Tài liệu tham khảo về các chỉ số kinh tế hàng đầu, tụt hậu và trùng hợp

Đọc về kinh tế vĩ mô, tôi đã bắt gặp rất nhiều thông tin liên quan đến các chỉ số hàng đầu, tụt hậu và trùng khớp. Tôi muốn tìm hiểu thêm, cụ thể thông tin liên quan đến các phép đo.

Đối với hầu hết các phần, trong những cuốn sách mà tôi đã đọc, các chỉ số được biểu thị dọc theo những thay đổi bên trong nền kinh tế. Tôi tưởng tượng rằng các nhà kinh tế không chỉ các mục biểu đồ và kiểm tra trực quan xem chúng có phải là (1) chỉ số và (2) nếu chúng đang dẫn đầu, tụt lại hoặc trùng khớp, v.v.

Những bài báo / văn bản có sẵn để thảo luận về các phương pháp thống kê đằng sau việc xác định và đo lường các chỉ số kinh tế?

Các văn bản Wooldridge là một phần của hầu hết các nghiên cứu kinh tế lượng cấp độ sau đại học ở Mỹ. Họ đang:

• Kinh tế lượng giới thiệu: Cách tiếp cận hiện đại, Phiên bản thứ 6

• Phân tích kinh tế lượng của mặt cắt ngang và dữ liệu bảng, phiên bản 2

Tôi sẽ bắt đầu với cái đầu tiên, trừ khi bạn có nhiều khóa đào tạo chính thức về thống kê.

Hi vọng điêu nay co ich,

Justin

thống kê kinh tế vĩ mô kinh tế lượng r

BÀI TẬP CẬP NHẬT: từ GIỚI THIỆU KINH TẾ GIỚI THIỆU của Jeffrey M. Wooldridge

Mặc dù các văn bản được đề xuất của tôi về Kinh tế lượng đã bị hạ cấp, dưới đây là bằng chứng về cách sách giáo khoa được tham chiếu minh họa cách các nhà kinh tế có thể sử dụng các phương pháp thống kê để xác định và đo lường các mối quan hệ hàng đầu, tụt hậu và trùng khớp giữa các chỉ số kinh tế.

Các ví dụ đầu tiên là từ chương 16 về Phương trình đồng thời. Các ví dụ 16.4và 16.6minh họa cách sử dụng hồi quy biến công cụ theo bình phương tối thiểu hai giai đoạn để xác định và đo lường các chỉ số kinh tế trùng khớp . Trong trường hợp này, làm thế nào lạm phát hàng năm giảm khoảng 1/3 phần trăm cho mỗi tăng 1 phần trăm trong phần nhập khẩu GDP.

Thứ hai là một ví dụ 18.8của văn bản và minh họa cách autoregresive và vector tự hồi quy phương pháp chuỗi thời gian$AR(1)$$VAR(1)$ có thể được sử dụng để xác định và đo lường, các mối quan hệ liên thời gian giữa các chỉ số kinh tế, trong một nỗ lực để dự báo tỷ lệ thất nghiệp trong tương lai sử dụng tỷ lệ thất nghiệp và lạm phát ngày nay.

Example 16.4: LẠM PHÁT VÀ KHAI THÁC

"Romer (1993) đề xuất các mô hình lý thuyết về lạm phát ngụ ý rằng các nước" cởi mở "hơn nên có tỷ lệ lạm phát thấp hơn. Phân tích thực nghiệm của ông giải thích tỷ lệ lạm phát trung bình hàng năm (kể từ năm 1973) về tỷ lệ nhập khẩu trung bình trong tổng sản phẩm quốc nội kể từ năm 1973 - đó là thước đo độ mở của anh ấy. Ngoài việc ước tính phương trình chính bằng OLS, anh ấy sử dụng các biến công cụ. Trong khi Romer không chỉ định cả hai phương trình trong một hệ thống đồng thời, anh ấy có một hệ thống hai phương trình: "

