共计 3760 个字符,预计需要花费 10 分钟才能阅读完成。
全文链接:http://tecdat.cn/?p=31108
原文出处:拓端数据部落公众号
作为掂量通货膨胀的根本指标,消费者价格指数 CPI 和生产者价格指数 PPI 的作用关系与传导机制始终是宏观经济钻研的外围问题。
对此问题的钻研显然具备重要的学术价值与现实意义: 当 PPI 后行地疏导着 CPI 的变动,则意味着上游价格对上游价格具备正向传导效应,物价可能因供应因素的冲击而回升,并由此引发“老本推动型通胀”的危险,此时,通胀治理应以“供应调控”为主; 反之,当 CPI 疏导着 PPI 的变动,则意味着存在上游价格对上游价格的反向倒逼机制,物价可能因需要因素的冲击而回升,并由此引发“需要拉动型通胀”的危险,此时的通胀治理则应以“需要调控”为主。
咱们围绕因果关系测验技术进行一些征询,帮忙客户解决独特的业务问题。
数据:CPI 与 PPI 月度同比数据
读取数据
head(data)
## 当月同比 CPI PPI
## 1 36556 -0.2 0.03
## 2 36585 0.7 1.20
## 3 36616 -0.2 1.87
## 4 36646 -0.3 2.59
## 5 36677 0.1 0.67
## 6 36707 0.5 2.95
CPI 数据
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.3232 -1.2663 -0.5472 0.9925 6.3941
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.05348 0.30673 3.435 0.000731 ***
## t 0.01278 0.00280 4.564 9.05e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.1 on 187 degrees of freedom
## Multiple R-squared: 0.1002, Adjusted R-squared: 0.09543
## F-statistic: 20.83 on 1 and 187 DF, p-value: 9.055e-06
1、单位根测验
查看数据后发现须要进行节令调整
给出输入后果:
## Augmented Dickey-Fuller Test
##
## data: x
## Dickey-Fuller = -2.0274, Lag order = 0, p-value = 0.4353
## alternative hypothesis: explosive
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression trend
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 + 1 + tt)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.66698 -0.36462 0.02973 0.39311 1.97552
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.063e-01 9.513e-02 1.117 0.2653
## z.lag.1 -4.463e-02 2.201e-02 -2.027 0.0441 *
## tt 4.876e-05 8.954e-04 0.054 0.9566
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.6307 on 185 degrees of freedom
## Multiple R-squared: 0.0238, Adjusted R-squared: 0.01324
## F-statistic: 2.255 on 2 and 185 DF, p-value: 0.1077
##
##
## Value of test-statistic is: -2.0274 1.5177 2.255
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau3 -3.99 -3.43 -3.13
## phi2 6.22 4.75 4.07
## phi3 8.43 6.49 5.47
PPI 数据
## Augmented Dickey-Fuller Test
##
## data: x
## Dickey-Fuller = -1.3853, Lag order = 0, p-value = 0.1667
## alternative hypothesis: explosive
(1)若存在单位根,用差分后序列进行 2、3、4 步;
(2)若不存在单位根,就用原序列。
因而,对两个数据都进行差分。
data$CPI=c(0,diff(data$CPI))
2、测验协整关系——EG 两步法
给出输入后果
(1)若存在长期协整,用 VECM 法线性过滤,利用利用过滤后的“残差成分”再进行 3,4 步;
(2)若不存在长期协整,就不必过滤,间接进行 3、4 步。
建设长期平衡模型
## Call:
## lm(formula = PPI ~ CPI, data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.6930 -0.5071 -0.0322 0.4637 3.2085
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.03678 0.06428 -0.572 0.568
## CPI 0.54389 0.10176 5.345 2.61e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.8836 on 187 degrees of freedom
## Multiple R-squared: 0.1325, Adjusted R-squared: 0.1279
## F-statistic: 28.57 on 1 and 187 DF, p-value: 2.615e-07
绘制残差
ts.plot(residual
不存在长期协整,就不必过滤,间接进行 3、4 步
3、非线性测验——RESET 测验办法
给出输入后果
## RESET test
##
## data: data$PPI ~ data$CPI
## RESET = 0.28396, df1 = 1, df2 = 186, p-value = 0.5948
4、建设 VAR 模型、格兰杰因果测验
建设 VAR 模型给出输入后果
## $Granger
##
## Granger causality H0: CPI do not Granger-cause PPI
##
## data: VAR object var.2c
## F-Test = 5.1234, df1 = 2, df2 = 364, p-value = 0.006392
##
##
## $Instant
##
## H0: No instantaneous causality between: CPI and PPI
##
## data: VAR object var.2c
## Chi-squared = 15.015, df = 1, p-value = 0.0001067
p 值小于给定的显著性程度回绝, 个别 p 值小于 0.05, 非凡状况下能够放宽到 0.1。f 统计量大于分位点即可。个别看 p 值,F 还要查表 自己认为, 格兰杰测验次要看 P 值即可。例如, 若 P 值小于 0.1, 则回绝原假如, 变量间存在格兰杰因果关系。
最受欢迎的见解
1. 在 python 中应用 lstm 和 pytorch 进行工夫序列预测
2.python 中利用长短期记忆模型 lstm 进行工夫序列预测剖析
3.Python 用 RNN 循环神经网络:LSTM 长期记忆、GRU 门循环单元、回归和 ARIMA 对 COVID-19 新冠疫情新增人数工夫序列
4.Python TensorFlow 循环神经网络 RNN-LSTM 神经网络预测股票市场价格工夫序列和 MSE 评估准确性
5.r 语言 copulas 和金融工夫序列案例
6.R 语言用 RNN 循环神经网络、LSTM 长短期记忆网络实现工夫序列长期利率预测
7.Matlab 创立向量自回归(VAR)模型剖析消费者价格指数 (CPI) 和失业率工夫序列
8.r 语言 k -shape 工夫序列聚类办法对股票价格工夫序列聚类
9. R 语言联合新冠疫情 COVID-19 股票价格预测:ARIMA,KNN 和神经网络工夫序列剖析