关于数据挖掘:R语言EGEngleGranger两步法协整检验RESET格兰杰因果检验VAR模型分析CPI和PPI时间序列关系

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

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

##  
## 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

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

##  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))

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。

## 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

ts.plot(residual

不存在长期协整，就不必过滤，间接进行 3、4 步

给出输入后果

##  RESET test  
##  
## data:  data$PPI ~ data$CPI  
## RESET = 0.28396, df1 = 1, df2 = 186, p-value = 0.5948

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

关于数据挖掘:R语言EGEngleGranger两步法协整检验RESET格兰杰因果检验VAR模型分析CPI和PPI时间序列关系

全文链接：http://tecdat.cn/?p=31108

原文出处：拓端数据部落公众号

读取数据

CPI 数据

1、单位根测验

PPI 数据

2、测验协整关系——EG 两步法

建设长期平衡模型

绘制残差

3、非线性测验——RESET 测验办法

4、建设 VAR 模型、格兰杰因果测验