论文部分内容阅读
经济增长的历程总是跌宕起伏并呈现出一定的周期性特征,而对经济周期波动阶段性的识别与检验问题一直是经济周期理论所关注的重要内容。目前主要有两种方法用来识别经济周期的拐点,第一种是马尔科夫机制转换模型(MSM),另外一种是平滑转换自回归模型(STAR,smooth transition autoregression)。马尔科夫机制转换模型通过转移概率来识别经济所处的状态,转换概率的精确推断需要样本时间序列数据足够长,包含多个周期基于状态的转换,对我国的经济周期研究而言,样本数据显得有些不够。本文采用序贯蒙特卡洛(SMC)方法利用中国工业总产值月度同比增长率数据和中国经济景气指数来估计潜变量马尔科夫模型(HMM)中的非对称效应,并以此来判别中国经济周期的拐点。与大多数马尔科夫机制转移模型不同的是,本文模型所采用的机制转移概率是由贝塔分布确定的时变的转移概率,其中贝塔分布中的随机部分由一外生变量所决定,这样可以避免由于样本数据不足所造成的转移概率的估计精度不够。本文通过粒子滤波方法和贝叶斯方法估计了模型中的参数和潜在状态变量,非常准确地识别了中国经济周期的历次拐点。