基于线性回归的上海市GDP预测外文翻译资料

 2022-12-29 12:04:18

Forecasting Chinas GDP growth using dynamic factors and mixed-frequency data

Yu Jiang, Yongji Guo, Yihao Zhang

摘要：预测GDP增长对中国政府设定GDP增长目标是非常重要和必要的。本文试图通过对宏观经济和金融信息的有效利用来预测中国的GDP。使用动态预测器和混合频率数据的增长。首先应用动态因子模型进行选择。在大量月度宏观经济数据和日常金融数据中动态预测因素，然后是混合。采用数据抽样回归的方法，根据选择的月和日，预测季度GDP增长。预测因子。实证结果表明，使用动态预测因子和混合频率数据进行预测。与传统预测方法相比，精度更高。此外，预测与领导组合可以进一步提高预测性能。

关键词：GDP预测；数据抽样回归；动态预测器

1.介绍

经济预测，特别是经济增长预测，一直是政府的一项重要而又艰巨的任务。GDP增长预测变得更加重要。中国政府因为中国是唯一的主要经济体。为全球年度GDP增长设定刚性目标。然而,国内和国际经济形势日益严峻。2000年代以来越来越复杂。全球经济增长。继续衰退和全球金融市场的波动。比以往任何时候都更加强烈和频繁。另一方面,改革开放以来经济快速而广泛的增长。20世纪80年代，中国经济出现严重的结构性失衡。导致了过去十年持续的经济放缓。这些不确定性引起的外部冲击和内部调整?事件导致中国GDP增长的预测越来越困难。制定合理有效的GDP增长目标。需要开发和应用技术和方法。中国GDP增长的预测。GDP增长预测一直是最受欢迎的。重要的研究课题和许多预测模型。由经济学家、计量经济学家和统计学家开发。为了使准确的GDP增长预测，预测模型需要解决。在两个问题之后，合理选择预测因子和效率。利用不同频率的数据GDP增长的趋势被认为受到很多人的影响。经济变量，如宏观经济变量和金融变量。用大数据来确定GDP增长预测的预测指标。

经济变量的数量并不简单明了。股票Watson(1989, 2002)指出宏观经济波动是通过一系列经济活动转移和扩散。单一的经济变量和这样的过程是复杂的。涵盖所有宏观经济方面。因此,他们认为,宏观经济预测应充分利用经济变量包含广泛的信息，包括诸如工业产值、人均收入、贸易额、就业时间、利率、汇率、股票等主要变量。影响因素的多样性需要GDP增长预测。关注经济信息的全面和有效利用，这意味着预测者需要合理地确定使用方法。许多经济变量没有丢失这些经济变量中包含的大量信息。以萨金特的作品为基础。西姆斯(1977)、恩格尔和沃森(1981)、斯托克(2003）和沃森（2006)应用因子分析方法分解大量数据。经济变量的通用和异构的组成部分。然后从常见的因素中提取少量的共同因素。组件作为预测因子。采用因子分析方法。确定预测因子可以有效地减少数据的维数。并解决了过度拟合和过参数引起的问题。包含更多的变量，同时仍然捕获大量的变量。信息总量，避免结构不稳定。

