R语言EG(Engle-Granger)两步法协整检验、RESET、格兰杰因果检验、VAR模型分析CPI和PPI时间序列关系

简介: R语言EG(Engle-Granger)两步法协整检验、RESET、格兰杰因果检验、VAR模型分析CPI和PPI时间序列关系

全文链接:http://tecdat.cn/?p=31108


作为衡量通货膨胀的基本指标,消费者价格指数CPI和生产者价格指数PPI的作用关系与传导机制一直是宏观经济研究的核心问题。点击文末“阅读原文”获取完整代码数据


对此问题的研究显然具有重要的学术价值与现实意义:当PPI先行地引导着CPI的变动,则意味着上游价格对下游价格具有正向传导效应,物价可能因供给因素的冲击而上升,并由此引发“成本推动型通胀”的风险,此时,通胀治理应以“供给调控”为主;反之,当CPI引导着PPI的变动,则意味着存在下游价格对上游价格的反向倒逼机制,物价可能因需求因素的冲击而上升,并由此引发“需求拉动型通胀”的风险,此时的通胀治理则应以“需求调控”为主。

相关视频

7_~F3[6X}Z]B733KU(GWBJV.png


我们围绕因果关系检验技术进行一些咨询,帮助客户解决独特的业务问题。

数据:CPI与PPI 月度同比数据

GZ_~5VH`U`HBBCB}]FG2Z)B.png

读取数据

head(data)
##   当月同比  CPI  PPI  
## 1    36556 -0.2 0.03  
## 2    36585  0.7 1.20  
## 3    36616 -0.2 1.87  
## 4    36646 -0.3 2.59  
## 5    36677  0.1 0.67  
## 6    36707  0.5 2.95

CPI数据

NIN7(4O8}M_(N0NOBU3S(PU.png

##  
## Residuals:  
##     Min      1Q  Median      3Q     Max  
## -4.3232 -1.2663 -0.5472  0.9925  6.3941  
##  
## Coefficients:  
##             Estimate Std. Error t value Pr(>|t|)     
## (Intercept)  1.05348    0.30673   3.435 0.000731 ***  
## t            0.01278    0.00280   4.564 9.05e-06 ***  
## ---  
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1  
##  
## Residual standard error: 2.1 on 187 degrees of freedom  
## Multiple R-squared:  0.1002, Adjusted R-squared:  0.09543  
## F-statistic: 20.83 on 1 and 187 DF,  p-value: 9.055e-06

1、  单位根检验

查看数据后发现需要进行季节调整

给出输出结果:

]3MXTMZ)[FH[HZK56_MAN)X.png


点击标题查阅往期内容


T6{IE(3TH40EABXCPY9AB4F.png

R语言ECM误差修正模型、均衡修正模型、受限VECM、协整检验、单位根检验即期利率市场数据

左右滑动查看更多

01

DD4}ST2(MIDWU@G4)2FJ@~X.png

02

D32GBP6O@V(Q0Y(K@@ZG%59.png

03

8FLE]E1[ZYMDRL`%2BTE]54.png

04

6BDR4S}](1%EFH41S4BWMXM.png



##  Augmented Dickey-Fuller Test  
##  
## data:  x  
## Dickey-Fuller = -2.0274, Lag order = 0, p-value = 0.4353  
## alternative hypothesis: explosive
## ###############################################  
## # Augmented Dickey-Fuller Test Unit Root Test #  
## ###############################################  
##  
## Test regression trend  
##  
##  
## Call:  
## lm(formula = z.diff ~ z.lag.1 + 1 + tt)  
##  
## Residuals:  
##      Min       1Q   Median       3Q      Max  
## -2.66698 -0.36462  0.02973  0.39311  1.97552  
##  
## Coefficients:  
##               Estimate Std. Error t value Pr(>|t|)   
## (Intercept)  1.063e-01  9.513e-02   1.117   0.2653   
## z.lag.1     -4.463e-02  2.201e-02  -2.027   0.0441 *  
## tt           4.876e-05  8.954e-04   0.054   0.9566   
## ---  
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1  
##  
## Residual standard error: 0.6307 on 185 degrees of freedom  
## Multiple R-squared:  0.0238, Adjusted R-squared:  0.01324  
## F-statistic: 2.255 on 2 and 185 DF,  p-value: 0.1077  
##  
##  
## Value of test-statistic is: -2.0274 1.5177 2.255  
##  
## Critical values for test statistics:  
##       1pct  5pct 10pct  
## tau3 -3.99 -3.43 -3.13  
## phi2  6.22  4.75  4.07  
## phi3  8.43  6.49  5.47

