基于VAR模型的GDPCPIM2实证分析.docx
- 文档编号:25640790
- 上传时间:2023-06-11
- 格式:DOCX
- 页数:17
- 大小:282.94KB
基于VAR模型的GDPCPIM2实证分析.docx
《基于VAR模型的GDPCPIM2实证分析.docx》由会员分享,可在线阅读,更多相关《基于VAR模型的GDPCPIM2实证分析.docx(17页珍藏版)》请在冰豆网上搜索。
基于VAR模型的GDPCPIM2实证分析
基于VAR模型的通货膨胀、经济增长以及货
币供应量关系的实证研究
制作人:
进击的樱桃荚
一、引言
通货膨胀、货币供应量与经济增长一直以来都是各方学者关注和研究的对象。
许多经济学家都注重观察货币政策与通货膨胀之间的相互影响,对经济增长的有效性,也做出了大量研究成果。
人们对通货膨胀的预期与实际水平不相一致,就产生了不确定性。
货币供应的变动使得通货膨胀预期也随之相应变化,各种投资决策和消费决策对经济活动也就产生了影响。
2008年金融危机以来,中国政府为了保证经济依然保持快速发展,实行较为宽松的货币政策,大规模投放广义货币供给量M2保证了经济的发展,但是同时增加了通货膨胀的压力。
CPI指数作为衡量民生的重要指标,过快的增长引起生活水平的下降更加引起各方的关注。
理论上,经济的快速发展可以生产出更多的产品,从而在一定程度上缓和CPI持续增加的速度,所以CPI指数的变化波动会引起研究者们的广泛关注。
本文正是通过选取广义货币供应量M2乍为衡量货币政策松紧度的指标,选取GD作为衡量经济发展程度的指标,选取Eviews6.0软件对数据进行实证分析。
利用Sims(1980)提出的VAF模型对我国通货膨胀,货币供应量以及经济增长的关系进行实证分析,探求CPI、M2GD三者之间的影响关系。
本文选取1997年1月至2014年3月份的居民消费价格指数CPI(上年同月=100)、国内生产总值GDP货币供应量M:
这三个指标的月度数据进行实证分析,原始数据来源于中华人民共和国国家统计局和《中国统计年鉴2013》,建立VAF模型并通过脉冲响应分析及方差分解得出居民消费价格指数CPI与实际GDPM2>间存在的影响关系,最后采用协整检验和Granger因果检验这两种方法进行检验。
二、文献综述
我国的经济学家们对通货膨胀的研究中,许多学者将目光集中于其与货币政
策、经济增长的相互联系的实证研究当中。
刘金全、张文刚和刘兆波(2004)通
过运用误差纠正模型,证明了货币供给增长率与通货膨胀率之间不仅存在长期均衡关系,也存在短期误差修正机制。
在当前显著的流动性约束和较低的利率水平下,增加了货币非流通性持有,使其流动速度降低,导致扩张性货币政策并没有达到价格膨胀的效果,从而在一定程度上限制了总需求的有效扩张。
何筱微
(2007)对我国的通货膨胀率和经济增长率之间的动态相关性进行了实证分析,发现通货膨胀率与经济增长率的周期并不同步,并且在长期中存在一个显著的协
整关系
通货膨胀涉及民生问题,是人们衡量生活水平及质量的重要目标之一,经济增长涉及一国整体经济水平,那么对于我国货币政策调整手段的有效性及政策导向就成为学者们努力的方向。
对于我国货币供应量与产出、通货膨胀三者之间的关系,也越来越多的引起学者们的关注和研究。
邹至庄(Chow,2002)针对1952〜1993年的数据,以货币数量论为理论载体,研究了中国货币和价格水平的决定过程,认为最基础的货币数量论学说能解释中国的通胀现象。
陆云航(2005)利用
我国1952-2003的年度数据,发现当货币供应量增加时,真实产量会先于价格水平开始增加,但是随后真实产量又会比价格水平下降得更迅速,发现产量对于货币供应量变化的灵敏度比价格水平要高,得出货币供应具有内生性的结论。
