本文關(guān)鍵詞：中國宏觀經(jīng)濟預(yù)警體系的評價與修正，由筆耕文化傳播整理發(fā)布。

論文資料

哈密爾頓（Hamilton1989）提出了非線性狀態(tài)轉(zhuǎn)換模型，即馬爾可夫狀態(tài)轉(zhuǎn)移模型。Markovswitchingmodel（MS）的優(yōu)點在于它考慮了總體時間序列資料可能源于不同的狀態(tài)，把可能的狀態(tài)列入模型考量時，不只能避開線型模型的過于簡單，也相當(dāng)程度地化簡非線型模型求解的困難，且更能符合實際的經(jīng)濟現(xiàn)象。馬爾可夫轉(zhuǎn)換模型自Hamilton首度提出以來，已成為研究景氣循環(huán)具有非對稱性特色的有力工具。

但SWI和MS這兩模型除了計算機成本太高外，另一缺點就是只能抓住變量之間的協(xié)同性或非線性兩特征的其中之一。為了使其能更好地解釋景氣循環(huán)的特性，后來很多學(xué)者對原始

放寬馬爾可夫狀態(tài)轉(zhuǎn)移的Markovswitchingmodel進(jìn)行了修正，

模型中移轉(zhuǎn)機率為固定的假設(shè)，使其隨時間而變異，希望藉此能夠掌握到更多的景氣循環(huán)的特性。如：馬爾可夫轉(zhuǎn)移因子模型MarkovSwitchingFactormodel（Kim，Nelson，1998）和馬爾可夫

（Krolzig，1997）。國內(nèi)學(xué)者也利向量自回歸模型MS-VARmodel

用馬爾可夫轉(zhuǎn)移因子模型構(gòu)建景氣指數(shù)（王金明，高鐵梅，2006）。這兩個模型都能夠同時處理非線性和協(xié)同變動，但缺點是計算機的成本太高。比如Kim和Nelson的4個變量的馬爾可夫轉(zhuǎn)

Krolzig的4變量移因子模型必須估計25個未知參數(shù)，

MS-VARmodel必須估計24個未知參數(shù)。而如果變量增多，參數(shù)呈指數(shù)增加將耗費巨大的計算成本，就是在目前計算機技術(shù)快速發(fā)展的時代仍需要消耗大量的CPU時間和內(nèi)存資源。只有隨著計算機技術(shù)的加速發(fā)展，該方法才會在實際中得到逐步的廣泛的應(yīng)用。

計算成本太高這一缺陷在馬可夫轉(zhuǎn)移面板模型MarkovSwitchingPanelmodel（Shyh-WeiChen2006）里得到了解決。Shyh-WeiChen利用馬可夫轉(zhuǎn)移面板模型成功預(yù)測了日本經(jīng)濟轉(zhuǎn)折點。馬爾可夫狀態(tài)轉(zhuǎn)換面板模型theMarkovSwitchingPanelmodel就是將轉(zhuǎn)換機制加入最小二乘虛擬變量模型即LSDV模型得：

Υ=Dc（j）+Xβ（j）+ε（j），使得St=j（1）

β=[β1，β2，…，βk]是一個K×1行向量，D是一個其中，

2

NT×N矩陣，x是一個T×K矩陣，ε（j）~N（0，σ（j）），未觀察到的狀態(tài)變量St遵循一階馬爾可夫鏈：

prob（St=1|St-1=1）prob（St=1|St-1=2）G=）（2

prob（St=2|St-1=1）prob（St=2|St-1=2）

當(dāng)經(jīng)濟處于未觀察到的潛在變量St在經(jīng)濟處于膨脹時值為1，

收縮時值為2，然后使用著名的Hamilton程序進(jìn)行分析。

馬可夫轉(zhuǎn)移面板模型相比是一個有較好的工具處理能力的模型，具有很高的精確性和預(yù)測功能，而且使用相對簡單，能夠保留轉(zhuǎn)移因子模型和MS-VARmodel的優(yōu)勢同時避免計算機計算成本太高的缺陷，不用再擔(dān)心變量太多而無法計算，具有很強的可操作性。