预测(股票和Watson, 2010)。虽然可以从一个大的地方提取少量的因子。经济变量的数量作为预测指标，GDP增长预测依然。需要处理不同数据频率的问题。一般说到GDP数据每季度发布一次;价格指数的数据，消费、投资等每月发放;股票的数据市场、债券市场、期货市场等可以每天获得。传统的预测模型需要相同的数据频率。应用某些方法来传送每日和每月的数据。频率较低的季度数据，如。平均，桥接(Diron, 2008)和时间聚合。(Silvestrini Veredas,2008)。然而，这些频率的方法。转换可能导致大量信息的丢失。包含在高频数据等高频数据中，从而降低了样品的利用效率。信息在一定程度上。为避免变频的信息丢失，Ghysels。et al.(2004)开发混合数据采样(MIDAS)方法。在预测中直接使用原始的混合频率数据。没有任何人工加工的模型。大富翁的方法有与传统方法相比有以下优点。频率转换。首先，它可以充分利用高频数据。并且避免大量的样本信息丢失，从而提高。预测精度。第二，它可以执行实时预测。季度国内生产总值(GDP)增长,使用最新的显示高频菲南?脸部用的季度之间和经济数据。由于其特殊的特点，MIDAS法非常适合于基于日的GDP增长预测。金融或月度宏观经济数据(例如:Ghysels和Wright，2009;Andreou撰写et al .,2011;Frale过后,2011;刘et al .,2012;过后,莫雷蒂,2012;迪亚斯et al .,2015)。综上所述，因子分析的方法允许确定。在有限数量的因素中有效地总结了共性。影响GDP的大量经济变量的运动。增长，而MIDAS的方法可以有效利用。预测模型中不同频率的经济数据。采用这两种方法的GDP增长预测过程如下。自然两个步骤。首先，应用因子分析方法。从大量的宏观经济变量和不同数据的金融变量中提取少量因素。第二,将提取的因子作为预测因子，应用MIDAS方法。进行样本内估计和样本外预测。国内生产总值增长使用这两种方法的预测不仅需要大量的使用。大量的经济数据，但也避免了复杂和时间的计算。此外，低信息的特点。两种方法的损失均能提高预测精度。中国GDP快速增长的引擎是投资。而且从上世纪80年代以来，出口已经持续了很长时间。在1980年期间。2010年，投资和净出口增长速度快于。消费的增长，投资和网络的比例。出口占GDP的比重高于消费比重。然而，随着外部需求的持续下降。近年来，国内产能过剩变得越来越严重，中国的GDP增速一直在放缓。中国经济已经进入了“新常态”，需要进行重组和升级。国内需求，尤其是消费，逐渐开始上升。关于保持GDP增长的任务。不断进化的近年来中国的宏观经济形势意味着主要预测因子的静态选择是不合理的。预测中国GDP增长的预测指标应该是正确的。动态特性。另一方面，作为世界第二大经济体,中国GDP增长的决定因素是合并和大量的宏观经济和金融变量是否应该考虑，这意味着预测模型应该?能够处理混合频率的数据，如月度宏观经济数据和日常财务数据根据以上考虑，我们选择预测中国。使用动态因素和混合频率数据的GDP增长。提高预测精度。为了更具体，我们先应用。动态因素模型(DFM)提取少量动态。从大量的月度和每日的面板数据中得出的因素。第二,利用提取的动态因子作为预测因子，进行了样本内提取。使用混合数据抽样估计超出样本的预测。(大富翁)回归模型。第三，比较预测性能。使用不同的预测因子，引导和预测组合，并进行测试。使用动态预测GDP增长因素数据满足中国国内生产总值(GDP)的复杂和动态特性经济增长也可以综合而有效地利用。有主观干扰的数据，因此会导致。与传统预测模型相比，预测精度的提高。中国目前处于经济结构阶段。升级和经济增长模式转型。我们的预测模型将为中国政府的制定提供有益的参考。合理的经济增长目标，实施及时有效的宏观调控政策，以防止影响。经济增长的不确定性在这一关键时期。同时，本文还提供了一种实用的方法。对于一般的宏观经济预测。本文的其余部分组织如下。第二节提供了转换可能导致大量信息的丢失。本文所使用的方法的细节给出了数据的描述和动态因素的确定。在第三节。第4节报告结果和比较。不同情况下的GDP增长预测。GDP增长预测采用MIDAS回归模型对我国GDP进行预测。使用月和日预测器的增长。由于小提供的观测数据，即1 / 4的超出样本的预测。样本分为两部分;使用一个部分对DFM和MIDAS回归模型进行估计。部分用于评价预测精度。总共8个样本外。提供预测。第一个样本外预测是为。2014Q4和相应的采样周期为。在2000年第一季度和2014年第三季度。每个后续的预测都是由。将样本更新为1 / 4。最后一次的样本外预测是在2016Q3。不同的预测精度。使用根对这8个样本外的预测进行评估。平均平方误差(RMSFE)。4.1。预测使用不同的预测使用DFM获得的月和日因素为MIDAS回归模型中样本外预测的预测因子。分别在(10)和(11)中给出。季度GDP的滞后顺序。利用DFM提取的因子进行回归分析。重要的单一宏观经济和金融变量。传统的回归是通过简单地将预测器的高频数据转换为季度数据来实现的。平均每个季度的数据，然后使用OLS方法。做样本内估计和样本外预测。这是观察到的MIDAS回归的RMSFE小于传统的RMSFE。所有情况下回归。然后对西方进行研究，看看这些差异是否存在。在RMSFE中具有统计学意义。DM测试的零假设。这两种模型具有相同的预测能力。最后一列的表1报告了每种情况下DM测试的p值。结果显示几乎所有情况都拒绝零假设，这表明。使用混合频率数据的预测确实比实际情况要好。使用季度数据的传统预测。对于MIDAS回归的预测，结果见表1。预测使用月或日因素提取的预测。DFM比单一的宏观经济或更准确。金融变量,分别。表2报告了DM的结果。利用因子和单变量进行MIDAS回归测试。5结论宏观经济表现的动态，多样性的。宏观经济变量和当前经济的不确定性。形势对中国GDP的预测有很大的困难。增长。在本文中，我们试图预测中国的GDP增长。使用动态因子和混合频率数据。我们第一次使用动态因子模型提取2个月和3个日动态因子。从44个月宏观经济变量的面板数据和54个。日常金融变量。提取的月和日因子为。然后将其用作预测中国GDP增长的预测因子。数据抽样回归。实证结果显示:(1)预测。使用MIDAS回归比使用传统的预测要好。线性回归;(2)预测使用因素有较好的预测。使用单变量的精度比预测精度高;(3)预测使用有线索的因素可以提高预测准确率;(4)预测利用各种因素综合预测可以进一步改善预测。一般精度。我们的预测模型采用动态因素。而混合频率数据能够充分有效地利用宏观经济和金融信息，从而产生良好的预测的性能。我们的研究为中国政府设定GDP增长目标提供了有益的参考，尤其是在当前的关键时期。经济结构转型升级和经济增长方式转变。此外，我们的预测模型也是。为一般宏观经济提供一种有用和实用的方法。

