分解商业周期时间序列：线性滤波器、HP滤波器、Baxter滤波器、Beveridge Nelson分解等去趋势法|附代码数据

本文包含各种过滤器，可用于分解南非GDP的方法。我们做的第一件事是清除当前环境中的所有变量。这可以通过以下命令进行（点击文末“阅读原文”获取完整代码数据）。

分解南非GDP数据

本文包含各种过滤器，可用于分解南非GDP的方法。我们做的第一件事是清除当前环境中的所有变量。这可以通过以下命令进行。

1.  rm(list = ls())
2.  graphics.off()

载入数据

如前所述，南非的GDP数据将其作为时间序列存储在gdp中，我们执行以下命令。

gdp <- ts(dat.tmp, start = c(1960, 2), frequency = 4)      

为了确保这些计算和提取的结果是正确的，我们检查一下数据的图表。

plot(gdp)      

线性滤波器_去除数据线性趋势_

为了估计一个线性趋势，我们可以利用一个包括时间趋势和常数的线性回归模型。为了估计这样一个模型，我们使用lm命令，如下。

1.  lin.mod$fitted.values  # 拟合值与时间趋势有关
2.  ts(lin.trend, start = c(1960, 1))  # 为趋势创建一个时间序列变量
3.  gdp - linear  # 周期是数据和线性趋势之间的差异

回归的拟合值包含与线性趋势有关的信息。这些信息需要从模型对象lin.mod中提取，在上面的块中，我们将这些值分配给时间序列对象linear。然后从数据中剔除趋势，就得到了周期。

然后我们可以借助下面的命令来绘制这个结果，其中趋势和周期被绘制在不同的数字上。

1.  plot.ts(gdp, ylab = "")  
2.  lines(linear, col = "red")  
3.  legend("topleft", legend = c("data", "trend")

霍德里克 - 普雷斯科特 (Hodrick-Prescott，HP) _滤波器_对数据进行去趋势处理

要用流行的HP滤波法分解这个数据。在这种情况下，我们将lambda的值设置为1600，这也是对季度数据的建议。

1.  hp(gdp, freq = 1600)
2.  plot.ts(gdp, ylab = "")  # 绘制时间序列
3.  plot.ts(hp.decom$cycle, ylab = "")  # 绘制周期图

这似乎更准确地反映了我们对南非经济表现的理解。

点击标题查阅往期内容

​​R语言从经济时间序列中用HP滤波器，小波滤波和经验模态分解等提取周期性成分分析​​

转存失败重新上传取消

左右滑动查看更多

01

02

03

04

用Baxter-King滤波器去趋势数据

为了利用Baxter-King 滤波器。在这种情况下，我们需要指定周期的频带，其上限被设定为32，下限被设定为6。

1.  bk(gdp, pl = 6, pu = 32)
2.  plot.ts(gdp, ylab = "")
3.  plot.ts(cycle, ylab = "")

这似乎再次为南非经济活动的周期性提供了一个相当准确的表述。还要注意的是，周期的表示比以前提供的要平滑得多，因为噪音不包括在周期中。

Christiano-Fitzgerald滤波器去趋势数据

这个滤波器的性质与上面提供的非常相似。此外，产生与Baxter-King滤波器高度相似的结果。

1.  plot.ts(gdp, ylab = "")
2.  plot.ts(cfcycle, ylab = "")

用Beveridge-Nelson分解法 "去趋势 "数据 

为了将数据分解为随机趋势和平稳周期，我们可以采用Beveridge-Nelson分解法。当采用这种技术时，我们需要指定与平稳部分有关的滞后期的数量。在我下面的例子中，我假设有八个滞后期。

1.  plot.ts(gdp, ylab = "")
2.  lines(bn.trend, col = "red")
3.  plot.ts(bn.cycle, ylab = "")

