现代菲利普斯曲线

1、现代菲利普斯曲线     现代菲利普斯曲线 菲利普斯曲线是计量经济学对宏观经济学的经典贡献之一，现已成为现代宏观经济学的一个重要组成部分。前人已对菲利普斯曲线的存在与否做了各种不同的检验，我们在这里选取菲利普斯曲线的现代形式进行检验。 一、通货膨胀、失业与菲利普斯曲线 通货膨胀与失业之间的交替关系称为菲利普斯曲线。菲利普斯曲线是为了纪念新西兰出生的经济学家A.W.菲利普斯而命名的。1958年，菲利普斯用英国的数据观察到失业率与工资膨胀之间的负相关关系。今天经济学家所用的菲利普斯曲线与菲利普斯所考察的关系有三个方面的

2、不同：（1）现代菲利普斯曲线用物价膨胀代替工资膨胀。这种差别并不是至关重要的，因为物价膨胀与工资膨胀是密切相关的。在工资迅速上升的时期，物价上升也迅速。（2） 现代菲利普斯曲线包括了预期的通货膨胀。这种补充是由于米尔顿·弗里德曼和爱德蒙·费尔普斯研究的结果。这两位经济学家在20世纪60年代提出工人错觉模型时强调了预期对总供给的重要性。（3） 现代菲利普斯曲线包括供给冲击。这种增加要归因与欧佩克（OPEC），即石油输出国组织。20 世纪70 年代，欧佩克引起了世界石油价格大幅度上升，这使经济学家更加认识到总供给冲击的重要性。二、菲利普斯曲线的推导  

3、60;  菲利普斯曲线说明了其通货膨胀率取决与三种力量：预期的通货膨胀失业与自然率的背离，即周期性失业供给冲击。供给冲击指对总供给产生意外重大影响的生产成本或生产率的突然变动，作为供给冲击的结果，实际GDP和价格水平会发生预料不到的变动。 这三种力量表现为现代菲利普斯曲线的方程： =e-（U-Un）+ 通货膨胀=预期的通货膨胀-（*周期性失业）+供给冲击 这个菲利普斯曲线方程式由总供给方程式推导而来。总供给方程式为：           

4、0;P=Pe+(1/)（Y-Yn） 首先，在方程式右边加上一项供给冲击代表改变物价水平并使短期总供给曲线移动的外生事件。 P= Pe +(1/)（Y-Yn）+ 然后，方程两边减去上一年物价水平P-1得 (P-P-1)=( Pe - P-1)+ (1/)（Y-Yn）+左边的P-P-1项是现期物价水平与上一年物价水平的差额，即通货膨胀。 右边的Pe - P-1项是预期物价水平与上一年物价水平的差额，即预期的通货膨胀。因此，用代替P-P-1，用e代替Pe - P-1： 注：通货膨胀实际上是物价水平变动的百分比。这里用代替P-P-1，用e代替

5、Pe - P-1，是为了推导的方便。若把P解释为物价水平的对数，根据对数的性质，P的变动大体上是通货膨胀率。原因是dP=d(log物价水平)=d(物价水平)/ 物价水平 =e+(1/)（Y-Yn）+再次，奥肯定理的一种形式说明了产出与其自然率的背离和失业与其自然率背离负相关；即当产出高于自然产出率，失业低于自然失业率。 即，(1/)（Y-Yn）=-（U-Un） 即，=e-（U-Un）+ 这样，我们就由总供给方程中得到菲利普斯曲线方程。以上的代数式都是说明了：菲利普斯曲线方程和短期总供给方程在本质上代表了同样的宏观经济思想。菲利普斯曲线是短期总供给曲线的反

6、映：当决策者使经济沿着短期总供给曲线移动时，失业与通货膨胀反方向变动。三、计量经济模型设定：根据弗里德曼的适应性预期假设，人们根据最近观察到的通货膨胀来形成他们的通货膨胀预期e，可以认为应变量的实际变化仅仅是预期变化的一部分，即，t-t-1=（e-t-1）所以，t=e+（1-）t-1     （1）对应于一定的失业率，应有一个预期的通胀率，则e=+U+t                 

7、 （2）将（2）代入（1）t=（+Ut +t    ）+（1-）t-1  =+Ut+（1-）t-1+t    令*=, 0*=, 1*=1-, t    *=t          得计量经济模型：t=*+0*Ut+1*t-1+t    *    由于局部调整模型满足古典假定，从而可使用最小二乘法直接进行估计。四 、数据搜集选取台湾省1981-200