外文文献出处：Economic Modelling 66 (2017) 132–138

附外文文献原文

1. Introduction

Macroeconomic forecast, especially GDP growth forecast, has always been an important yet difficult task for the government of a country. GDP growth forecast becomes even more important for Chinese government because China is the only major economy that sets rigid target for annual GDP growth in the world.1 However, the domestic and international economic situation has been becoming increasingly complicated since 2000s. The global economic growth has continued to decline and the fluctuations of global financial markets have become more intense and frequent than ever. On the other hand,the rapid but extensive economic growth since the Reform and Opening in 1980s resulted in serious structural imbalances of Chinese economy which causes the continuous economic slowdown over the past decade.These uncertainties caused by external shocks and internal adjustments lead to the increasing difficulty in Chinas GDP growth forecast.To formulate more reasonable GDP growth target, rational and efficient technology and methodology need to be developed and applied to Chinas GDP growth forecast.GDP growth forecast has always been one of the most popular and important research topics and many forecasting models have been developed by economists, econometricians and statisticians. To make accurate GDP growth forecast, forecasting models need to address the following two issues, reasonable selection of predictors and efficient utilization of data with different frequencies (Koenig et al., 2003;Armesto et al., 2010; Andreou et al., 2013).The trend of GDP growth is considered to be aff

