台灣經濟成長率之混合頻率預測-MIDAS迴歸應用

以作者查詢圖書館館藏

、以作者查詢臺灣博碩士

、以作者查詢全國書目

、勘誤回報

、線上人數：121

、訪客IP：18.223.195.167

姓名

涂育嘉(Yu-Jia Tu) 查詢紙本館藏

畢業系所

經濟學系

論文名稱

台灣經濟成長率之混合頻率預測-MIDAS迴歸應用

相關論文

★ 消費財富效果不對稱分析: 馬可夫轉換共同趨勢模型之應用	★ 股票市場報酬與波動性外溢效果分析
★ 中國大陸勞動合同法與企業所得稅法對台商的衝擊與因應	★ 結構FAVAR模型與台灣貨幣政策分析
★ 通貨膨脹率預測:考慮結構變動之動態因子模型應用	★ 匯率因子與市場基要之預測表現
★ 台灣大小公司報酬與流動性之實證研究	★ 台灣外匯暨股票市場流動性與景氣循環關係之探討
★ 油價對匯率預測能力之分析	★ 重新驗證遠期匯率不偏性假說: Bonferroni Q 檢定之應用
★ 台灣期貨市場處份效果之研究	★ 寡占廠商成本歧異下之最適產業與貿易政策
★ The Macroeconomic Effects of Foreign Direct Investment	★ 平行輸入、仿冒與服務品質
★ 經濟成長、消費者信心與銀行風險	★ 台灣動態隨機一般均衡模型之實證研究

檔案

[Endnote RIS 格式]

[Bibtex 格式]

[相關文章]

[文章引用]

[完整記錄]

[館藏目錄]

至系統瀏覽論文 ( 永不開放)

摘要(中)

本文以Ghysels et al. (2004) 所提出的MIDAS 迴歸模型(Mixed Data Sampling)對台灣經濟成長率進行混合頻率預測, 主要分為兩個部分: 第一, 使用領先與同時指標構成項目, 進行單變量迴歸、多變量迴歸及組合預測。第二, 使用能處理大量資料的因子模型, 並將資料區分成實質面與金融面變數。透過樣本外預測結果發現, MIDAS迴歸模型有較佳的預測績效, 且顯示此方法具有一定的準確性與即時性, 也發現金融相關資料能提供好的預測能力。而台灣尚未運用MIDAS 迴歸模型在總體的經濟成長率預測, 本文算是一個新的嘗試, 提供往後對總體經濟預測方面, 若存在資料頻率不同時,有其他的處理方式。

摘要(英)

This paper aims to construct a mixed-frequency model based on MIDAS regression, which was proposed by Ghysels et al. (2014), to forecast Taiwan economic growth rate. There are two sections in this paper. The first one is the use of leading indicator and coincident indicator in Univariate regression, Multivariate regression and Forecast combination. Another part is that we adopt Factor model to analyze the respective factors between various macroeconomic variables. In this estimator, we distinguish variables into financial variables and non-financial variables.

The results of pseudo out-of-sample show that the MIDAS regression models perform better and have the certain degree of accuracy and timeliness. Furthermore, we find financial variables can provide a good prediction power. Although the MIDAS regression models are not widely used in prediction of Taiwan economic growth rate, we try to make a new attempt on it and it can also be a good alternative in macroeconomic forecast with different frequencies data.

關鍵字(中)

★ 經濟成長率預測
★ 混合頻率資料模型
★ 因子模型

關鍵字(英)

★ Forecasting economic growth rate
★ MIDAS regression model
★ Factor model

論文目次

1 緒論 1
2 文獻回顧 4
2.1 台灣總體經濟預測與處理資料頻率不同相關文獻. . . . . . . . . . 4
2.2 MIDAS 迴歸相關文獻. . . . . . . . . . . . . . . . . . . . . . . 5
3 模型架構 8
3.1 基礎MIDAS 迴歸模型介紹. . . . . . . . . . . . . . . . . . . . 8
3.2 加入自我迴歸項之MIDAS 模型. . . . . . . . . . . . . . . . . . 9
3.2.1 單變量MIDAS 模型. . . . . . . . . . . . . . . . . . . . 9
3.2.2 多變量MIDAS 模型. . . . . . . . . . . . . . . . . . . . 9
3.2.3 組合預測MIDAS 模型. . . . . . . . . . . . . . . . . . 10
3.2.4 因子MIDAS 模型. . . . . . . . . . . . . . . . . . . . . 11
3.3 預測績效衡量與檢定. . . . . . . . . . . . . . . . . . . . . . . . 13
3.3.1 衡量預測績效基準模型. . . . . . . . . . . . . . . . . . . 13
3.3.2 Diebold-Mariano 檢定. . . . . . . . . . . . . . . . . . 14
4 資料與研究方法 16
4.1 資料來源與處理. . . . . . . . . . . . . . . . . . . . . . . . . . 16
4.2 研究方法. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
5 實證分析及預測結果 22
5.1 權重函數指數Almon 與Beta 分配. . . . . . . . . . . . . . . . 22
5.2 單變量MIDAS 模型. . . . . . . . . . . . . . . . . . . . . . . . 24
5.3 多變量及組合預測MIDAS 模型. . . . . . . . . . . . . . . . . . 31
5.4 因子MIDAS 模型. . . . . . . . . . . . . . . . . . . . . . . . . 33
5.5 月資料的增加是否提升預測績效. . . . . . . . . . . . . . . . . . 35
5.6 與主計處的預測比較. . . . . . . . . . . . . . . . . . . . . . . . 36
6 結論 39
參考文獻 40
附錄 44

