2000年-BIS国际清算银行_The_real-time_predictive_content_of_money_for_output__34页_395kb

总结：货币对产出的实时预测内容

核心内容

本研究探讨了货币（M1 和 M2）在实时数据环境下的边际预测能力，特别是在预测实际产出（RGDP）和名义产出（NGDP）方面的作用。研究使用了最新的数据版本和真实时间序列数据，以评估货币是否能够有效预测产出，超越其他宏观经济变量的历史信息。

主要观点

• 货币的预测能力：在样本内分析中，M1 和 M2 被发现具有一定的边际预测能力，特别是在1期（月度或季度）的预测中。然而，在实时数据环境下，这种预测能力显著减弱或消失。
• VAR 与 VEC 模型：VAR 模型和 VEC 模型被用于评估预测能力。研究发现，当不包含货币变量时，这些模型在大多数情况下表现更优。
• 实时数据的重要性：研究强调了使用实时数据进行预测分析的必要性，因为传统的样本内分析可能受到数据修订和重新定义的影响，导致预测能力的高估。
• M2 的特殊性：尽管总体上货币在实时数据中的预测能力有限，但 M2 在1年期的预测中仍显示出一定的边际预测能力，这可能与其在 VEC 模型中的表现有关。

关键信息

数据修订与重新定义

• 数据修订：M1 和 M2 数据会经历定期的修订，主要是由于数据收集不完整和季节性调整。
• 重新定义：货币数据也会被重新定义，通常是为了适应金融创新并保持其与产出等宏观经济变量的联系。
• 数据来源：数据主要来自美国联邦储备系统的统计发布，如 H.6 和 G.12.3/G.17。

方法论

• 模型类型：研究使用了 VAR 和 VEC 模型，分别用于样本内和样本外的预测分析。
• 变量选择：模型包括实际产出、名义产出、价格指数、短期利率和货币变量。
• 滞后长度：月度数据的滞后长度为 9，季度数据的滞后长度为 3。
• 预测周期：研究考察了1期和1年期的预测能力。

实时数据处理

• 数据可用性：在实时数据环境下，预测只能基于当时可获得的数据，因此每个预测期的数据滞后于实际数据一个周期。
• 数据版本：研究使用了不同版本的“数据集”，包括初步数据、修订数据和最终数据，以评估预测误差的变化。
• 预测误差：使用均方预测误差（MSFE）和 Diebold & Mariano（DM）预测能力检验统计量来评估模型表现。

实时预测结果

• M1 和 M2 的预测能力：在实时数据中，M1 和 M2 对产出的边际预测能力较弱，特别是在1年期的预测中。
• VEC 模型的优势：研究发现，VEC 模型在许多情况下优于 VAR 模型，这可能是因为它们能够捕捉到变量之间的长期关系。
• 样本外预测实验：通过使用不同版本的数据进行预测，研究发现货币在某些情况下仍能提供有用的信息，但整体上其预测能力在实时数据中不如样本内分析中显著。

结构总结

1. 研究背景

• 货币与产出之间的因果关系是宏观经济学中的核心问题。
• 多项研究表明货币在预测产出方面具有一定的作用，但这些结论基于修订后的数据。

2. 数据说明

• 变量：包括实际产出、名义产出、价格指数、货币（M1 和 M2）和短期利率。
• 数据频率：月度和季度数据。
• 数据修订：M1 和 M2 数据经历定期修订和重新定义，以提高其与产出的关联性。
• 数据来源：主要来自美国联邦储备系统的统计发布，如 H.6、G.12.3 和 G.17。

3. 样本内分析结果

• M1 和 M2 的预测能力：在样本内分析中，M1 和 M2 对产出具有边际预测能力。
• SIC 指标：在大多数情况下，包含货币的 VEC 模型被 SIC 指标所偏好。
• Granger 因果检验：在 VAR 模型中，货币的 Granger 因果关系在部分情况下被拒绝。

4. 样本外分析结果

• 预测误差：通过比较不同版本的数据，研究发现货币在实时预测中的作用有限。
• MSFE 和 DM 检验：这些统计量用于评估模型的预测能力，结果显示不含货币的模型在大多数情况下表现更好。
• M2 的例外：在1年期预测中，M2 仍显示出一定的预测能力，特别是在 VEC 模型中。

结论

• 货币的预测能力受限：在实时数据环境下，M1 和 M2 的边际预测能力较弱，尤其是对于1年期的预测。
• VEC 模型更优：在许多情况下，VEC 模型比 VAR 模型表现更好，因为它们能够捕捉到变量之间的长期关系。
• 数据修订的影响：研究强调了数据修订对预测能力评估的影响，并建议在实时分析中使用更为谨慎的方法。