剩余内容已隐藏，支付完成后下载完整资料

Forecasting Chinas GDP growth using dynamic factors and mixed-frequency data

Yu Jiang, Yongji Guo, Yihao Zhang

摘要：预测GDP增长对中国政府设定GDP增长目标是非常重要和必要的。本文试图通过对宏观经济和金融信息的有效利用来预测中国的GDP。使用动态预测器和混合频率数据的增长。首先应用动态因子模型进行选择。在大量月度宏观经济数据和日常金融数据中动态预测因素，然后是混合。采用数据抽样回归的方法，根据选择的月和日，预测季度GDP增长。预测因子。实证结果表明，使用动态预测因子和混合频率数据进行预测。与传统预测方法相比，精度更高。此外，预测与领导组合可以进一步提高预测性能。

关键词：GDP预测；数据抽样回归；动态预测器

1.介绍

经济预测，特别是经济增长预测，一直是政府的一项重要而又艰巨的任务。GDP增长预测变得更加重要。中国政府因为中国是唯一的主要经济体。为全球年度GDP增长设定刚性目标。然而,国内和国际经济形势日益严峻。2000年代以来越来越复杂。全球经济增长。继续衰退和全球金融市场的波动。比以往任何时候都更加强烈和频繁。另一方面,改革开放以来经济快速而广泛的增长。20世纪80年代，中国经济出现严重的结构性失衡。导致了过去十年持续的经济放缓。这些不确定性引起的外部冲击和内部调整?事件导致中国GDP增长的预测越来越困难。制定合理有效的GDP增长目标。需要开发和应用技术和方法。中国GDP增长的预测。GDP增长预测一直是最受欢迎的。重要的研究课题和许多预测模型。由经济学家、计量经济学家和统计学家开发。为了使准确的GDP增长预测，预测模型需要解决。在两个问题之后，合理选择预测因子和效率。利用不同频率的数据GDP增长的趋势被认为受到很多人的影响。经济变量，如宏观经济变量和金融变量。用大数据来确定GDP增长预测的预测指标。

经济变量的数量并不简单明了。股票Watson(1989, 2002)指出宏观经济波动是通过一系列经济活动转移和扩散。单一的经济变量和这样的过程是复杂的。涵盖所有宏观经济方面。因此,他们认为,宏观经济预测应充分利用经济变量包含广泛的信息，包括诸如工业产值、人均收入、贸易额、就业时间、利率、汇率、股票等主要变量。影响因素的多样性需要GDP增长预测。关注经济信息的全面和有效利用，这意味着预测者需要合理地确定使用方法。许多经济变量没有丢失这些经济变量中包含的大量信息。以萨金特的作品为基础。西姆斯(1977)、恩格尔和沃森(1981)、斯托克(2003）和沃森（2006)应用因子分析方法分解大量数据。经济变量的通用和异构的组成部分。然后从常见的因素中提取少量的共同因素。组件作为预测因子。采用因子分析方法。确定预测因子可以有效地减少数据的维数。并解决了过度拟合和过参数引起的问题。包含更多的变量，同时仍然捕获大量的变量。信息总量，避免结构不稳定。

