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(四)

简介: 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

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(三)https://developer.aliyun.com/article/1485948


如果我们现在想在数据上绘制趋势(父小波)。

plot.ts(inf, ylab = "inf")
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。

inf.tmp <- inf.tren + inf.d4$w3
inf.tren2 <- ts(inf.tmp, start = c(2003, 1), frequency = 12)
plot.ts(inf.yoy, ylab = "inf")
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。

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

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

计算不同提前期和滞后期的相关关系。

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

绘制结果。

# 线性趋势
barplot(corrStylizedFact)
box()

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

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

相关文章
|
29天前
|
存储 数据采集 数据可视化
R语言拟合线性混合效应模型、固定效应随机效应参数估计可视化生物生长、发育、繁殖影响因素
R语言拟合线性混合效应模型、固定效应随机效应参数估计可视化生物生长、发育、繁殖影响因素
|
29天前
|
存储
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
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
|
29天前
|
机器学习/深度学习 数据可视化
R语言广义加性混合模型(GAMM)分析长沙气象因子、空气污染、PM2.5浓度、显著性检验、逐日变化可视化(上)
R语言广义加性混合模型(GAMM)分析长沙气象因子、空气污染、PM2.5浓度、显著性检验、逐日变化可视化
|
29天前
|
数据可视化 数据建模
R语言广义加性混合模型(GAMM)分析长沙气象因子、空气污染、PM2.5浓度、显著性检验、逐日变化可视化(下)
R语言广义加性混合模型(GAMM)分析长沙气象因子、空气污染、PM2.5浓度、显著性检验、逐日变化可视化
|
29天前
|
数据可视化 前端开发 SEO
R语言门限误差修正模型(TVECM)参数估计沪深300指数和股指期货指数可视化
R语言门限误差修正模型(TVECM)参数估计沪深300指数和股指期货指数可视化
|
29天前
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(二)
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
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(二)
|
29天前
|
存储
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(一)
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
|
29天前
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(三)
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
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(三)
|
29天前
|
存储
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1
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
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1
|
29天前
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2
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
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2

热门文章

最新文章