张奇(2006)选取了1985年—2003年的年度数据利用ECM模型对货币供应量与经济增长的关系进行实证研究,他发现通过控制货币的发行量来控制经济增速是可行的,短期中货币供应量的变动对经济增长存在正的影响。
李丹(2007)选取1996年一2006年的M2CPI、GD的季度数据进行实证分析后发现,从长期来看,货币供应量依旧可以作为货币政策的中介目标,并且货币供应量与经济增长的相关性非常强。
在运用协整和误差修正模型中得出符合反向修正机制的结论。
对货币供应量与物价指数的反常规问题,黄小雄(2006)对此问题长期进行了研究。
他对我国货币供应量与物价关系进行实证检验后发现,我国物价上涨率与经济增长率之和在长时间小于货币供应量增长率,存在货币供应量与物价指数的反常规关系。
传统经济理论认为货币供应量的增加会带来物价水平的上涨,当物价上涨到一定程度就会引发通货膨胀。
高宇、宋巧等(2008)分别从长期和短期对传统经济理论进行实证研究,同时对我国短期内物价水平的走势作了预测,研究得出物价水平在短期内会继续维持上升势头,但上升幅度会逐渐变缓的结论。
杨建明(2003)不支持以货币供应量(无论是M还是M2作为我国货币政策中介目标,他认为通货膨胀、广义货币供应量与经济增长之间存在着稳定的长期均衡关系。
刘斌(2002)运用脉冲响应分析得到,货币在长期是中性的,产出的变化主要由实质部门因素确定的结论。
而货币供应量的变化无论是在短期还是长期都对物价会产生影响。
周锦林(2002)通过实证研究认为虽然短期内存在由广义货币供应量(M2到经济增长的因果关系,但在长期内货币供应是中性的,文章中运用了1994年—2001年的数据进行基础分析,检验是否存在由货币供应量到经济增长的因果关系。
综上所述,对于货币供应量对产出的影响,我国的实证研究中也出现了政策建议的差异。
此外,针对中国特殊的经济现状,许多学者开始着力于研究中国通货膨胀预期的形成和特征,以及预期对通货膨胀本身、通货膨胀不确定性的产生和度量乃至整个经济系统所产生的影响。
在以通货膨胀这个传统化的目标为研究对象,研究方法相对前沿的领域中,还没有形成明显的派别,但它也能够从根本上为央行这个货币政策的制定方提供可参考的依据,使其货币政策出发点转移到从根本上预防和逆转通货膨胀预期的目的上来。
本文与国内以往的文献相比的创新之处在于:
目前国内文献大多数采用CPI、
GDPM2l勺年度数据进行实证检验,这样就掩盖了变量在一年内的变化和波动,同时使用年度数据也不能满足VAF模型对数据样本容量的要求,容易发生“伪回归”,而本文选取的是1997年1月到2014年3月的月度数据,从而可以更准确全面地反映三者的影响关系。
三、理论分析
CPI作为衡量与民众日常生活联系最为紧密的生活费用开支增减的指数而受到广泛的关注。
因为CPI的持续走高就意味着零售商品的一般物价水平上升,这对于国内绝大部分只拥有相对固定收入的民众来说就意味实际收入的下降。
本文使用GDP(国内生产总值)指标进行衡量,因为它是指在一定时期内,一个国家或地区所生产出的全部最终产品和劳务的价值,被公认为衡量国家经济状况的最佳指标,而对货币因素则采用广义货币供给量M24行度量,因为它能从一定角度上反映一国经济体系内部流动性的规模,与整体经济活动联系密切。
一般来说,M2勺增长速度过快而实际生产的增长却慢于流动性增长率的时候,必然会由于货币数量变动所导致的需求变动在大于总供给变动的时候,导致全社会一般物价水平的上升,即是通常所认为的“过多的货币追逐过少的商品”,也就是货币学派所认为的:
当纸币的流通量超过了其在实际经济生活中的需要量,就会引起通货膨胀,也就会引起CPI的上升。
根据对引起通胀的因素的方程p=m-y+v的分析,我们可以知道,通胀率(p)主要受到衡量M2变动的货币供应增长率(m)、衡量GD变动的产量增长率(y)和货币流通速度变化率(v)的影响。
在假设v与y不改变的情况下,随着货币供应量的变化,商品的价格必然会由于货币的过多而上涨,通货膨胀率则必然会发生相应的正相关变化。