预测(股票和Watson, 2010)。虽然可以从一个大的地方提取少量的因子。经济变量的数量作为预测指标，GDP增长预测依然。需要处理不同数据频率的问题。一般说到GDP数据每季度发布一次;价格指数的数据，消费、投资等每月发放;股票的数据市场、债券市场、期货市场等可以每天获得。传统的预测模型需要相同的数据频率。应用某些方法来传送每日和每月的数据。频率较低的季度数据，如。平均，桥接(Diron, 2008)和时间聚合。(Silvestrini Veredas,2008)。然而，这些频率的方法。转换可能导致大量信息的丢失。包含在高频数据等高频数据中，从而降低了样品的利用效率。信息在一定程度上。为避免变频的信息丢失，Ghysels。et al.(2004)开发混合数据采样(MIDAS)方法。在预测中直接使用原始的混合频率数据。没有任何人工加工的模型。大富翁的方法有与传统方法相比有以下优点。频率转换。首先，它可以充分利用高频数据。并且避免大量的样本信息丢失，从而提高。预测精度。第二，它可以执行实时预测。季度国内生产总值(GDP)增长,使用最新的显示高频菲南?脸部用的季度之间和经济数据。由于其特殊的特点，MIDAS法非常适合于基于日的GDP增长预测。金融或月度宏观经济数据(例如:Ghysels和Wright，2009;Andreou撰写et al .,2011;Frale过后,2011;刘et al .,2012;过后,莫雷蒂,2012;迪亚斯et al .,2015)。综上所述，因子分析的方法允许确定。在有限数量的因素中有效地总结了共性。影响GDP的大量经济变量的运动。增长，而MIDAS的方法可以有效利用。预测模型中不同频率的经济数据。采用这两种方法的GDP增长预测过程如下。自然两个步骤。首先，应用因子分析方法。从大量的宏观经济变量和不同数据的金融变量中提取少量因素。第二,将提取的因子作为预测因子，应用MIDAS方法。进行样本内估计和样本外预测。国内生产总值增长使用这两种方法的预测不仅需要大量的使用。大量的经济数据，但也避免了复杂和时间的计算。此外，低信息的特点。两种方法的损失均能提高预测精度。中国GDP快速增长的引擎是投资。而且从上世纪80年代以来，出口已经持续了很长时间。在1980年期间。2010年，投资和净出口增长速度快于。消费的增长，投资和网络的比例。出口占GDP的比重高于消费比重。然而，随着外部需求的持续下降。近年来，国内产能过剩变得越来越严重，中国的GDP增速一直在放缓。中国经济已经进入了“新常态”，需要进行重组和升级。国内需求，尤其是消费，逐渐开始上升。关于保持GDP增长的任务。不断进化的近年来中国的宏观经济形势意味着主要预测因子的静态选择是不合理的。预测中国GDP增长的预测指标应该是正确的。动态特性。另一方面，作为世界第二大经济体,中国GDP增长的决定因素是合并和大量的宏观经济和金融变量是否应该考虑，这意味着预测模型应该?能够处理混合频率的数据，如月度宏观经济数据和日常财务数据根据以上考虑，我们选择预测中国。使用动态因素和混合频率数据的GDP增长。提高预测精度。为了更具体，我们先应用。动态因素模型(DFM)提取少量动态。从大量的月度和每日的面板数据中得出的因素。第二,利用提取的动态因子作为预测因子，进行了样本内提取。使用混合数据抽样估计超出样本的预测。(大富翁)回归模型。第三，比较预测性能。使用不同的预测因子，引导和预测组合，并进行测试。使用动态预测GDP增长因素数据满足中国国内生产总值(GDP)的复杂和动态特性经济增长也可以综合而有效地利用。有主观干扰的数据，因此会导致。与传统预测模型相比，预测精度的提高。中国目前处于经济结构阶段。升级和经济增长模式转型。我们的预测模型将为中国政府的制定提供有益的参考。合理的经济增长目标，实施及时有效的宏观调控政策，以防止影响。经济增长的不确定性在这一关键时期。同时，本文还提供了一种实用的方法。对于一般的宏观经济预测。本文的其余部分组织如下。第二节提供了转换可能导致大量信息的丢失。本文所使用的方法的细节给出了数据的描述和动态因素的确定。在第三节。第4节报告结果和比较。不同情况下的GDP增长预测。GDP增长预测采用MIDAS回归模型对我国GDP进行预测。使用月和日预测器的增长。由于小提供的观测数据，即1 / 4的超出样本的预测。样本分为两部分;使用一个部分对DFM和MIDAS回归模型进行估计。部分用于评价预测精度。总共8个样本外。提供预测。第一个样本外预测是为。2014Q4和相应的采样周期为。在2000年第一季度和2014年第三季度。每个后续的预测都是由。将样本更新为1 / 4。最后一次的样本外预测是在2016Q3。不同的预测精度。使用根对这8个样本外的预测进行评估。平均平方误差(RMSFE)。4.1。预测使用不同的预测使用DFM获得的月和日因素为MIDAS回归模型中样本外预测的预测因子。分别在(10)和(11)中给出。季度GDP的滞后顺序。利用DFM提取的因子进行回归分析。重要的单一宏观经济和金融变量。传统的回归是通过简单地将预测器的高频数据转换为季度数据来实现的。平均每个季度的数据，然后使用OLS方法。做样本内估计和样本外预测。这是观察到的MIDAS回归的RMSFE小于传统的RMSFE。所有情况下回归。然后对西方进行研究，看看这些差异是否存在。在RMSFE中具有统计学意义。DM测试的零假设。这两种模型具有相同的预测能力。最后一列的表1报告了每种情况下DM测试的p值。结果显示几乎所有情况都拒绝零假设，这表明。使用混合频率数据的预测确实比实际情况要好。使用季度数据的传统预测。对于MIDAS回归的预测，结果见表1。预测使用月或日因素提取的预测。DFM比单一的宏观经济或更准确。金融变量,分别。表2报告了DM的结果。利用因子和单变量进行MIDAS回归测试。5结论宏观经济表现的动态，多样性的。宏观经济变量和当前经济的不确定性。形势对中国GDP的预测有很大的困难。增长。在本文中，我们试图预测中国的GDP增长。使用动态因子和混合频率数据。我们第一次使用动态因子模型提取2个月和3个日动态因子。从44个月宏观经济变量的面板数据和54个。日常金融变量。提取的月和日因子为。然后将其用作预测中国GDP增长的预测因子。数据抽样回归。实证结果显示:(1)预测。使用MIDAS回归比使用传统的预测要好。线性回归;(2)预测使用因素有较好的预测。使用单变量的精度比预测精度高;(3)预测使用有线索的因素可以提高预测准确率;(4)预测利用各种因素综合预测可以进一步改善预测。一般精度。我们的预测模型采用动态因素。而混合频率数据能够充分有效地利用宏观经济和金融信息，从而产生良好的预测的性能。我们的研究为中国政府设定GDP增长目标提供了有益的参考，尤其是在当前的关键时期。经济结构转型升级和经济增长方式转变。此外，我们的预测模型也是。为一般宏观经济提供一种有用和实用的方法。