傳統(tǒng)分析方法DI、CI只考慮了數(shù)據(jù)隨時間變化的時域性特征而忽視了經(jīng)濟變量的頻域性，分析景氣循環(huán)的時間演變，在很多情況下單單分析其時域或頻域的性質(zhì)是不夠的。為了分析變量的頻域性質(zhì)，近10年來我國學(xué)者運用互譜分析方法對

時間序列進(jìn)行分析（Granger，1964）（陳磊，，2005），該方法利用Fourier變換將頻率分量分解，避免了只是將各頻率分量共同疊加的時域分析的后果。但這一方法卻忽視了時域特征，不能完成對非固定時間序列的分析。

近來國外學(xué)者已將信號處理的小波時頻分析方法廣泛用于經(jīng)濟、金融領(lǐng)域研究非平穩(wěn)時間序列（JamesB.Ramsey，1996）（SharifMd.Raihan1，YiWen，andBingZeng，2005）。小波變換這一方法是一個時間和頻率的局域變換，能有效的從信號中提取全部信息，在一般情況下，在低頻部分（信號較平穩(wěn)）可以采用較低的時間分辨率，而提高頻率的分辨率，在高頻情況下（頻率變化不大）可以用較低的頻率分辨率來換取精確的時間定位。小波變換同時考慮了時間和頻率的信息，解決了Fourier變換不能解決的許多困難問題，是分析非固定時間序列的一個強有力的工具，有助于更深入地研究時間序列的經(jīng)濟周期波動方面的特殊形態(tài)和形成機制。

近些年來有不少學(xué)者利用VAR模型、Probit模型等來分析經(jīng)濟景氣循環(huán)的轉(zhuǎn)折點。目前也有學(xué)者利用其他領(lǐng)域的方法如人工神經(jīng)網(wǎng)絡(luò)模型，灰色系統(tǒng)預(yù)測模型等來分析宏觀經(jīng)濟景氣循環(huán)的特征。

【參考文獻(xiàn)】

[1]AndresArias，GaryD.Hansen，andLeeE.Ohanian，WhyHaveBusinessCycleFluctuationsBecomeLessVolatile?NBERWorkingPaperNo.12079March2006JELNo.E3.[2]Chang-JinKim，CharlesR.Nelson，BusinessCycleTurningPoints，a

andTestsofDurationDependenceBasedonaNewCoincidentIndex，

DynamicFactorModelwithRegimeSwitching，TheReviewofEconomicsandStatistics，Vol.80，No.2.（May，1998），188-201.

Markov-switchingvectorautoregressions，modelling，[3]H.-M.Krolzig，

statisticalinferenceandapplicationtobusinesscycleanalysis，LectureNotesinEconomicsandMathematicalSystems，vol.454，Springer，Berlin，1997.

[4]Jean-PhilippeCotisandJonathanCoppel，Businesscycledynamicsin

oecdcountries：evidence，causesandpolicyimplications，ReservebankofAustraliaeconomicconference，Sydney，AustraliaJuly11-12，2005.[5][6]S.-W.Chen，MeasuringbusinesscycleturningpointsinJapanwith

theMarkovSwitchingPanelmodel，，doi：10.1016/j.matcom.2006.11.003.J.，&Watson，M.，2002，Macroeconomicforecastingusingdiffusion[6]Stock，

JournalofBusinessandEconomicStatistics，20，147-162.indexes，

[7]SharifMd.Raihan1，YiWen，andBingZeng1，2005，Wavelet：ANewToolforbusinessCycleAnalysis，WorkingPaper2005-050A，F(xiàn)EDERALRESERVEBANKOFST.LOUIS.

東北財經(jīng)大[8]陳磊.中國經(jīng)濟周期波動的測定和理論研究[M].大連：

學(xué)出版社，2005.

[9]劉樹成.中國經(jīng)濟周期研究報告[R].北京：社會科學(xué)文獻(xiàn)出版社，2006.

[10]石良平.中國宏觀經(jīng)濟預(yù)警體系的評價與修正[J].統(tǒng)計研究，

2007，（1）.

!"

Z（責(zé)任編輯：R）校對：

髒髎骳

  本文關(guān)鍵詞：中國宏觀經(jīng)濟預(yù)警體系的評價與修正，由筆耕文化傳播整理發(fā)布。