Ссылки на опережающие, запаздывающие и совпадающие экономические показатели

Читая о макроэкономике, я обнаружил много информации о опережающих, запаздывающих и совпадающих показателях. Я хотел бы узнать больше, особенно информацию, связанную с измерениями.

По большей части, в книгах, которые я читал, индикаторы изображены вместе с побочными изменениями в экономике. Я полагаю, что экономисты не просто составляют график и визуально проверяют, являются ли они (1) индикаторами и (2) ли они опережают, отстают или совпадают и т. Д.

Какие есть статьи / тексты, в которых обсуждаются статистические методы выявления и измерения экономических показателей?

Тексты Вулдриджа являются частью большинства эконометрических исследований в США. Они есть:

• Вводная эконометрика: современный подход, 6-е издание

• Эконометрический анализ данных поперечного сечения и панелей, 2-е издание

Я бы начал с первого, если у вас нет формального обучения статистике.

Надеюсь это поможет,

Джастин

эконометрика макроэкономическая статистика р

ОБНОВЛЕННЫЕ ПРИМЕРЫ: из ВСТУПИТЕЛЬНОЙ ЭКОНОМЕТРИКИ Джеффри М. Вулдриджем

В то время как мои предлагаемые тексты об эконометрике были понижены, ниже приводится доказательство того, как в упомянутом учебнике показано, как экономисты могут использовать статистические методы для выявления и измерения опережающих, отстающих и совпадающих отношений между экономическими показателями.

Первые примеры взяты из главы 16 об одновременных уравнениях. Примеры 16.4и 16.6иллюстрации, как использовать инструментальную регрессию с переменным двухстадийным методом наименьших квадратов для определения и измерения совпадающих экономических показателей. В этом случае, как годовая инфляция падает примерно на 1/3 процента на каждый 1-процентный рост доли импорта в ВВП.

Второй является примером 18.8текста и иллюстрирует, как методы авторегрессивного и векторного авторегрессивного временных рядов$AR(1)$$VAR(1)$ можно использовать для выявления и измерения межвременных отношений между экономическими показателями в попытке прогнозировать будущий уровень безработицы с использованием сегодняшняя безработица и уровень инфляции.

Example 16.4: ИНФЛЯЦИЯ И ОТКРЫТОСТЬ

«Ромер (1993) предлагает теоретические модели инфляции, которые предполагают, что более« открытые »страны должны иметь более низкие темпы инфляции. Его эмпирический анализ объясняет среднегодовые темпы инфляции (с 1973 года) с точки зрения средней доли импорта в валовом внутреннем продукте с 1973 года». - это его мера открытости. В дополнение к оценке ключевого уравнения с помощью OLS он использует инструментальные переменные. Хотя Ромер не задает оба уравнения в одновременной системе, он имеет в виду систему из двух уравнений: "

$$inf = \beta_{10} + \alpha_1open + \beta_{11}log(pcinc) + \mu_1$$

$$open = \beta_{20} + \alpha_2inf + \beta_{21}log(pcinc) + \beta_{22}log(land) + \mu_2$$

«где - это доход на душу населения в 1980 году в долларах США, который считается экзогенным, а - это площадь страны в квадратных милях, также предполагаемая как экзогенная. Первое уравнение представляет собой интересное с гипотезой о том, что . Более открытая экономика имеет более низкий уровень инфляции. "$pcinc$$land$$\alpha < 0$

«Второе уравнение отражает тот факт, что степень открытости может зависеть от среднего уровня инфляции, а также от других факторов. Переменная появляется в обоих уравнениях, но предполагается , что появляется только во втором Уравнение. Идея состоит в том, что при прочих равных условиях меньшая страна, вероятно, будет более открытой, поэтому . "$log(pcinc)$$log(land)$$\beta_{22} < 0$

«Используя правило идентификации, которое было указано ранее, первое уравнение идентифицируется при условии, что Второе уравнение идентифицировано, поскольку оно содержит обе экзогенные переменные. Будь мы заинтересованы в первом уравнении.$\beta_{22} \ne 0$$not$

Example 16.6: ИНФЛЯЦИЯ И ОТКРЫТОСТЬ

«Прежде чем мы оценим первое уравнение в 16.4, используя данные в , мы проверяем, имеет ли достаточную частичную корреляцию с предлагаемым , . Уменьшенная регрессия формы такова:»$openness$$open$$IV$$log(land)$

$$\widehat{open} = \beta_0 + \beta_{1}log(pcinc) + \beta_{2}log(land)$$

open_model <-lm(open ~ lpcinc + lland, data = openness)
summary(open_model)
Coefficients:
        Estimate Std. Error t value Pr(>|t|)

