R语言EG(Engle-Granger)两步法协整检验、RESET、格兰杰因果检验、VAR模型分析CPI和PPI时间序列关系...
全文链接:http://tecdat.cn/?p=31108
作为衡量通货膨胀的基本指标,消费者价格指数CPI和生产者价格指数PPI的作用关系与传导机制一直是宏观经济研究的核心问题。(点击文末“阅读原文”获取完整代码数据)。
对此问题的研究显然具有重要的学术价值与现实意义:当PPI先行地引导着CPI的变动,则意味着上游价格对下游价格具有正向传导效应,物价可能因供给因素的冲击而上升,并由此引发“成本推动型通胀”的风险,此时,通胀治理应以“供给调控”为主;反之,当CPI引导着PPI的变动,则意味着存在下游价格对上游价格的反向倒逼机制,物价可能因需求因素的冲击而上升,并由此引发“需求拉动型通胀”的风险,此时的通胀治理则应以“需求调控”为主。
相关视频
我们围绕因果关系检验技术进行一些咨询,帮助客户解决独特的业务问题。
数据:CPI与PPI 月度同比数据
读取数据
head(data)## 当月同比 CPI PPI
## 1 36556 -0.2 0.03
## 2 36585 0.7 1.20
## 3 36616 -0.2 1.87
## 4 36646 -0.3 2.59
## 5 36677 0.1 0.67
## 6 36707 0.5 2.95
CPI数据
##
## Residuals:
## Min 1Q Median 3Q Max
## -4.3232 -1.2663 -0.5472 0.9925 6.3941
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.05348 0.30673 3.435 0.000731 ***
## t 0.01278 0.00280 4.564 9.05e-06 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 2.1 on 187 degrees of freedom
## Multiple R-squared: 0.1002, Adjusted R-squared: 0.09543
## F-statistic: 20.83 on 1 and 187 DF, p-value: 9.055e-06
1、 单位根检验
查看数据后发现需要进行季节调整
给出输出结果:
点击标题查阅往期内容
R语言ECM误差修正模型、均衡修正模型、受限VECM、协整检验、单位根检验即期利率市场数据
左右滑动查看更多
01
02
03
04
## Augmented Dickey-Fuller Test
##
## data: x
## Dickey-Fuller = -2.0274, Lag order = 0, p-value = 0.4353
## alternative hypothesis: explosive
## ###############################################
## # Augmented Dickey-Fuller Test Unit Root Test #
## ###############################################
##
## Test regression trend
##
##
## Call:
## lm(formula = z.diff ~ z.lag.1 + 1 + tt)
##
## Residuals:
## Min 1Q Median 3Q Max
## -2.66698 -0.36462 0.02973 0.39311 1.97552
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) 1.063e-01 9.513e-02 1.117 0.2653
## z.lag.1 -4.463e-02 2.201e-02 -2.027 0.0441 *
## tt 4.876e-05 8.954e-04 0.054 0.9566
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.6307 on 185 degrees of freedom
## Multiple R-squared: 0.0238, Adjusted R-squared: 0.01324
## F-statistic: 2.255 on 2 and 185 DF, p-value: 0.1077
##
##
## Value of test-statistic is: -2.0274 1.5177 2.255
##
## Critical values for test statistics:
## 1pct 5pct 10pct
## tau3 -3.99 -3.43 -3.13
## phi2 6.22 4.75 4.07
## phi3 8.43 6.49 5.47
PPI数据
## Augmented Dickey-Fuller Test
##
## data: x
## Dickey-Fuller = -1.3853, Lag order = 0, p-value = 0.1667
## alternative hypothesis: explosive
(1)若存在单位根,用差分后序列进行2、3、4 步;
(2)若不存在单位根,就用原序列。
因此,对两个数据都进行差分。
data$CPI=c(0,diff(data$CPI))
2、 检验协整关系——EG两步法
给出输出结果
(1)若存在长期协整,用VECM法线性过滤,利用利用过滤后的“残差成分”再进行3,4 步;
(2)若不存在长期协整,就不用过滤,直接进行3、4步。