而当实际生产发生改变的时候,即假设当货币供应增长率的变动小于产量增长率的变动并且货币流通速度变化率不发生改变的时候,通货膨胀的程度也将因为实际所使用的货币数量少于经济生活中所需要的货币数量,导致一般价格水平的下跌,从而表现出通胀率与实际生产的变动程度呈负相关变化的情形。
通常情况下,家庭和企业都有一定的经济行为习惯,因此在正常经济活动中,货币流通速度一般不会发生过于明显的变化,所以可以界定v是不变的。
根据以上分析可以看出,P主要就是受m和y的影响,也就是说明CPI的走势主要就是受到了M2fGD二者走势的影响。
因此,建立模型定量分析M2与GD对CPI以及通货膨胀率的影响程度,就对经济政策的选择有着一定的指导意义。
但是我们也必须说明CPI固然是衡量通货膨胀程度的一个很重要的指标,但是其还是与通货膨胀率有着一定程度上的区别的,其中最明显的是CPI只是代表了消费品的价格增长变化,而并没有包括资本品等其他非消费品的价格涨跌,其与通胀率还是有一定的偏差的。
但是由于CPI关系着民生,因此考量CPI的变化也就有着重大的理论与现实意义。
四、实证分析
(一)数据选取和思路分析
为了能够严谨的实证分析,必须对所选的数据进行处理,因此首先对三种指标进行无量纲化处理,都选用CPI、GD和M2勺同比增长率进行分析。
笔者从中华人民共和国国家统计局网站中的数据库和中国统计年鉴中选取了相应数据并计算出增长率,且全部处理成以去年同期为基准的同比增长率。
共选取了从1997年1月至2014年3月的CPI、M2GD同比增速的207组数据。
为了消除把这些数据放在同一个模型中可能会有的异方差性影响,所以笔者对所有变量进行了取对数处理以消除异方差性,得到InCPI、InGDPInM2这三个变量,这样并不会改变数据的性质及协整关系,且容易得到平稳序列。
为了进行有效的分析,必须先确定数据是否属于平稳序列,然后通过AIC和SC等准则来确定滞后阶数并判断滞后模型是否平稳,再通过Johansen协整检验来验证是否具有协整关系,同时利用脉冲响应建立相应的函数关系,最后通过GRANGE来分析变量间是否具有显著的GRANGH果关系。
(二)时间序列数据的平稳性检验
在对时间性很强的样本进分析的时候,首先必须确认分析的对象必须是平稳
的序列,不然就无法对其进行协整分析,所以首先对数据进行单位根检验,即使用AD检验来判断其是否平稳。
通过使用Eviews6.0软件的Unitroottest进行检验发现:
三个变量在初始时候,都是非平稳序列,序列的走势图如图1,但是
在经过一阶差分后,都在1%的水平下显著,说明这些变量可以通过一阶差分变换为平稳序列,单位根检验结果如图2。
LNCPILNM2LNGDP
图1三个变量的非平稳序列
从检验结果看,在1%显著水平下,单位根检验的Mackinnon临界值分别为
-3.464101、-3.462574、-3.462253,三个变量的t检验统计量值均小于相应的临界
值,从而拒绝原假设,表明InCPI、InM2、InGDP的一阶差分序列均不存在单位
根,是平稳序列,且lnCPI、lnM2、lnGDP序列均为一阶单整,检验结果见图2
NullHypothesis:
D(LNCPI)hasaunitroot
Exogenous:
Constant
LagLength:
11(AutomaticbasedonSIC,MAXLAG^U)
t-StatisticProt>*
AugmentedDi匚KEy-FullErtEStstmtlstiu-E.27276弓0,0000
Testcriticalvalues:
1%level-3.454101
5%level-2.876277
10%level-2.574704
*MacKjnnon(1996)one-sidedp-values.
