结合PMI和PPI指数建立新的GDP预测模型及其实证分析,宏观经济学论文

结合PMI和PPI指数建立新的预测模型及其实证分析,宏观经济学论文0引言〔即国内生产总值〕是一个国家或地区在某一既定时期内生产的所有最终物品和劳务的市场价值，能够反映出一个国家或地区经济发展状况。对进行科学预测，对部门做出经济发展战略目的和宏观经济政策有着重要意义。PMI即采购经理指数，是快速及时反映市场动态的先行指标，它由五个扩散指数的加权组成，包括：新订单、生产、就业、供给商交付和库存指数。为了使指数权重以最大限度地提高该指数与增长的相关性，经太多次修改，PMI各指数的权重保持固定：新订单〔0.3〕，生产〔0.25〕，就业〔0.2〕，供给商交付〔0.15〕，库存〔0.1〕。当前，全球已有20多个国家〔或地区〕建立了PMI编制和发布体系，美国是最早建立PMI指标体系的国家。2005年4月底，我们国家在北京和香港两地初次发布了中国采购经理人指数,其包括制造业和非制造业，中国制造业采购经理指数体系共包括11个指数：新订单、生产、就业、供给商配送、存货、新出口订单、采购、产成品库存、购进价格、进口和积压订单。PPI即生产者物价指数〔亦称工业品出厂价格指数〕，是一个用来衡量制造商出厂价的平均变化的指数，作为统计部门收集和整理的若干个物价指数中的一个，市场敏感度非常高。同时PPI也是衡量工业企业产品出厂价格变动趋势和变动程度的指数，是反映某一时期生产领域价格变动情况的重要经济指标，也是制定有关经济政策和国民经济核算的重要根据。国外对PMI的研究相比照较深切进入，采用了很多定量分析方式方法。RolandoF.Pelez[1]阐述了PMI并不是最优的加权指标，进而根据美国供给管理协会提出的扩散指数复合成了一个新指数。在预测实际国内生产总值、工业生产增长率和商业周期转折点方面，它的一致性与PMI一样，但是及时性优于PMI.DannyI.Cho[2]等以为PMI的作用是预测经济的变化趋势，但是他也以为现有的PMI不是最优的加权指数，因而利用现有数据对PMI进行了重新加权，重新加权后的PMI与的相关性优于原有PMI.AnthonyJosepha[3]以为利率和PMI的历史值是PMI预测的有效因子。基于此用神经网络模型预测PMI得到的大部分评价指标值都优于回归模型预测得到的指标值。EvanF.Koe-nig[4]讨论了PMI的作用是预测制造业的增长、经济的拐点和美联储政策的变化。研究得出结论：一般PMI高于47表示清楚制造业在扩张；预测的临界值在40左右；PMI值假如高于52.5往往要上调短期利率。MatthewD.Lindsey[5]等试图通过跟踪和预测PMI的转折来洞察一般商业周期，利用PMI12到65个月的固有周期建立回归模型，来预测PMI的转折点和一般商业周期的变化。国内关于PMI的研究以定性较多，多是针对PMI的变化来预测中国各方面经济将会产生什么样的变化。关于PMI的定量研究论文较少，尤建新[6]以为对采购经理进行调查得到的PMI数据从理论上讲能够反映市场的变动情况，把CFLP-PMI各个细分指数与宏观经济统计数据进行比照，与行业统计数据进行比照，均显示一定的互相关联或者一致性，得出CFLP-PMI能够作为决策参考的结论。本文从建立一个预测效果优于PMI的预测模型出发，结合PMI和PPI指数建立了一个新的预测模型，然后将这个模型与单纯用PMI做自变量的预测模型和RolandoF.Pelez[1]的改良模型做拟合效果和预测效果的比照，来验证新模型的优劣。1研究设计1.1数据来源研究样本数据来自于中国国家统计局网站，采用2018年第3季度到2020年第1季度的数据，包括实际的季度增长率，PMI及其五个扩散指数〔新订单，生产，就业，供给商交付和库存〕，PPI的同比增长率。华而不实PMI、五个扩散指数及PPI的同比增长率是月度数据，用加权平均的方式方法得到季度数据。PMI中没有直接反映价格的指数，然而价格指数在经济中是很重要的反映经济变化的参数，所以参加PPI指数，试着发现价格对的影响。1.2模型设计论文提出的模型是基于各指数之间的相关性得出。在选择模型的自变量时，去掉指数之间相关性强但与因变量相关性弱的指数。张利斌、冯益[7]研究了PMI与的关系，得出PMI领先于走势3到12个月，最好的预测效力是3个月，因而建立模型时各个指数分别滞后3个月也就是1个季度，华而不实PPI也是先行指标之一，滞后1期与的相关性较高。各指数的相关性如表1所示。从表1能够看出，新订单指数〔NOI〕与生产指数〔PI〕之间的相关系数为0.961,两个指数之间有非常强的相关性，完全能够互相替代。库存指数〔INV〕与生产指数和新订单指数的相关系数〔分别为0.593和0.621〕大于其与的相关性〔0.405〕，就业指数与新订单和生产的相关性〔分别为0.738,0.689〕高于其与增长率的相关性〔0.670〕。表示清楚就业指数与新订单和生产指数之间都有较强的相关性。通过分析，选定的模型如式〔1〕所示。Gt=0+1NOIt-1+2SDt-1+3PPIt-1+et〔1〕。华而不实Gt是中国实际的季度增长率，NOI表示新订单指数，SD表示供给商交付指数，PPI表示生产者物价指数的同比增长率。模型1包含新订单指数，供给商交付指数和PPI指数。为了比拟提出的模型的预测效果，论文给出了两个比拟模型：第1个是实际的季度增长率与现有固定形式的PMI关系的模型；第2个是RolandoF.Pelez[2]提出的针对美国经济的相对最优模型。如式〔2〕和式〔3〕所示。Gt=0+1PMIt-1+et〔2〕。Gt=0+1NOIt-1+2EMIt-1+3SDt-1+et〔3〕。华而不实EMI表示就业指数，模型2是滞后1期的PMI与实际季度增长率的关系模型。