比较周期的不同衡量标准

然后，我们可以将所有这些结果结合在一张图上，考虑各自的相似性和差异。在这个例子中，我创建了一个时间序列ts.union，但是我也可以先绘制一个单一的序列，然后再使用lines命令在上面绘制连续的图。

1.   ts.union(lin.cycle, hp.decom, bp.decom, 
2.      cf.decom, bn.cycle)
3.  plot.ts(comb, ylab = "")

谱分解

在我们考虑使用谱技术之前，最好先清除当前环境中的所有变量，并关闭所有的图。下一步是确保你可以通过使用library命令来访问这些包中的程序。

1.  library(tsm)
2.  library(TSA)
3.  library(mFilter)

使用谱技术进行分解。我们可以为三个时间序列变量生成数值，然后将它们组合成一个单一的变量。

1.  2 * cos(2 * pi * t * w\[1\]) + 3 * sin(2 * pi * t * 
2.      w\[1\])  # no.obs点上的6个周期的频率
3.  4 * cos(2 * pi * t * w\[2\]) + 5 * sin(2 * pi * t * 
4.      w\[2\])  #频率为10个周期的观察点
5.  6 * cos(2 * pi * t * w\[3\]) + 7 * sin(2 * pi * t * 
6.      w\[3\])  # 在没有观测点的情况下，频率为40个周期
7.  y <- x1 + x2 + x3

为了观察这些变量，我们可以把它们绘制在一个单独的轴上。

1.  par(mfrow = c(2, 2), mar = c(2.2, 2.2, 2, 1), cex = 0.8)
2.  plot(x1, type = "l", main = "x1")
3.  plot(x2, type = "l", main = "x2")
4.  plot(x3, type = "l", main = "x3")
5.  plot(y, type = "l", main = "y")

此后，我们可以使用周期图来考虑这些时间序列变量的每一个属性。

gram(y, main = "y", col = "red")      

当然，我们可以利用一个过滤器，从总体时间序列变量中去除一些不需要的成分。为此，我们可以应用上下限相对较窄的Christiano-Fitzgerald滤波器。此后，我们使用应用于与周期有关的信息的周期图，来调查它是否成功地剔除了一些频率成分。

1.  cf(y0)
2.  gram(cycle)

这个结果将表明，滤波器已经排除了大部分的高频率成分。为了看看这个周期与之前的数据有什么关系，我们把通过滤波器的周期性信息绘制在分量上。此外，我们还将这个结果绘制在综合周期的变量上。

1.  plot(x1, type = "l", lty = 1)
2.  lines(cycle, lty = 3, lwd = 3)
3.  plot(y, type = "l", lty = 1)
4.  lines(cycle, lty = 3, lwd = 3)

在这两种情况下，它似乎都对过程中的趋势做了合理的描述。

南非商业周期的谱分解法

为了考虑如何在实践中使用这些频谱分解，我们现在可以考虑将这些技术应用于南非商业周期的各种特征中。

下一步将是运行所有的过滤器，这些过滤器被应用于识别南非商业周期的不同方法。

现在，让我们对商业周期的每一个标准应用一个周期图。

线性滤波器提供了一个很差的结果，因为趋势明显占主导地位（这不是周期应该有的）。这与Hodrick-Prescott滤波器的特征形成对比，后者的趋势信息已经被去除。Baxter & King和Christiano & Fitzgerald的带通滤波器也是这种情况。在这两种情况下，噪声也已经被去除。最后的结果与Beveridge-Nelson分解有关，我们注意到周期包括大量的趋势和大量的噪声。

小波分解

为了提供一个小波分解的例子，我们将把该方法应用于南非通货膨胀的数据。这将允许使用在这个过程中推导出对趋势的另一种衡量方法，这可以被认为是代表核心通货膨胀。请注意，这种技术可以应用于任何阶数的单整数据，所以我们不需要首先考虑变量的单整阶数。