NullHypothesis:
D(LNM2)hasaunitroot
Exogenous:
Constant
LagLength:
2(AutomaticbasedonSICtMAXLAG=14)
t-StatisticProb*
AugmentedDicKey-Fuilerteststatistic
^7.1740400.0000
Testcriticalvalues:
1%level
-3452574
5%level
-2H75608
10%level
-2574346
*MacKjnnon(1996)one-sidedp*values.
NullHypothesis:
D(LNGDP)hasaunitrootExogenous:
Constant
LagLength:
0(AutomaticbasedonSIC,MAXLAG=14)
t-Statistic
Prob*
AugmentedDickey-Fullerteststatistic
-14.25420
O.OQOO
Testcriticalvalues.
1%level5%level10%level
-3462253-2875468-2574271
^MacKinnon(1996)one-sidedp-values..
图2一阶差分的ADF吉果
(三)确定VAR模型的最优滞后期和Johansen协整检验
根据AIC等信息准则来确定该如何选择滞后期,这就需要选择AIC、SC等指标中的数值最小值所对应的滞后期的最大值。
同时还必须满足模型的平稳性检验,即必须要使得方程特征根的模全部小于1,如果不平稳则不能对模型进行协整分析。
经过对比,模型的滞后期选择4的时候,方程是平稳的,并且所有指标都可以通过,见图3。
Lag
LogL
LR
FPE
AIC
SC
HQ
0
1256.956
NA
6.75e-10
-12.60257
-1255292
-12.5824B
1
1S44.015
1150.516
2C2e-l2
-1S.41221
-1821362*
-18.331S3
2
1867379
45.03557
I.75e-12
-15.65650
-16.20904
-1S41592
3
1384304
32.14748
1.62e-12
-1363622
-18.13974
-13.43528*
4
1897061
23.84708*
I.56e-12*
-18.67398*
-18.02355
-1B.41276
5
1900.785
S.850137
1G4€-12
-18.02096
■1782659
■182994S
6
1900.982
14.64796
1666*12
-18.B11B8
-1766857
*18.23010
7
1912.493
6.423979
175e-12
*18.55772
*17.46547
-13.1156&
e
1913.945
11,23240
1.80e-12
*18.53211
-17,29092
-18.02&77
*indicateslagorderselectedbythecriterion
图中标*号的数值为最佳数值—
图34阶滞后时滞后期选择信息表
通过对8个不同阶数的统计量评价,发现p=4有3个统计量显著,因此确定建立VAR(4)模型。
VA模型建立结果如图4:
VectorAutoregressionEstimates
Date:
06/20/14Time:
15:
25
Sample(adjusted):
5207
Includedobservations:
203afteradjustments
Standarderrorsin()&t-statisticsin[]
LNCPI
LNGDP
LNM2
LNCPI(-1)
0.891189
0.342566
-0.173673
(0.07271)
(0.15315)
(0.15850)
[12.2570]
[2.23673]
[-1.09570]
LNCPI(-2)
0.084606
0.126926
-0.036015
(0.09867)
(0.20783)
(0.21509)
[0.85751]
[0.61072]
[-0.16744]
LNCPI(-3)
0.001114
-0.151056
0.302181
(0.09905)
(0.20865)
(0.21594)
[0.01124]
[-0.72397]
[1.39940]
LNCPI(-4)
-0.099818
-0.292047
-0.114064
(0.07034)
(0.14817)
(0.15335)
[-1.41902]
[-1.97101]
[-0.74384]
LNGDP(-1)
0.141938
0.862994
-0.057527
(0.03388)
(0.07137)
(0.07386)
[4.18910]
[12.0917]
[-0.77883]
LNGDP(-2)
-0.056209
-0.005480
-0.177358
(0.04533)
(0.09549)
(0.09882)
[-1.23994]
[-0.05739]
[-1.79469]
LNGDP(-3)