建立长期均衡模型
## Call:
## lm(formula = PPI ~ CPI, data = data)
##
## Residuals:
## Min 1Q Median 3Q Max
## -3.6930 -0.5071 -0.0322 0.4637 3.2085
##
## Coefficients:
## Estimate Std. Error t value Pr(>|t|)
## (Intercept) -0.03678 0.06428 -0.572 0.568
## CPI 0.54389 0.10176 5.345 2.61e-07 ***
## ---
## Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
##
## Residual standard error: 0.8836 on 187 degrees of freedom
## Multiple R-squared: 0.1325, Adjusted R-squared: 0.1279
## F-statistic: 28.57 on 1 and 187 DF, p-value: 2.615e-07
绘制残差
ts.plot( residual
不存在长期协整,就不用过滤,直接进行3、4步
3、 非线性检验——RESET检验方法
给出输出结果
## RESET test
##
## data: data$PPI ~ data$CPI
## RESET = 0.28396, df1 = 1, df2 = 186, p-value = 0.5948
4、 建立VAR模型、格兰杰因果检验
建立VAR模型给出输出结果
## $Granger
##
## Granger causality H0: CPI do not Granger-cause PPI
##
## data: VAR object var.2c
## F-Test = 5.1234, df1 = 2, df2 = 364, p-value = 0.006392
##
##
## $Instant
##
## H0: No instantaneous causality between: CPI and PPI
##
## data: VAR object var.2c
## Chi-squared = 15.015, df = 1, p-value = 0.0001067
p值小于给定的显著性水平拒绝,一般p值小于0.05,特殊情况下可以放宽到0.1。f统计量大于分位点即可。一般看p值。
格兰杰检验主要看P值即可。例如,若P值小于0.1,则拒绝原假设,变量间存在格兰杰因果关系。
本文中分析的数据分享到会员群,扫描下面二维码即可加群!
点击文末“阅读原文”
获取全文完整代码数据资料。
本文选自《R语言EG(Engle-Granger)两步法协整检验、RESET、格兰杰因果检验、VAR模型分析CPI和PPI关系》。
点击标题查阅往期内容
Matlab用向量误差修正VECM模型蒙特卡洛Monte Carlo预测债券利率时间序列和MMSE 预测
R语言向量误差修正模型 (VECMs)分析长期利率和通胀率影响关系
向量自回归(VAR)模型分析消费者价格指数 (CPI) 和失业率时间序列
Matlab创建向量自回归(VAR)模型分析消费者价格指数 (CPI) 和失业率时间序列
Stata广义矩量法GMM面板向量自回归 VAR模型选择、估计、Granger因果检验分析投资、收入和消费数据
R语言时变向量自回归(TV-VAR)模型分析时间序列和可视化
R语言用向量自回归(VAR)进行经济数据脉冲响应研究分析
R语言arima,向量自回归(VAR),周期自回归(PAR)模型分析温度时间序列
R语言VAR模型的不同类型的脉冲响应分析
R语言随机搜索变量选择SSVS估计贝叶斯向量自回归(BVAR)模型
R语言时变参数VAR随机模型
R语言估计时变VAR模型时间序列的实证研究分析案例
R语言向量自回归模型(VAR)及其实现
R语言实现向量自回归VAR模型
R语言估计时变VAR模型时间序列的实证研究分析案例
Python和R用EWMA,ARIMA模型预测时间序列
R语言用LASSO,adaptive LASSO预测通货膨胀时间序列
Python中的ARIMA模型、SARIMA模型和SARIMAX模型对时间序列预测
R语言arima,向量自回归(VAR),周期自回归(PAR)模型分析温度时间序列
【视频】Python和R语言使用指数加权平均(EWMA),ARIMA自回归移动平均模型预测时间序列
R语言EG(Engle-Granger)两步法协整检验、RESET、格兰杰因果检验、VAR模型分析CPI和PPI时间序列关系...相关推荐
- R语言ggplot2可视化将两个dataframe可视化的结果组合在一起实战:combining two plots from different data.frames
R语言ggplot2可视化将两个dataframe可视化的结果组合在一起实战:combining two plots from different data.frames 目录 R语
- R语言构建仿真列联表并进行卡方检验(chisq.test):检验两个分类变量是否独立、输出期望的列联表
R语言构建仿真列联表并进行卡方检验(chisq.test):检验两个分类变量是否独立.输出期望的列联表 目录
- R语言·文本挖掘︱Rwordseg/rJava两包的安装(安到吐血)
每每以为攀得众山小,可.每每又切实来到起点,大牛们,缓缓脚步来俺笔记葩分享一下吧,please~ --------------------------- R语言·文本挖掘︱Rwordseg/rJava ...
