未来走势带来挑战。本文从新冠肺炎疫情冲击出发,将模型置信集检验与U-MIDAS模型组合,设计了一种在混频情形下利用预测变量的异质性波动从大维数据集中选取对GDP具有稳定预测效果变量的方法。通过利用选取出的稳定性变量构建多种形式的混频目标因子模型并与其他类型的混频因子模型对比,全面评估了不同模型在疫情前后对GDP进行高频现时预测的效果。研究发现,在疫情冲击前的平稳时期,利用覆盖范围较广的变量构建双因子MIDAS模型预测效果最优;利用稳定性变量构建的单因子U-MIDAS模型同样具有良好的预测效果。当经济从冲击中持续恢复时,利用部分稳定性变量构建的双因子U-MIDAS模型在捕捉到GDP的核心变化后率先对其连续做出准确的现时预测。经济稳定时,对预测变量设定较长的滞后阶数会提升预测效果;在冲击后的恢复期中则应减少滞后阶数,避免变量在冲击中出现的异常值对预测产生负面影响。本文也为当经济受到巨大外生冲击或处于冲击后的恢复期时其他宏观经济指标的预测提供了有价值的参考。     

基于混频数据的宏观经济组合预测模型与实证

文章利用我国日度金融数据和月/季度宏观经济数据,从伪样本外预测的角度,构建混频数据抽样模型(MIDAS),并加入金融、经济领先因子,对比四类组合预测模型对宏观经济的预测精度。结果显示:组合预测模型能减少对宏观经济预测的系统误差,提高预测精度。其中,日度金融数据可以提高单变量的预测精度;无论在MIDAS还是在传统预测模型中,月/季度宏观经济数据均能提高对宏观经济的预测精度;月/季度宏观经济数据对宏观经济的预测效果与日度金融数据对宏观经济的预测效果相当,甚至优于日度金融数据对宏观经济的预测效果;月/季度宏观经济数据的领先项对我国宏观经济的预测效果较好。     

基于投资混频数据的中国经济波动预测

文章基于投资与经济波动之间的相关关系,充分体现统计调查数据和网络搜索数据的优势,利用两种数据对中国宏观经济波动进行研究。针对混频数据的特点和深度学习算法的优势,提出了融合混频数据和深度学习的宏观经济预测方法。首先,考虑到政府统计调查数据与经济波动的强相关性,选取政府投资统计月度指标合成投资统计指数;然后,结合网络搜索数据的时效性和高频性,选取与投资相关关键词的百度指数日度数据合成投资网络搜索指数;最后,构建多源混频数据长短期记忆神经网络模型（MM-LSTM）,利用中国2011—2022年的相关数据进行实证研究,并考察模型的精度与时效性。结果表明,投资相关指标与中国GDP增长率之间存在正向关系;网络搜索数据的加入有助于提升宏观经济预测的精度;MM-LSTM模型提高了短期和中期的预测精度,具备提前预测能力,可为相关部门提供决策依据。     

大维不可观测变量的中国宏观经济不确定性测度研究

本文提出利用大型统计数据直接测算中国宏观经济不确定性的方法。通过建立含有潜在不可观测变量的混频动态因子随机波动模型,实现利用月度和季度大型数据测度宏观经济不确定性。利用1994—2017年中国60个月度统计指标和4个季度统计指标,测算了我国宏观经济不确定性,结果表明:（1）中国宏观经济不确定性具有明显的阶段性特征,不确定性的变动受到多种因素的影响,传统的景气监测指标并不是一致最优的同步监测指标。（2）在测算宏观经济不确定性时,有必要将核心指标作为观测到的因子予以保留,不仅提高了结果的解释性,也能得到更符合经济事实的结果。（3）宏观政策变动是引起经济不确定性上升的重要因素,但政策的影响往往具有滞后效应,未预期的政策变动将触发更高的宏观经济不确定。     

宏观经济预测中的理性和判断作用

在宏观经济预测中,不能仅仅依赖于估计模型,在作出最后的预测之前,判断调整在模型预测中发挥着重要的作用。预测者的判断力度,既反映了模型的特征和模型所有人的技术,也可以提高预测精度。一、判断的作用：截断修正预测期间,我们把判断的作用与模型的平均误差联系起来,对固定期或模型方程进行截断而作出判断,称之为截断修正。不考虑建立在未来的外生变量的判断问题。截断修正通常被划分为两大类：1．说明没有明确结合在模型规划中的未来预期事件的影响;2．注入在明显地以非常规模型或以非稳定的未知信息为基础的未来过去误差,仍被…     