參考文獻

丁純蘭(2007). 「應用MIDAS 模型之避險效果分析」, 國立交通大學, 碩士論文。

徐士勛、管中閔、羅雅惠(2005). 「以擴散指標為基礎之總體經濟預測」, 台灣經濟預測與政策, 36:1, 1-28。

張志揚(2013). 「台灣總體經濟即期季模型之建立-運用月資料改善國民所得預測」, 中央銀行季刊, 35:3, 37-60。

許志豪(2008). 「台灣遠期美元外匯風險溢酬之估測-MIDAS 模型之應用」, 國立交通大學, 碩士論文。

陳旭昇(2013). 時間序列分析-總體經濟與財務金融之應用, 四版, 東華書局。

喬慕恩(2010). 「風險、報酬的抵換關係與波動性預測-臺灣股市的實證研究」, 國立臺灣大學, 碩士論文。

彭素玲、周濟(2002). 「台灣總體經濟即期季模型之建立與應用」, 臺灣經濟預測與政策, 32:1 , 77-116。

黃裕烈、徐之強(2005). 「景氣基準循環指數之檢討與修訂」, 　政院經濟建設委員會委託研究計畫。

劉金全、劉漢、印重(2010). 「中國宏觀經濟混頻數據模型應用—基於MIDAS 模型的實證研究」, 經濟科學, 5, 23-34。

劉瑞文(2007). 「由靜態到動態之依時拆分　臺灣工業部門實質GDP 之按月推估」, 臺灣經濟預測與政策, 38:1 , 75-125。

劉漢、劉金全(2011). 「中國宏觀經濟總量的實時預報與短期預測—基於混頻數據預測模型的實證研究」, 經濟研究, 3, 4-17。

鄭挺國、尚玉皇(2013). 「基於金融指標對中國GDP 的混頻預測分析」, 金融研究, 9。

Almon, S. (1965), “The Distributed Lag Between Capital Appropriations and Expenditures”, Econometrica, 33, 178–196.

Andreou, E., E. Ghysels, and A. Kourtellos (2011). “Forecasting with Mixed-Frequency Data”, in Clements. M., and D. Hendry, ed.:Oxford Handbook of Economic Forecasting, 225–245.

——– (2012), “Should Macroeconomic Forecasters Use Daily Financial Data and How?” , Working Papers , http://www.unc.edu/∼eghysels/papers/JBES 2012 0005 Paper Dec 23 2012.pdf.

Armesto, M.T., K.M. Engemann, and M.T. Owyang (2010). “Forecasting with Mixed Frequencies”, Federal Reserve Bank of St. Louis Review, 92, 521–536.

Bai, J., and S. Ng (2002), “Determining the Number of Factors in Approximate Factor Models” Econometrica, January, 70:1, 191–221.

Clements, M.P., and A.B. Galv˜ao (2008). “Macroeconomic Forecasting with Mixed Frequency Data: Forecasting US output growth”, Journal of Business and Economic Statistics, 26, 546–554.

——– (2009). “Forecasting US Output Growth Using Leading Indicators: An Appraisal using MIDAS models”, Journal of Applied Econometrics, 24, 1187–1206.

Diebold, F. X., and R. S. Mariano (1995). “Comparing Predictive Accuracy”, Journal of Business and Economic Statistics, 13, 253–263.

Foroni, C., M. Marcellino, and C. Schumacher (2011). “U-MIDAS: MIDAS Regressions with Unrestricted Lag Polynomials”, Discussion Paper Deutsche Bundesbank and European University Institute, 24.

Frale, C., and L. Monteforte (2009). “FaMIDAS: A Mixed Frequency Factor Model with MIDAS structure”, Luiss Lab of European Economics Working Document, 84.

Ghysels, E. (2014). “Matlab Toolbox for Mixed Sampling Frequency Data Analysis usingMIDAS Regression Models”, http://www.unc.edu/∼eghysels/papers/MIDAS Usersguide V1.0.pdf .

Ghysels, E., V. Kvedaras, and V. Zemlys (2014), “Mixed Frequency Sampling Data Sampling Regression Models: the R Package midasr”, https://github.com/mpiktas/midasr-user-guide/raw/master/midasr-user-guide.pdf .

Ghysels, E., P. Santa-Clara, and R. Valkanov (2004). “The MIDAS Touch: Mixed Data Sampling Regressions”, mimeo, Chapel Hill N.C.

——– (2005). “There is Risk-return Trade-off after all”, Journal of Financial Economics, 76:3, 509–548.

——– (2006). “Predicting Volatility: Getting the most out of Return Data Sampled at Different Frequencies ”, Journal of Econometrics , 131, 59–95.

Ghysels, E., A. Sinko, and R. Valkanov (2007). “MIDAS Regressions: Further Results and New Directions”, Econometric Reviews, 26, 53–90.

Ghysels, E., and J. Wright (2009). “Forecasting Professional Forecasters”, Journal of Business and Economic Statistics, 27, 504–516.

Marcellino, M., and C. Schumacher (2007). “Factor MIDAS for Nowcasting and Forecasting with Ragged-Edge Data: A Model Comparison for German GDP”, Discussion Paper Deutsche Bundesbank.

Monteforte, L., and G. Moretti (2009). “Real time Forecasts of Inflation: the Role of Financial Variables ”, Luiss Lab of European Economics Working Document, 81.

Stock, J. H., and M. W. Watson (1998). “Diffusion Indexes”, National Bureau of Economic Research, working paper 6702.

Timmermann, A. (2006). “Forecast Combinations”, Handbook of Economic Forecasting, 1 ,136–196.

指導教授

徐之強(Chih-Chiang Hsu)

審核日期

2015-7-14

推文