- R语言筛选dataframe中两个日期之外的数据行,介于两个日期(包括两个日期)之间的数据行
R语言筛选dataframe中两个日期之外的数据行,介于两个日期(包括两个日期)之间的数据行 目录
- R语言多元(多变量)GARCH :GO-GARCH、BEKK、DCC-GARCH和CCC-GARCH模型和可视化
全文链接:http://tecdat.cn/?p=30647 从Engle在1982发表自回归条件异方差(ARCH)模型的论文以来,金融时间序列数据的波动性就倍受关注.同时,近几年又出现了研究股票市场 ...
- R语言可视化分面图、单变量分组多水平t检验并指定参考水平、可视化单变量分组多水平分面箱图(faceting boxplot)并添加显著性水平、指定显著性参考水平、添加抖动数据点
R语言可视化分面图.单变量分组多水平t检验并指定参考水平.可视化单变量分组多水平分面箱图(faceting boxplot)并添加显著性水平.指定显著性参考水平.添加抖动数据点 目录
- R语言可视化分面图、多变量分组嵌套多水平t检验、可视化多变量分组嵌套多水平分面条形图(faceting bar plot)并添加显著性水平、添加误差条
R语言可视化分面图.多变量分组嵌套多水平t检验.可视化多变量分组嵌套多水平分面条形图(faceting bar plot)并添加显著性水平.添加误差条 目录
- R语言xgboost包:使用xgboost算法实现随机森林(random forest)模型
R语言xgboost包:使用xgboost算法实现随机森林(random forest)模型 目录 R语言xgboost包:使用xgboost算法实现随机森林(random forest)模型
- R语言用WinBUGS 软件对学术能力测验建立层次(分层)贝叶斯模型
全文下载链接:http://tecdat.cn/?p=11974 R2WinBUGS软件包提供了从R调用WinBUGS的便捷功能.它自动以WinBUGS可读的格式写入数据和脚本,以进行批处理(自1.4 ...
最新文章
- C语言程序设计 细节总结(第10-11章 文件、预处理命令)
- 最新、最全面的LAMP+wordpress安装过程!!
- 7.2集合类型操作符
- 安装openproject
- 蓝桥杯练习题十六进制转十进制
- Matrix Subtraction(小米icpc邀请赛第一场)
- php弹幕技术轮询,PHP实现长轮询消息实时推送功能代码
- 力扣 - 独一无二的出现次数 python解
- 第一次作业 四班05
- python编程例子-几个python编程例子
- 实习学习:项目用的DDD,什么是DDD开发?
- GNS3 将虚拟机加入组网
- android谷歌打印插件下载地址,谷歌浏览器打印插件(Print Plus)
- PAT题目答案与经验总结1(持续更新,大家放心关注)
- 苹果税要崩溃了!又一国家做出判决:iOS必须开放第三方支付
- vnc连接,什么是vnc连接?有好用的vnc连接软件推荐吗?
- android画cci指标代码,大智慧CCI画线指标源码 副图公式
- 如何写出好的Java代码
- 单片机常用环形队列--ringbuff
- grid_map(一):grid_map学习