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

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

"nơi là 1980 thu nhập bình quân đầu người, bằng đô la Mỹ, giả định là ngoại sinh, và là diện tích đất của các quốc gia trên dặm vuông, cũng giả định là ngoại sinh. Phương trình đầu tiên là một trong những quan tâm, với giả thuyết rằng . Các nền kinh tế mở hơn có tỷ lệ lạm phát thấp hơn. "$pcinc$$land$$\alpha < 0$

"Phương trình thứ hai phản ánh thực tế rằng mức độ mở có thể phụ thuộc vào tỷ lệ lạm phát trung bình, cũng như các yếu tố khác. biến xuất hiện trong cả hai phương trình, nhưng được cho là chỉ xuất hiện trong giây phương trình. Ý tưởng là, ceteris paribus, một quốc gia nhỏ hơn có khả năng cởi mở hơn, vì vậy . "$log(pcinc)$$log(land)$$\beta_{22} < 0$

"Sử dụng quy tắc nhận dạng đã được nêu trước đó, phương trình đầu tiên được xác định, với điều kiện Phương trình thứ hai được xác định vì nó chứa cả hai biến ngoại sinh. Chúng ta quan tâm đến phương trình đầu tiên.$\beta_{22} \ne 0$$not$

Example 16.6: LẠM PHÁT VÀ KHAI THÁC

"Trước khi chúng tôi ước tính phương trình đầu tiên trong 16.4 bằng cách sử dụng dữ liệu về độ , chúng tôi kiểm tra xem liệu có đủ tương quan một phần với , được đề xuất hay không ."$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

" Thống kê trên là hơn chín về giá trị tuyệt đối, điều này xác minh khẳng định của Romer rằng các quốc gia nhỏ hơn cởi mở hơn. Thực tế là không đáng kể trong hồi quy này là không liên quan."$t$$log(land)$$log(pcinc)$

"Ước tính phương trình đầu tiên sử dụng làm cho mang lại:"$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

"Hệ số mở có ý nghĩa thống kê ở mức khoảng 1% so với mức thay thế một phía của . Hiệu quả cũng rất quan trọng về mặt kinh tế: đối với mỗi phần trăm tăng của phần nhập khẩu GDP, lạm phát hàng năm là khoảng 1 / 3 điểm phần trăm thấp hơn. Để so sánh, ước tính OLS là -0.215, . "$\alpha_1 < 0$$se = 0.095$

Example 18.8: DỰ BÁO LÃI SUẤT HOA HỒNG

"Chúng tôi sử dụng DỮ LIỆU , nhưng chỉ trong những năm 1948 đến 1996, để dự báo tỷ lệ thất nghiệp dân sự của Hoa Kỳ cho năm 1997. Chúng tôi sử dụng hai mô hình. Đầu tiên là mô hình AR (1) đơn giản cho :"$PHILLIPS$$unem$

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

"Trong mô hình thứ hai, chúng tôi thêm lạm phát với độ trễ một năm:"

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

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)      

"Tỷ lệ lạm phát bị trễ rất có ý nghĩa trong mô hình thứ hai và bình phương R được điều chỉnh cao hơn nhiều so với mô hình thứ nhất. Tuy nhiên, điều này không nhất thiết có nghĩa là phương trình thứ hai sẽ tạo ra dự báo tốt hơn cho 1997. Tất cả những gì chúng ta có thể nói cho đến nay là, bằng cách sử dụng dữ liệu cho đến năm 1996, độ trễ của lạm phát giúp giải thích sự thay đổi của tỷ lệ thất nghiệp. "$(t \approx 4.5)$

"Để có được các dự báo cho năm 1997, chúng ta cần phải biết và vào năm 1996. Đây là 5,4 và 3.0, do đó, dự báo của từ phương trình đầu tiên là hoặc khoảng . Dự báo từ phương trình thứ hai là , hoặc khoảng . Tỷ lệ thất nghiệp dân sự thực tế năm 1997 là , vì vậy cả hai phương trình đều dự đoán quá mức tỷ lệ thực tế. một dự báo tốt hơn một chút. "i n f l một t i o n u n đ m năm 1997 1,572 + 0,732 ( 5.4 ) 5,52 1,304 + 0,647 ( 5.4 ) + 0,184 ( 3,0 ) 5,35 $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$