基于混频模型的CPI短期预测研究

传统的CPI预测模型都是基于相同频率的月度数据,金融市场的高频日度数据需要转化为月度数据才能使用。这会忽略日度变量所包含的CPI短期走势信息。为充分利用这些信息,本文基于自回归混频数据抽样模型同时考察了金融市场一阶矩收益和二阶矩波动的日度信息对CPI的短期走势预测的影响。结果表明,股票收益、短期利率和长短期利差变化量仅在收益水平上对CPI短期走势产生影响,而长期利率、粮食和能源商品市场的收益和波动都有助于CPI短期预测,而且收益对CPI的影响要比波动更加持久。相对于传统的月度时间序列建模方法,本文的混频CPI模型具有更好的样本内解释能力和样本外预测能力。另外,引入二阶矩波动的日度信息在一定程度上能更多地降低预测偏差。     

关于中国五大宏观经济变量的实证分析

文章选取了国内生产总值增长率、通货膨胀率、登记失业率、就业增长率和名义工资增长率这五大宏观经济变量,绘制了三条菲利普斯曲线以及对应的"就业-工资"、"就业-通胀"和"就业-GDP"三条曲线,并且运用EVIEWS软件对1984-2004年的数据分区间进行模拟,进一步揭示了几个变量之间的关系,针对我国当前宏观形势提出了几点建议。     

基于滑动窗口的区间值部分可加线性模型的宏观经济预测

针对区间型数据,文章在部分线性模型的基础上结合可加模型并引入滑动窗口模型,提出了基于滑动窗口的中点、极差部分可加线性模型,融合了半参数回归和滑动窗口模型的优点,同时又避免了维数灾难。依据交叉熵准则确定了滑动窗口的期数,并基于最小二乘法及核估计方法给出了模型参数和未知函数估计的迭代算法。在实证分析中,通过引入若干金融指标,对宏观经济进行预测。结果表明,改进模型优于传统回归模型。     

基于优化灰色模型的中国宏观经济发展预测

根据<中国统计年鉴-2007>和中华人民共和国2007年国民经济和社会发展统计公报等最新统计资料,通过筛选建立对数新发展系数优化灰色模型,对2008～2012年中国宏观经济发展进行实证分析和预测研究.结果表明:2008年我国GDP将达到286950.1亿元,到2010年中国GDP将达390645.9亿元,约为2000年的3.94倍,十一五规划的预期目标可望顺利实现.     

高维面板数据降维与变量选择方法研究

从介绍高维面板数据的一般特征入手,在总结高维面板数据在实际应用中所表现出的各种不同类型及其研究理论与方法的同时,主要介绍高维面板数据因子模型和混合效应模型;对混合效应模型随机效应和边际效应中的高维协方差矩阵以及经济数据中出现的多指标大维数据的研究进展进行述评;针对高维面板数据未来的发展方向、理论与应用中尚待解决的一些关键问题进行分析与展望。     

论资源再生的宏观经济效应

 本文利用Keynesian乘数模型作为基本理论框架来评估增加资源再生利用率对国内生产总值和就业的潜在宏观经济影响。模型证明，资源再生过程能显著改善宏观经济变量，循环利用的实施程度越大对宏观经济变量的影响越大。最后用中国的数据对宏观经济效应进行了模拟分析。     

Revisiting the transitional dynamics of business cycle phases with mixed-frequency data

This paper introduces a Markov-switching model in which transition probabilities depend on higher frequency indicators and their lags through polynomial weighting schemes. The MSV-MIDAS model is estimated through maximum likelihood (ML) methods with a slightly modified version of Hamilton’s filter. Monte Carlo simulations show that ML provides accurate estimates, but they suggest some caution in interpreting the tests of the parameters in the transition probabilities. We apply this new model to forecast business cycle turning points in the United States. We properly detect recessions by exploiting the link between GDP growth and higher frequency variables from financial and energy markets.     

