2023-03-14-IMF-识别Nowscasting模型的最优指标和滞后项（英）_38页_2mb

识别现在型模型中的最优指标与滞后项

背景问题

现有现在型技术虽被广泛用于获取经济周期信息，但存在两大缺陷：1. 缺乏指导选择高频与低频指标；2. 基准回归的ARIMA滞后项（p,q）设置常随意。

研究方法

提出方法：调整步进ARIMA X变量选择法（AS-ARIMAX）。
核心逻辑：

• 结合并步筛选指标：同时满足AIC改善、经济符号合理、统计显著；
• 自动优化滞后阶数：通过EViews实现自动ARIMA选择，并手动剔除非显著项；
• 回归诊断：确保模型残差无自相关、异方差或分布异常。

基准模型

评估与三种基准对比：

1. 单元根（AR(1)）随机游走模型；
2. 备选预测者调查均值；
3. EViews组合多项式选择法。

AS-ARIMAX变量选择流程

四步法:

1. 单变量排除：每项单独加入评估前两条条件（AIC改善和经济符号）；
2. 残差评估：添加通过前两步的变量，验证第三条条件（统计显著）；
3. 滞后处理：自动ARIMA后，剔除非显著滞后项（优先15%水平）；
4. 残差诊断：验证序列无自相关、异方差与正态性异常。

实证结果：印度案例

样本：印度实际GDP（使用80个候选指标）；
结果：

• AS-ARIMAX变量选择显著提升预测精度：U-MIDAS模型降低样本外RMSE达26%；
• 出样本评估显示AS-ARIMAX优于三种基准；
• 参数诊断确认模型稳定性。

稳健性检验

在阿根廷、澳大利亚、南非、英国、美国五国应用AS-ARIMAX，结果一致：

• 超额收益显著，如美国RMSE平均改善67%；
• 预测误差图形显示模型对COVID等因素冲击反应精准。

结论

AS-ARIMAX方法有效选择显著指标与经济合理的滞后结构，显著提升现在型预测性能，具有良好的稳健性。该方法适用于各种经济变量与时频数据场景。