[TOC]
国家统计局不变价GDP
以不变价计算
什么是以不变价计算
以不变价计算是指计算各种总量指标所采用的扣除了价格变动因素的价格,主要用于进行不同时期总量指标的对比。
按不变价计算总量指标有两种方法:一种是直接用产品产量乘某一年的不变价格计算;另一种是用价格指数进行缩减。如地区生产总值增速、工业增加值增速、城乡居民收入实际增速等指标即用此方法计算。
不变价计算的相关规定
中国财政部规定:税收以现价计算,GDP数字以不变价计算。 这可以解释为什么每年财政收入会高于GDP的增长。举例来说,某年的国内生产总值GDP同比增长9.2%,全国财政收入增24.8%,其中中央财政收入增长20.8%,明显高于9.2%。 主要有以下几点因素:一是财政收入,特别是税收收入是以现价计算的,而GDP公布的数字9.2%是以不变价,即多年以前的价格相比较来计算的。出现这种情况就是因为价格因素,有些年价格因素影响比较多,有些年可能影响比较少。历史上也出现过财政收入增幅低于GDP增幅,就是通货紧缩,价格负增长。
以不变价计算的例子
例:以1978年的价格为不变价,计算1979年、1980年的实际GDP。
首先,要计算79年的实际GDP,查统计年鉴得,1979年的国内生产总值指数(以上年=100)是107.6,1980年的国内生产总值指数(以上年=100)是107.8,意思就是,扣除物价变化,79年的实物产出量比上年增加了107.6%,80年实物产出量比上年增加了107.8%。
实际GDP=该年国内生产总值指数(以基期为不变价)基期的GDP,所以79年的实际GDP(以78年为不变价)=79年国内生产总值指数(以78年为不变价)78年的GDP, 1979年的国内生产总值指数(以上年=100)是107.6,1978年GDP为3624.1,所以,79年的实际GDP=107.6%*3624.1=3899.53。
同比,环比,定基比
同比
与同期的统计阶段做对比,可以消减季节性因素的影响。 例如,2021年1月份与2020年1月份相比较称其为同比。
环比
与上个统计周期相比的变化比。例如,2021年1月份与2020年12月份相比较称其为环比。
定基比
和某个基点做对比。
定基比和环比转换
定基比=把起点数据定为基数100,然后环比/100再连乘。例如,本季度CPI定基比=(本季度CPI环比值x上季度CPI定基比)/100。
注意本季度CPI环比值可以从Choice中的 CPI:上月=100:环比 这个数据算出。
季节调整
季节性调整是指针对某些经济指标因受季节性因素影响而出现可预期的高峰或低谷所进行的调整。对经济指标作季节性调整有助于察觉其潜在趋势。通过自目前的变化中扣除过去数年的平均变动,可说明此上涨或下跌是否是不寻常的,或纯粹只是季节性现象。
季节调整的目的是剔除季节因素的影响,使得数据平滑。进行季节调整的目的其一是使得不同季节的数据具有可比性,其二是使得一般的时间序列模型能够适用于数据,例如我们观察到近期燃油价格上涨,想通过ARMA模型验证其趋势性,但燃油上涨的时间窗口在冬季,所以要通过季节调整方法剔除掉季节作用,余下的价格上涨才有验证的意义。
与原始数据相比,消除季节因素影响后的数据具有下述:
- 更加准确地反映数据本身的基本趋势。利用科学的方法将季节因素从实际的时间序列数据中测定、分离、抵消和调整后,能使该序列更准确地反映指标的基本发展趋势。
- 数据具有可比性。由于季节调整后的数据消除了季节因素的影响,使得不同季度或月度之间的数据可以直接比较。
- 可以及时反映经济的短期变化,特别是可以反映经济变化的转折点,这对经济分析非常有价值,同时也是季节调整最大的优点。
- 可以对季节调整后的数据进行年率化折算。
- 经季节调整后的数据可用于短期预测
常用的季节调整方法包括:(1)求同比;(2)census X12/X13季节调整;(3)平滑分离方法。
季调方法主要分乘法模型和加法模型,分别适用不同的数据类型。 其中乘法模型主要适用于呈指数级数增长的序列,如 GDP、工业增加值、投资数据的名义值、实际值及物价的指数序列等。
季调的加法模型则主要适用于呈线性增长的数据序列,或者是围绕某一个中值波动的数据序列,如 PMI 数据序列等,此外,GDP、工业、投资及 CPI 的同比增速 为近似的加法模型。
X12