变量选择方法及其在健康食品市场研究中的应用探究

数据挖掘是在大数据中提取客观规律的方法与艺术,如何准确与快速地提取合适的特征变量是其研究的关键问题之一。在模拟分析比较各种数据挖掘算法和提取变量效果的基础上,通过对健康食品市场进行实证研究,指出目前数据挖掘算法存在的不足及发展前景。     

多图模型及其在宏观经济指标相关分析中的应用

多图模型表示来自于不同类的同一组随机变量间的相关关系,结点表示随机变量,边表示变量之间的直接联系,各类的图模型反映了各自相关结构特征和类间共同的信息。用多图模型联合估计方法,将来自不同个体的数据按其特征分类,假设每类中各变量间的相依结构服从同一个高斯图模型,应用组Lasso方法和图Lasso方法联合估计每类的图模型结构。数值模拟验证了多图模型联合估计方法的有效性。用多图模型和联合估计方法对中国15个省份13个宏观经济指标进行相依结构分析,结果表明,不同经济发展水平省份的宏观经济变量间存在共同的相关联系,反映了中国现阶段经济发展的特征;每一类的相关结构反映了各类省份经济发展独有的特征。     

Nowcasting GDP in Real Time: A Density Combination Approach

In this article, we use U.S. real-time data to produce combined density nowcasts of quarterly Gross Domestic Product (GDP) growth, using a system of three commonly used model classes. We update the density nowcast for every new data release throughout the quarter, and highlight the importance of new information for nowcasting. Our results show that the logarithmic score of the predictive densities for U.S. GDP growth increase almost monotonically, as new information arrives during the quarter. While the ranking of the model classes changes during the quarter, the combined density nowcasts always perform well relative to the model classes in terms of both logarithmic scores and calibration tests. The density combination approach is superior to a simple model selection strategy and also performs better in terms of point forecast evaluation than standard point forecast combinations.     

A model selection criterion for clustered survival analysis with informative cluster size

We propose a model selection criterion for correlated survival data when the cluster size is informative to the outcome. This approach, called Resampling Cluster Survival Information Criterion (RCSIC), uses the Cox proportional hazards model that is weighted with the inverse of the cluster size. The RCSIC based on the within-cluster resampling idea takes into account the possible variability of the within-cluster subsampling and the possible informativeness of cluster sizes. The RCSIC allows for easy execution for the within-cluster resampling idea without a large number of resamples of the data. In contrast with the traditional model selection method in survival analysis, the RCSIC has an additional penalization for the within-cluster subsampling variability. Our simulations show the satisfactory results where the RCSIC provides a more robust power for variable selection in terms of clustered survival analysis, regardless of whether informative cluster size exists or not. Applying the RCSIC method to a periodontal disease studies, we identify the tooth loss in patients associated with the risk factors, Age, Filled Tooth, Molar, Crown, Decayed Tooth, and Smoking Status, respectively.     

典型相关分析的延拓研究

在典型相关分析中,求得典型相关变量的表达式并没有全部完成任务,例如需要确定典型相关变量的个数和变量选择。针对典型相关变量的个数问题,发现了常用的卡方检验和冗余分析方法的不足,进而提出了一种新的算法。针对原始变量的选择问题,提出了三种可能的路径。最后利用人体尺寸数据对相关结论进行了验证。     

Variable selection for longitudinal data with high-dimensional covariates and dropouts

A new variable selection approach utilizing penalized estimating equations is developed for high-dimensional longitudinal data with dropouts under a missing at random (MAR) mechanism. The proposed method is based on the best linear approximation of efficient scores from the full dataset and does not need to specify a separate model for the missing or imputation process. The coordinate descent algorithm is adopted to implement the proposed method and is computational feasible and stable. The oracle property is established and extensive simulation studies show that the performance of the proposed variable selection method is much better than that of penalized estimating equations dealing with complete data which do not account for the MAR mechanism. In the end, the proposed method is applied to a Lifestyle Education for Activity and Nutrition study and the interaction effect between intervention and time is identified, which is consistent with previous findings.     

A High‐dimensional Focused Information Criterion

The focused information criterion for model selection is constructed to select the model that best estimates a particular quantity of interest, the focus, in terms of mean squared error. We extend this focused selection process to the high‐dimensional regression setting with potentially a larger number of parameters than the size of the sample. We distinguish two cases: (i) the case where the considered submodel is of low dimension and (ii) the case where it is of high dimension. In the former case, we obtain an alternative expression of the low‐dimensional focused information criterion that can directly be applied. In the latter case, we use a desparsified estimator that allows us to derive the mean squared error of the focus estimator. We illustrate the performance of the high‐dimensional focused information criterion with a numerical study and a real dataset.