PPI数据

(7M_4SB`GR253{G](STT{7J.png

DTQH2913E0J)@OVU3T7Y820.png

##  Augmented Dickey-Fuller Test  
##  
## data:  x  
## Dickey-Fuller = -1.3853, Lag order = 0, p-value = 0.1667  
## alternative hypothesis: explosive

(1)若存在单位根,用差分后序列进行2、3、4 步;

(2)若不存在单位根,就用原序列。

因此,对两个数据都进行差分。

data$CPI=c(0,diff(data$CPI))

 

2、  检验协整关系——EG两步法

给出输出结果

(1)若存在长期协整,用VECM法线性过滤,利用利用过滤后的“残差成分”再进行3,4 步;

(2)若不存在长期协整,就不用过滤,直接进行3、4步。

建立长期均衡模型

## Call:  
## lm(formula = PPI ~ CPI, data = data)  
##  
## Residuals:  
##     Min      1Q  Median      3Q     Max  
## -3.6930 -0.5071 -0.0322  0.4637  3.2085  
##  
## Coefficients:  
##             Estimate Std. Error t value Pr(>|t|)     
## (Intercept) -0.03678    0.06428  -0.572    0.568     
## CPI          0.54389    0.10176   5.345 2.61e-07 ***  
## ---  
## Signif. codes:  0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1  
##  
## Residual standard error: 0.8836 on 187 degrees of freedom  
## Multiple R-squared:  0.1325, Adjusted R-squared:  0.1279  
## F-statistic: 28.57 on 1 and 187 DF,  p-value: 2.615e-07

绘制残差

ts.plot( residual

VBCLAZ6@I46CAB)T6XEN__I.png

不存在长期协整,就不用过滤,直接进行3、4步

3、  非线性检验——RESET检验方法

给出输出结果

##  RESET test  
##  
## data:  data$PPI ~ data$CPI  
## RESET = 0.28396, df1 = 1, df2 = 186, p-value = 0.5948

 

4、  建立VAR模型、格兰杰因果检验

建立VAR模型给出输出结果

## $Granger  
##  
##  Granger causality H0: CPI do not Granger-cause PPI  
##  
## data:  VAR object var.2c  
## F-Test = 5.1234, df1 = 2, df2 = 364, p-value = 0.006392  
##  
##  
## $Instant  
##  
##  H0: No instantaneous causality between: CPI and PPI  
##  
## data:  VAR object var.2c  
## Chi-squared = 15.015, df = 1, p-value = 0.0001067

