Methods to capture recognition of the invention discloses a Chinese core CPI and abnormal point, starting from its CPI consumer price index for single residents, to build a set of random walk model, and the Bayesian algorithm, successfully avoiding subclasses of CPI weight measurement and redistribution problem, identify the long-term trends in our core CPI CPI. It clearly separated part of inflation temporarily, the model construction process is simple, clear, easy to identify the economic significance of results, easy to understand and can infer, especially with different previous domestic studies is the first abnormal event into the model, the macro economic policy to capture abnormal fluctuations in the typical facts.
【技术实现步骤摘要】
本专利技术涉及经济
,具体涉及一种中国核心CPI随机游走识别和异常点捕捉方法。
技术介绍
核心通货膨胀(CPI)能更真实地反映宏观经济运行趋势。然而,如何测算核心CPI一直备受学界和政府部门关注。从以往中国的核心CPI识别来看,简泽(2005)构建了产出和一般价格水平的两变量向量自回归SVAR模型,通过施加长期约束条件,测算中国的核心通胀率。张延群(2011)构建VAR模型进行核心CPI度量。赵昕东和汤丹(2011)根据Bryan和Cecchetti(1995)思想基于贝叶斯Gibbs-Sampler状态空间模型测算核心CPI。赵昕东(2008)、田新民和武晓(2013)、吕光明和徐曼(2014)、汤丹(2015)等序列文献均基于SVAR模型对中国核心CPI进行测算。但是存在许多问题和不足:首先是,权重调整的问题。不管是剔除法EX-CPI还是截尾均值法和加权中位数法、方差加权价格指数法,都需要将CPI子类权重重新分配,重新计算权重,而且权重还得随着时间的变化不断进行调整。对于中国而言,每五年进行一次的CPI一篮子的八大类及其子类权重大调整,而且中间可能还有其它的调整,值得关注的是2016年初国家统计局宣布对CPI分类进行包括类的合并较大调整,子分类权重重新确定,特别是食品降低居住提高,这些因素造成权重计算和子类权重再分配不确定性,其间还得考虑实际通胀受到当时居民消费水平、政策调整等诸多因素的影响,而且现阶段最为流行的剔除食品和能源的核心CPI,侯成琪和龚六堂(2013)和刘慧媛、吴开尧(2016)研究认为其对货币政策反映会造成不足或者反映过度现象来 ...
【技术保护点】
中国核心CPI随机游走识别和异常点捕捉方法,其特征在于,该方法为:首先,将总的CPI看作核心CPI和非核心CPI两部分;然后,建立数学模型,将核心CPI及其变化的波动纳入随机游走结构,非核心CPI引入异常波动事件参数;最后,利用贝叶斯MCMC方法的Gibbs抽样方法对模型内的时变参数进行识别,获得时变参数的后验概率估计值,从总的CPI中分离出核心CPI。
【技术特征摘要】
1.中国核心CPI随机游走识别和异常点捕捉方法,其特征在于,该方法为:首先,将总的CPI看作核心CPI和非核心CPI两部分;然后,建立数学模型,将核心CPI及其变化的波动纳入随机游走结构,非核心CPI引入异常波动事件参数;最后,利用贝叶斯MCMC方法的Gibbs抽样方法对模型内的时变参数进行识别,获得时变参数的后验概率估计值,从总的CPI中分离出核心CPI。2.根据权利要求1所述的中国核心CPI随机游走识别和异常点捕捉方法,其特征在于,该方法具体包括以下步骤:步骤1)将总的CPI记为CPIt,将核心CPI记为CPItcore,将非核心CPI记为CPIttemp,将总的CPI看作核心CPI和非核心CPI两部分,如式(1)所示;CPIt=CPItcore+CPIttemp(1)步骤2)考虑核心CPI的时变波动性σtcore,Δ,建立带波动变化特征的随机游走识别模型,如式(2)所示;CPItcore=CPIt-1core+σtcore,Δ×εtcore(2)式(2)中:εtcore是核心CPI序列的一个正态标准化白噪声过程;将核心CPI变化的时变波动因子σtcore,Δ的自然对数建立成带有时变波动因子υtcore,Δ的随机游走模型,如式(3)所示;logσtcore,Δ=logσt-1core,Δ+υtcore,Δ×utcore,Δ(3)式(3)中:utcore,Δ是该序列的一个正态标准化白噪声过程;步骤3)建立非核心CPI的时变波动σttemp和时变异常事件st以及随机波动εttemp的乘积效应模型,如式(4)所示;CPIttemp=σttemp×st×εttemp(4)式(4)中:t时刻异常事件以概率p发生...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。