(Intercept) 117.0845 15.8483 7.388 2.97e-11

lpcinc        0.5465     1.4932   0.366    0.715 
lland        -7.5671     0.8142  -9.294 1.51e-15

« статистика по превышает девять в абсолютном значении, что подтверждает утверждение Ромера о том, что меньшие страны более открыты. Тот факт, что настолько незначителен в этой регрессии, не имеет значения».$t$$log(land)$$log(pcinc)$

«Оценка первого уравнения с использованием в качестве для дает:»$log(land)$$IV$$open$

$$\widehat{inf} = \beta_0 + \beta_{1}open + \beta_{2}log(pcinc)$$

library(AER)
inflation_IV <- ivreg(inf ~ open + lpcinc | lpcinc + lland, data = openness)
summary(inflation_IV)

Coefficients:
        Estimate Std. Error t value Pr(>|t|)  

(Intercept) 26.8993 15.4012 1.747 0.0835 .

open         -0.3375     0.1441  -2.342   0.0210
lpcinc        0.3758     2.0151   0.187   0.8524

«Коэффициент открытия является статистически значимым на уровне примерно 1% по сравнению с односторонней альтернативой . Эффект также важен с экономической точки зрения: для каждого процентного пункта увеличения доли импорта в ВВП годовая инфляция составляет около 1 / 3 процентного пункта ниже. Для сравнения, оценка OLS составляет -0,215, . "$\alpha_1 < 0$$se = 0.095$

Example 18.8: ПРОГНОЗИРОВАНИЕ В США.

«Мы используем данные , но только за период с 1948 по 1996 год, для прогнозирования уровня безработицы среди гражданского населения США на 1997 год. Мы используем две модели. Первая - это простая модель AR (1) для :»$PHILLIPS$$unem$

$$\widehat{unemp_t} = \beta_0 + \beta_1unem_{t-1}$$

«Во второй модели мы добавляем инфляцию с отставанием в один год:»

$$\widehat{unemp_t} = \beta_0 + \beta_1unem_{t-1} + \beta_2inf_{t-1}$$

library(dynlm)
phillips <- ts(phillips, start = 1948)
unem_AR1 <- dynlm(unem ~ unem_1, data = phillips, end = 1996)
unem_inf_VAR1 <- dynlm(unem ~ unem_1 + inf_1, data = phillips, end = 1996)

stargazer(unem_AR1, unem_inf_VAR1, keep.stat=c("n","adj.rsq","ser")
=================================================================
                                 Dependent variable:             
                    ---------------------------------------------
                                        unem                     
                             (1)                    (2)          
-----------------------------------------------------------------
unem_1                     0.732                  0.647       
                           (0.097)                (0.084)        

inf_1                                             0.184       
                                                  (0.041)        

Constant                   1.572                  1.304        
                           (0.577)                (0.490)        

-----------------------------------------------------------------
Observations                  48                     48          
R2                          0.554                  0.691         
Adjusted R2                 0.544                  0.677         
Residual Std. Error    1.049 (df = 46)        0.883 (df = 45)    
F Statistic         57.132   (df = 1; 46)  50.219   (df = 2; 45)      

«Отстающий уровень инфляции очень важен во второй модели , а скорректированный R-квадрат намного выше, чем в первой. Тем не менее, это не обязательно означает, что второе уравнение даст лучший прогноз для 1997. Все, что мы можем пока сказать, это то, что, используя данные за период до 1996 года, отставание инфляции помогает объяснить изменения уровня безработицы ».$(t \approx 4.5)$

«Чтобы получить прогнозы на 1997 год, нам нужно знать и в 1996 году. Это 5,4 и 3,0 соответственно. Поэтому прогноз из первого уравнения составляет , или около Прогноз по второму уравнению равен или около . Фактический уровень безработицы среди гражданского населения в 1997 году составил , поэтому оба уравнения переоценивают фактический уровень. Второе уравнение действительно обеспечивает несколько лучший прогноз ".$unemployment$$inflation$$unem_{1997}$$1.572 + .732(5.4)$$5.52$$1.304 + 0.647(5.4) + 0.184(3.0)$$5.35$$4.9$