Census X12:这里的“Census”是指美国统计局(United States Census Bureau),所以美国的各种统计数据都是通过这套方法进行季节调整的。这套方法在学术界得到了广泛的使用。Census提供了一个X12A.EXE程序,Eviews也是调用了这个exe程序。
用x12方法进行季节性分析后,可以得到X_SA(季调后得到的序列)和X_TC(趋势循环序列)
ARIMA模型
X12方法是基于移动平均法的季节调整方法。它的一个主要缺点是在进行季节调整时,需要在原序列的两端补欠项,如果补欠项的方法不当,就会造成信息损失。X12 – ARIMA方法是由X12方法和时间序列模型组合而成的季节调整方法。通过用ARIMA模型 (autoregressive integrated moving Average) 延长原序列,弥补了移动平均法末端项补欠值的问题。 建立ARIMA(p, d, q)模型,需要确定模型的参数,包括单整阶数d;自回归模型(AR)的延迟阶数p;动平均模型(MA)的延迟阶数q。也可以在模型中指定一些外生回归因子,建立ARIMAX模型。对于时间序列中的一些确定性的影响(如节假日和贸易日影响),应在季节调整之前去掉。
单位根检验
单位根检验(Unit Root Test)是针对宏观经济数据序列、货币金融数据序列中是否具有某种统计特性而提出的一种平稳性检验的特殊方法,单位根检验的方法有很多种,包括ADF检验、PP检验、NP检验等。
时间序列矩特性的时变行为实际上反映了时间序列的非平稳性质。对非平稳时间序列的处理方法一般是将其转变为平稳序列,这样就可以应用有关平稳时间序列的方法来进行相应得研究。对时间序列单位根的检验就是对时间序列平稳性的检验,非平稳时间序列如果存在单位根,则一般可以通过差分的方法来消除单位根,得到平稳序列。对于存在单位根的时间序列,一般都显示出明显的记忆性和波动的持续性,因此单位根检验是关协整关系存在性检验和序列波动持续性讨论的基础。
具体请查看 单位根检验
一般情况下,单整过程可以称作单位根过程。在经济,金融时间序列中,常会遇到ρ非常接近1的情况,成为近似单位根现象。近似单位根是介于平稳序列I(0)和单正序列I(1)之间。一般情况下,单整过程可以称作单位根过程。我们这里只需要检验原序列为I(1)序列。
HP滤波法
对X_TC(趋势循环序列)在proc命令中选择Hodrick-Prescott filter方法得出hptrend系列
hptrend是趋势项,hpcycle是循环项,hptrend+hpcycle=gdp_TC
HP滤波求潜在GDP,实际GDP序列一定要是平稳序列吗?如果是一阶差分平稳可以吗?
潜在产出
趋势项就是潜在产出。
从学术上讲,用HP滤波得到趋势项,用实际GDP和趋势项得到潜在缺口。
产出缺口
书中用的是这个公式(实际GDP-潜在产出)/实际GDP
GDP缺口(GDP gap)反映的是总供给与总需求之间的差距。
用来衡量一个地区的GDP与实际GDP之间的差距。
- 含 义
潜在GDP与实际GDP的差额或缺口
-
应 用
衡量地区的GDP与实际GDP的差距
GDP gap亦被称为Output gap,即GDP缺口,用以衡量一个地区在一段时间内的潜在GDP与实际GDP之间的差距,其计算公式为(实际GDP-潜在GDP)/潜在GDP。(与书中不同)
当这个数值为正数时,称为通货膨胀缺口,意味着这这段时间内有发生通货膨胀的预期,当数值为负数时,称为通货紧缩缺口,即有可能发生通货紧缩。
也就是说,它反映的是总供给与总需求之间的差距。
另外,所谓潜在GDP(Potential GDP)指的是一个国家一定时期可供利用的生产资源在正常情况下可以产出的最大产量,也就是实现充分就业时会有的GDP。或更精确地说,在既定的技术状况和人口规模条件下可以达到的且不致加速通货膨胀的最高水平的GDP,一般认为,它是与最低可持续失业率相应的产出水平。它反映一个国家经济的潜力。
所谓实际GDP是用从前某一年作为基期的价格计算出来的全部最终产品的市场价值。 它反映一个国家在当前失业率水平下的产出水平。
Python中利用eviews引擎功能计算GDP产出缺口数据
EViews
在新建的 workfile 中已经存在两个 objects,即 c 和 residual。C 是系数向量、residual 是 残差序列,当估计完一个模型后,该模型的系数、残差就分别保存在 c 和 residual 中。