外文文献出处：Economic Modelling 66 (2017) 132–138

附外文文献原文

1. Introduction

Macroeconomic forecast, especially GDP growth forecast, has always been an important yet difficult task for the government of a country. GDP growth forecast becomes even more important for Chinese government because China is the only major economy that sets rigid target for annual GDP growth in the world.1 However, the domestic and international economic situation has been becoming increasingly complicated since 2000s. The global economic growth has continued to decline and the fluctuations of global financial markets have become more intense and frequent than ever. On the other hand,the rapid but extensive economic growth since the Reform and Opening in 1980s resulted in serious structural imbalances of Chinese economy which causes the continuous economic slowdown over the past decade.These uncertainties caused by external shocks and internal adjustments lead to the increasing difficulty in Chinas GDP growth forecast.To formulate more reasonable GDP growth target, rational and efficient technology and methodology need to be developed and applied to Chinas GDP growth forecast.GDP growth forecast has always been one of the most popular and important research topics and many forecasting models have been developed by economists, econometricians and statisticians. To make accurate GDP growth forecast, forecasting models need to address the following two issues, reasonable selection of predictors and efficient utilization of data with different frequencies (Koenig et al., 2003;Armesto et al., 2010; Andreou et al., 2013).The trend of GDP growth is considered to be aff

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[279812]，资料为PDF文档或Word文档，PDF文档可免费转换为Word

原文和译文剩余内容已隐藏，您需要先支付 30元 才能查看原文和译文全部内容！立即支付

以上是毕业论文外文翻译，课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。

您可能感兴趣的文章