p值小于给定的显著性水平拒绝,一般p值小于0.05,特殊情况下可以放宽到0.1。f统计量大于分位点即可。一般看p值。

格兰杰检验主要看P值即可。例如,若P值小于0.1,则拒绝原假设,变量间存在格兰杰因果关系。

相关文章
|
2月前
|
数据采集 机器学习/深度学习 数据可视化
R语言从数据到决策:R语言在商业分析中的实践
【9月更文挑战第1天】R语言在商业分析中的应用广泛而深入,从数据收集、预处理、分析到预测模型构建和决策支持,R语言都提供了强大的工具和功能。通过学习和掌握R语言在商业分析中的实践应用,我们可以更好地利用数据驱动企业决策,提升企业的竞争力和盈利能力。未来,随着大数据和人工智能技术的不断发展,R语言在商业分析领域的应用将更加广泛和深入,为企业带来更多的机遇和挑战。
|
5天前
|
数据挖掘 C语言 C++
R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。
【10月更文挑战第21天】时间序列分析是一种重要的数据分析方法,广泛应用于经济学、金融学、气象学、生态学等领域。R语言是一种强大的统计分析工具,提供了丰富的函数和包用于时间序列分析。本文将介绍使用R语言进行时间序列分析的基本概念、方法和实例,帮助读者掌握R语言在时间序列分析中的应用。
21 3
|
2月前
|
数据采集 数据可视化 数据挖掘
R语言在金融数据分析中的深度应用:探索数据背后的市场智慧
【9月更文挑战第1天】R语言在金融数据分析中展现出了强大的功能和广泛的应用前景。通过丰富的数据处理函数、强大的统计分析功能和优秀的可视化效果,R语言能够帮助金融机构深入挖掘数据价值,洞察市场动态。未来,随着金融数据的不断积累和技术的不断进步,R语言在金融数据分析中的应用将更加广泛和深入。
|
6月前
|
数据可视化 数据挖掘 API
【R语言实战】聚类分析及可视化
【R语言实战】聚类分析及可视化
|
6月前
|
机器学习/深度学习 数据可视化
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为2
R语言逻辑回归logistic模型ROC曲线可视化分析2例:麻醉剂用量影响、汽车购买行为
|
3月前
|
机器学习/深度学习 数据采集 数据可视化
R语言在数据科学中的应用实例:探索与预测分析
【8月更文挑战第31天】通过上述实例,我们展示了R语言在数据科学中的强大应用。从数据准备、探索、预处理到建模与预测,R语言提供了完整的解决方案和丰富的工具集。当然,数据科学远不止于此,随着技术的不断发展和业务需求的不断变化,我们需要不断学习和探索新的方法和工具,以更好地应对挑战,挖掘数据的潜在价值。 未来,随着大数据和人工智能技术的普及,R语言在数据科学领域的应用将更加广泛和深入。我们期待看到更多创新的应用实例,为各行各业的发展注入新的动力。
|
3月前
|
数据采集 存储 数据可视化
R语言时间序列分析:处理与建模时间序列数据的深度探索
【8月更文挑战第31天】R语言作为一款功能强大的数据分析工具,为处理时间序列数据提供了丰富的函数和包。从数据读取、预处理、建模到可视化,R语言都提供了灵活且强大的解决方案。然而,时间序列数据的处理和分析是一个复杂的过程,需要结合具体的应用场景和需求来选择合适的方法和模型。希望本文能为读者在R语言中进行时间序列分析提供一些有益的参考和启示。
|
3月前
|
资源调度 数据挖掘
R语言回归分析:线性回归模型的构建与评估
【8月更文挑战第31天】线性回归模型是统计分析中一种重要且实用的工具,能够帮助我们理解和预测自变量与因变量之间的线性关系。在R语言中,我们可以轻松地构建和评估线性回归模型,从而对数据背后的关系进行深入的探索和分析。
|
3月前
|
机器学习/深度学习 数据采集
R语言逻辑回归、GAM、LDA、KNN、PCA主成分分类分析预测房价及交叉验证
上述介绍仅为简要概述,每个模型在实施时都需要仔细调整与优化。为了实现高度精确的预测,模型选择与调参是至关重要的步骤,并且交叉验证是提升模型稳健性的有效途径。在真实世界的房价预测问题中,可能还需要结合地域经济、市场趋势等宏观因素进行综合分析。
63 3
|
6月前
|
数据采集 数据可视化
利用R语言进行因子分析实战(数据+代码+可视化+详细分析)
利用R语言进行因子分析实战(数据+代码+可视化+详细分析)

热门文章

最新文章