模型3包含新订单指数、就业指数和供给商交付指数，这个模型是基于美国经济情况对PMI的改良模型。2实证分析2.1模型比拟采用2018年第3季度到2018年第3季度的样本数据集，使用软件Eviews[8]对式〔1〕-〔3〕进行多元线性回归分析，所得模型估计结果如式〔4〕、〔5〕、〔6〕所示。Gt=-20.66+0.24NOIt-1+0.35SDt-1-0.06PPIt-1〔4〕。Gt=-18.17+0.53PMIt-1〔5〕。Gt=-35.55+0.30NOIt-1-0.18EMIt-1+0.76SDt-1〔6〕。表2是由2018年第3季度到2018年第3季度期间数据做最小二乘法估计后整理得到的结果。从F检验值〔F-statistic〕及其相伴概率〔Prob〔F-statistic〕〕来看，三个模型的相伴概率分别是：0.03、0.00、0.05,讲明3个三个模型都具有显着性；从R平方和调整的R平方〔AdjustedR-squared〕来看，三个模型的调整的R平方分别是：0.76、0.52、0.67,显然模型4拟合程度较好于模型5和模型6;从标准估计的误差〔S.E.ofregression〕来讲，模型4的误差为0.43低于模型5和模型6〔分别为0.60和0.51〕；三个模型的赤池信息准则〔Akaikeinfocriterion〕即AIC准则的值分别为：1.46、2.04、1.78,能够看出也是模型4较好；表中施瓦茨准则〔Schwarzcriterion〕即SC准则，很显然能够看出模型4〔1.50〕优于模型5〔2.06〕和模型6〔1.82〕。综上所述，从模型估计效果来看，模型4是三个模型中最优的。模型4优于模型5,讲明PMI不是最优加权的预测指标。模型4优于模型6讲明根据美国经济情况优于PMI的预测模型，固然在中国经济情况下也优于PMI预测模型，但是相比之下模型4更好一些。2.2模型检验根据以上研究模型4的拟合效果较好于模型5和模型6,但是拟合效果好，不一定预测效果好。因而，分别用模型4、模型5和模型6预测2018年第4季度和2020年第1季度的季度增长率，来检验3个模型的预测效果，结果如表3所示。由表3可知，2018年第4季度和2020年第1季度的实际季度增长率分别为8.9和8.1.首先比拟3个模型对2018年第3季度增长率的预测值，模型4、模型5和模型6的预测结果分别为8.99、8.81和8.63,从数值来看，模型4和模型5优于模型6.模型4、模型5和模型6对2020年第1季度预测结果分别是8.17、8.28和8.74,明显可看出模型4的结果比拟好。其次比拟3个模型的评价指标，RMSE即均方根误差〔RootMeanSquaredError〕和MAE平均绝对误差〔MeanAbsoluteError〕取决于因变量的绝对数值，通常更直接查看的相对指标是MAPE即平均绝对百分误差〔MeanAbs.PercentError〕。表中三个模型的平均绝对百分误差分别为：2.68、4.16、2.85,能够看出三个模型的预测精度都较高。从TheilInequalityCoefficient即希尔不等式系数，三个模型的值分别为0.015、0.026、0.017,从这个指标来看模型4的预测精度高于其他两个模型。Bi-asProportion是偏差率，VarianceProportion是方差率，Co-varianceProportion是斜变率，当预测比拟理想时，均方误差大多数集中在斜变率上，偏差率和方差率都很小，三个模型的斜变率分别为0.96、0.87、0.95,所以模型4的预测是三个模型中最理想的。所以总的来讲模型4的预测效果最好。综合以上对模型估计和预测效果的分析，一致得出模型4优于模型5和模型6.模型4能更好地反映经济发展的走势，使在预测中得到可信度更高层次的预测值。3结论论文首先根据以下为参考文献以及指数间的相关性设计模型，其次对模型利用最小二乘法进行估计并根据模型拟合效果评价指标进行比拟，最后通过实证分析，选用对2018年第4季度到2020年第1季度的数据进行预测，来检验选出的最优模型的预测效果。实证分析表示清楚新的预测模型的效果优于仅用PMI预测的效果。论文从考证PMI的组成构造角度出发，结合其在预测中的重要作用，对其进行重新评估，并且参加重要的反映价格的指标PPI,建立新的预测模型，进而改善了单纯用PMI对预测的效果。将来能够综合各个宏观经济先行指标对实际的增长率做更精到准确的预测。以下为参考文献：[1]RolandoF.Pelaez:aReassessmentofthePurchasingManagersIn?dex[J].BusinessEconomics,2003,〔12〕。[2]DannyI.Cho,TomsonOgwang.ConceptualPerspectivesonSelectingthePrincipalVariablesinthePurchasingManagersIndex[J].TheJournalofSupplyChainManagement,2006,42〔2〕。[3]AnthonyJosepha,MauriceLarrainb,ClaudeTurner.ForecastingPur?chasingManagersIndexwithCompressedInterestRatesandPastValues[J].ProcediaComputerScience,2018,〔6〕。[4]EvanF.Koenig.UsingthePurchasingManagersIndextoAssesstheEconomysStrengthandtheLikelyDirectionofMonetaryPolicy[J].EconomicFinancialPolicyReview,2002,1〔6〕。[5]MatthewD.Li