-0.061951
0.199642
0.231930
(0.04584)
(0.09656)
(0.09993)
[-1.35141]
[2.06749]
[2.32081]
LNGDP(-4)
0.021079
-0.119409
0.004803
(0.03565)
(0.07509)
(0.07772)
[0.59127]
[-1.59014]
[0.06180]
LNM2(-1)
-0.012799
0.082465
0.613831
(0.03207)
(0.06754)
(0.06990)
[-0.39914]
[1.22092]
[8.78126]
LNM2(-2)
-0.016240
0.013631
0.444806
(0.03695)
(0.07784)
(0.08056)
[-0.43948]
[0.17511]
[5.52153]
LNM2(-3)
0.085646
0.015601
0.127504
(0.03621)
(0.07627)
(0.07894)
[2.36525]
[0.20454]
[1.61525]
LNM2(-4)
-0.035622
-0.054292
-0.246448
(0.02758)
(0.05810)
(0.06013)
[-1.29140]
[-0.93441]
[-4.09841]
C
-0.008031
-0.002022
0.009929
(0.00308)
(0.00648)
(0.00671)
[-2.61088]
[-0.31204]
[1.48066]
R-squared
0.938553
0.933328
0.865563
Adj.R-squared
0.934672
0.929117
0.857072
Sumsq.resids
0.007578
0.033624
0.036014
S.E.equation
0.006315
0.013303
0.013768
F-statistic
241.8412
221.6469
101.9416
Loglikelihood
746.8182
595.5854
588.6168
AkaikeAIC
-7.229736
-5.739757
-5.671101
SchwarzSC
-7.017560
-5.527581
-5.458925
Meandependent
0.012155
0.130308
0.172524
S.D.dependent
0.024709
0.049966
0.036417
Determinantresidcovariance(dofadj.)1.33E-12
1.09E-12
Determinantresidcovariance
图4VAR模型建立结果
选择滞后期为4时,VAR模型所有根模的倒数都小于1,即都在单位圆内,说明该模型是稳定的,图5为滞后期为4时的根模图。
InverseRootsofARCharacteristicPolynomial
1.5
1.0-
0.5-•*
*
0.0-***•
*
*
-0.5-■县
-1.0「
-1.511111
-1.5-1.0-0.50.00.51.01.5
图5滞后期为4时的根模图
确定模型滞后阶数并建立VAR!
型后,对模型进行Johansen协整检验。
输出
迹统计量检验结果和特征根统计量检验结果,见图6、图7。
Series:
LNCPILNGDPLNM2
Lagsinterval(infirstdifferences):
1to4
UnrestrictedCointegrationRankTest仃佑餡)
Hypothesized
Nq.ofCE(s)
Eigenvalue
Trace
Statistic
0.05
CriticalValue
Prob.**
None*
0.091191
32.84Q63
2979707
Q.0216
Atmost1
0.048638
13.52543
15.49471
00969
Atmost2
0016952
3453665
3.841466
0.0631
Tracetestindicates1cointegralingeqn(s)atthe0.05level
*denotesrejectionofthehypothesisatthe0.05level**MacKinnon*Haug-Midielis(1999;p-values
图6Johansen协整检验迹统计量检验结果
UnrestnctedCointegrationRankTest(MaximumEigenvalue'
Hypothesized
No.ofCE(s)
Eigenvalue
Max-EigenStatistic
005
CriticalValue
Prob**
None
0.091191
1931520
2113162
00081
Atmost1
0.048638
1007177
1426460
0.2073
Atmost2
0.016952
3.463665
3.841466
00631
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 VAR 模型 GDPCPIM2 实证 分析