8、0年消费物价指数和失业率，如下表：年份 消费物价指数 P 通货膨胀率%t=(pt-pt-1)/pt-1 失业率%U80 71.45  81 83.12 16.3331 1.3682 85.58 2.959577 2.1483 86.74 1.355457 2.2784 86.72 -0.02306 2.2185 86.58 -0.16144 2.9186 87.19&

9、#160;0.704551 2.6687 87.64 0.516114 1.9788 88.77 1.289366 1.6989 92.68 4.404641 1.5790 96.51 4.132499 1.5291 100.00 3.616206 1.4092 104.47 4.47 1.2793 107.54 2.938643 1.2594 111.94 

10、;4.091501 1.6095 116.06 3.680543 1.8096 119.62 3.067379 2.6097 120.70 0.902859 2.7098 122.73 1.681856 2.7099 122.97 0.195551 2.9000 124.52 1.26047 3.00 数据来源：中华人民共和国统计局 在这里我们选用了最常用的物价水平衡量指标消费物价指数（

11、CPI）来计算通货膨胀率。由于能力有限，我们无法使用真实确凿的失业率数据，而被迫采用了登记失业率。五、参数估计运用Eviews进行参数估计（N=-1 ）：Dependent Variable: Method: Least SquaresDate: 12/16/02   Time: 10:07Sample: 1981 2000Included observations: 20Variable Coefficient Std. Error t-Statistic Prob.  C 5.075797 2.020

12、967 2.511569 0.0224U -1.888293 0.860938 -2.193298 0.0425N 0.456388 0.104050 4.386240 0.0004R-squared 0.678728     Mean dependent var 2.870791Adjusted R-squared 0.640931     S.D. dependent var

13、0;3.540204S.E. of regression 2.121373     Akaike info criterion 4.479486Sum squared resid 76.50383     Schwarz criterion 4.628845Log likelihood -41.79486     F-statistic 17.95732Durbin-Watson stat 2.334399

14、     Prob(F-statistic) 0.000064残差的正态检验：ARCH Test:和White Heteroskedasticity Test:的结果都说明回归模型存在较为显著的异方差性。因此我们可以得出这样的结论：1、模型选用的数据存在误差积累；2、模型中缺失某些解释变量。1样本数据的观测误差。在进行失业率和通货膨胀率的统计中，由于各方面的原因，会出现观测误差。一方面，样本数据的观测误差常随时间的推移而逐步积累，从而会引起随机误差项方差增加；另一方面，随着时间的推移，样本观测技术会随之提高，也可能使样本的观测误差减少，从而引起

15、随机误差的方差减小。两方面原因的综合影响造成了Ui方差的不稳定。尤其是由于条件限制，我们只得到了台湾省登记失业率，这里面有较大的人为因素，也造成了异方差。2模型中缺失了某些解释变量。根据现代菲利普斯曲线方程：=e-（U-Un）+我们可以看到通货膨胀率还受到供给冲击的影响，供给冲击并没有在模型中出现（由于难以观测和计量），于是模型中的随机扰动项i 包含了供给冲击，很可能出现异方差性。 由于模型存在较为显著的异方差性，而方差异性会造成参数估计值不再具有最小方差特征、解释变量显著性检验失败和预测精度降低等诸多问题。所以，我们就需要采取措施对异方差性进行修正，以提高估计参数的精度。而异方差性

16、的补救措施有很多，而我们所选择的是加权最小二乘法（WLS）。加权最小二乘法的基本思想是寻求权重序列。在这里，我们设取权数Wi=1/ei2 (i=1,2,3,n)。3加权最小二乘法的结果如下图：Dependent Variable: Method: Least SquaresDate: 12/16/02   Time: 09:55Sample: 1981 2000Included observations: 20Weighting series: WVariable Coefficient Std. Error t-Statistic 

17、Prob.  C 5.719436 0.761230 7.513414 0.0000U -1.945303 0.291744 -6.667836 0.0000N 0.552795 0.080239 6.889349 0.0000Weighted Statistics    R-squared 0.953459     Mean dependent var 2.4062

18、82Adjusted R-squared 0.947983     S.D. dependent var 3.837190S.E. of regression 0.875154     Akaike info criterion 2.708648Sum squared resid 13.02021     Schwarz criterion 2.858008Log likelihood -24.08648&

19、#160;    F-statistic 146.6142Durbin-Watson stat 2.042419     Prob(F-statistic) 0.000000Unweighted Statistics    R-squared 0.592748     Mean dependent var 2.870791Adjusted R-squared 0.544835     S.D. dependent var 3.540204S.E. of regression 2.388430     Sum squared resid 96.97815Durbin-Watson stat 1.96784