然后，我们将利用消费者价格指数的月度数据，该数据包含在SARB的季度公告中。数据可以追溯到2002年。为了计算通货膨胀的同比指标，我们使用diff和lag命令。

diff/cpi\[-1 * (length - 11):length\]      

为了确保所有这些变量的转换都已正确进行，我们对数据进行绘图。

plot(inf.yoy)      

由于我们在这种情况下主要对识别平滑的趋势感兴趣，我们将使用贝希斯函数。这样的函数是Daubechies 4小波，它应用修正的离散小波变换方法。此外，我们还将使用三个母小波来处理各自的高频成分。

wt(yoy, "d4")      

然后我们可以为每个独立的频率成分绘制结果，如下所示。

1.  plot.ts(yoy)
2.  for (i in 1:4) plot.ts(d4\[\[i\]\]

如果我们现在想在数据上绘制趋势（父小波）。

1.  plot.ts(inf, ylab = "inf")
2.  lines(ren)

请注意，由于各自的频段是相加的，我们可以将其中一个母频段加入到趋势中，如下所示。

1.  inf.tmp <- inf.tren + inf.d4$w3
2.  inf.tren2 <- ts(inf.tmp, start = c(2003, 1), frequency = 12)
3.  plot.ts(inf.yoy, ylab = "inf")
4.  lines(inf.tren2, col = "red")

相关经济变量的周期性成分之间的相关性

为了确定周期的特征是否合适，我们可以考虑宏观经济总量的一些不同周期性方法之间的相关性。例如，我们可以考虑产出和生产（或就业）的周期性在不同的滞后期应该是相关的。如果它们不相关，那么该方法可能无法准确描述各自变量的周期性成分。

在本文使用的例子中，代码可能有点难以理解，但我们鼓励你自己去研究，以提高你对这个编码环境的总体理解。 

下一步是读入数据并为数据的各种周期性成分创建一些矩阵。

1.  yd <- dat\[5:n.obs, \] - dat\[1:(n.obs - 4), \]  # 存储输出
2.  yc_li <- matrix(rep(0, n.obs * n.var), ncol = n.var)
3.  yc_hp <- matrix(rep(0, n.obs * n.var), ncol = n.var)
4.  yc_bp <- matrix(rep(0, n.obs * n.var), ncol = n.var)
5.  yc_bn <- matrix(rep(0, n.obs * n.var), ncol = n.var)

使用上面包含的方法对数据进行过滤。

1.  for (i in 1:n) {
2.      # 用线性滤波器对数据进行去趋势处理
3.      lin.mod <- lm(dat\[, i\] ~ time(dat\[, i\]))
4.      # 用HP滤波器去趋势数据
5.      yc_hp\[, i\] <- hp.cycle
6.      #用带通滤波器去趋势数据
7.      yc_bp\[, i\] <- bp.cycle
8.      #  Beveridge-Nelson分解
9.      yc_bn\[, i\] <- bn.\[, 2\]
10.  }

计算不同提前期和滞后期的相关关系。

1.  for (i in 1:n) {
2.      for (j in 1:n.var) {
3.          c\_li <- leadlag(yc\_li\[, i\], yc_li\[, j\], maxLeadLag)
4.          c\_hp <- leadlag(yc\_hp\[, i\], yc_hp\[, j\], maxLeadLag)
5.          c_bp 
6.          c_bn
7.          c_yd 
8.          for (k in 1:5) {
9.              ynamesLong\[(cnt + k), 1\] <- paste(ynames.tmp)
10.          }
11.          cnt <- cnt + 5

绘制结果。

1.  # 线性趋势
2.  barplot(corrStylizedFact)
3.  box()

1.  # hp滤波器
2.  op <- par(mfrow = c(1, 3))
3.  barplot(corrStyli, ylim = c(-1, 1))
4.  box()

1.  # beveridge nelson 分解
2.  barplot(coracts, ylim = c(-1, 1), col = "red")
3.  box()