使用贝叶斯状态空间方法估计区域整合（英）
使用估算区域整合巴耶斯国家空间方法曼努埃尔 · 伦纳德 · 阿尔比斯 ， 玛拉 · 克莱尔 · 塔亚格和钟宇 · 康NO.7122024 年 1 月亚行经济工作论文系列亚洲发展银行 亚行经济工作论文系列区域一体化估算使用贝叶斯状态空间方法曼努埃尔 · 伦纳德 · 阿尔比斯 ， 玛拉 · 克莱尔 · 塔亚格和钟宇 · 康第 712 号 | 2024 年 1 月曼努埃尔 · 伦纳德 · 阿尔比斯 （ mfalbis @ up. edu. ph ） 是统计学院的助理教授 ，菲律宾大学。 Mara Claire Tayag （ mtayag @ adb. org ） 是高级经济官员 ， Jong Woo Kang （ jkang @ adb. org ） 是亚洲开发银行经济研究与发展影响部区域合作与一体化司司长。亚洲发展银行The亚行经济工作论文系列提出正在进行的研究 ， 以引起对亚洲及太平洋发展问题的评论并鼓励辩论。表达的观点是作者的观点 ， 不一定反映亚行的观点和政策或其理事会或其代表的政府。 知识共享署名 3.0 IGO 许可证 (CC BY 3.0 IGO)© 2024 亚洲开发银行菲律宾马尼拉大都会 1550 号亚行大道 6 号电话 63 2 8632 4444 ； 传真 63 2 8636 2444保留部分权利。出版于 2024 年。ISSN 2313 - 6537 （ 印刷 ） ， 2313 - 6545 （ 电子 ） 出版物库存编号 WPS230622 - 2DOI ： http: / / dx. doi. org / 10.22617 / WPS230622 - 2本出版物中表达的观点是作者的观点 ， 不一定反映亚洲开发银行 （ ADB ） 或其理事会或其代表的政府的观点和政策。亚行不保证本出版物中包含的数据的准确性 ， 也不对其使用的任何后果承担任何责任。提及特定公司或制造商的产品并不意味着它们得到亚行的认可或推荐 ， 而不是其他未提及的类似性质的公司或产品。通过对特定领土或地理区域进行任何指定或提及 ， 或在本出版物中使用 “国家 ” 一词 ， 亚行无意对任何领土或区域的法律或其他地位做出任何判断。本出版物可通过知识共享署名 3.0 IGO 许可证 (CC BY 3.0 IGO) https: / / creativecommons. org / licenses / by / 3.0 / igo / 。通过使用本出版物的内容 ， 您同意受本许可证条款的约束。有关归属、翻译、改编和权限 ， 请阅读 https: / / www. adb. org / terms - use 。本 CC 许可不适用于本出版物中的非亚行版权材料。如果该材料归因于其他来源 ， 请联系该来源的版权所有者或出版商以获得复制许可。亚行对因使用该材料而引起的任何索赔概不负责。请联系 pubsmarketing @ adb. org ， 如果您对内容有疑问或意见 ， 或者如果您希望获得版权许可 ， 您的预期使用不属于这些条款 ， 或使用亚行标志的许可。亚行出版物的更正可在 http: / / www. adb. org / publications / corrigenda 找到。注意 ：在本出版物中 ， “$” 是指美元。 摘要由于缺失值数据不完整和时间跨度不足，估计区域一体化面临挑战。使用贝叶斯状态空间方法估计的动态因子模型的关键优势是其能够处理缺失值和区域整合指标的汇总。这种方法使用四个方面的区域一体化指标来估算双边经济一体化 （ BEI ） ： 贸易，外国直接投资，金融和移民。区域一体化指数 （ RII ） 是通过将网络密度应用于 BEI 估计得出的，以代表亚洲及太平洋区域一体化的强度。BEI 指数不仅有助于估计总体 RII，还有助于确定推动亚洲及太平洋区域一体化的经济对和规模。近年来，亚洲及太平洋地区的 RII 估计略有下降，一体化网络变得更加集中在中华人民共和国周围。关键字:贝叶斯状态空间模型, 网络密度, 区域一体化指数JEL 代码:F02 、 F15 、 C8 、 C11作者感谢 Joshua Gapay ， Kevin Quizon ， Donna Bajaro 和 Dominique Sy 的出色研究支持。 1.Introduction完整，全面和比较的区域一体化指数 （ RII ） 可以在监测区域一体化进展和得出对区域合作的政策影响方面发挥重要作用。有针对性的区域发展计划和政策的成功取决于对一体化不同方面的特定经济的准确评估。然而，估计区域一体化程度绝非易事。许多集成指标的可用性，有关这些指标如何汇总的问题以及由于缺少值和时间跨度不足而导致的不完整数据，都是造成挑战的因素。本文承认其复杂性 ， 旨在概述在经济对水平上产生区域一体化措施的方法。这可用于创建 RII ， 描述亚洲及太平洋所有经济体的集体经济凝聚力。1通过贝叶斯状态空间方法估计的动态因子模型用于从亚洲经济体的几个区域一体化指标中生成指数。该方法的一个关键优势是能够通过其估计程序处理缺失值和区域一体化指标的汇总。这允许模型无限期运行，而不会丢失数据，直到结果收敛。此外，由于使用完整的时间序列来估计指标的值，贝叶斯状态空间方法消除了对缺失数据进行估算或以其他方式操纵的要求 （ Kim 和 Nelso 2001 ； Drbi 和 Koopma 2012 ） 。这种范式也优于主成分分析 （ PCA ） 。 PCA 需要一个没有缺失值的数据集 ， 并且需要初步的缺失值填补 ， 而缺失值估计是贝叶斯状态空间估计的一部分。1 亚洲及太平洋 ， 或亚洲 ， 由亚洲开发银行 （ 亚行 ） 的 49 个区域成员经济体组成。中亚 ， 东亚 ， 太平洋和大洋洲 ， 南亚和东南亚的经济体组成概述于 ： 亚行。亚洲区域一体化中心。经济分组。 https: / / aric. adb. org / integrationindicators / groupings 。 2PCA 还忽略了时间序列数据的潜在自回归性质 ， 而这种结构是状态空间模型所固有的。主成分分析 （ PCA ） 通常用于计算区域一体化综合指数。亚洲开发银行 （ ADB ） 推出了亚太区域合作与一体化指数 （ ARCII ），这是一个综合综合指数，可评估多个维度的区域一体化 （ ADB 2021 ） 。该指数可用于监测区域、次区域和国家各级的进展情况并确定优势和劣势。同样，非洲区域一体化指数 （ ARII ） 是一项由非洲联盟委员会，联合国非洲经济委员会和非洲开发银行参与的合作倡议，为用户提供了全面的分数，排名和基础数据。ARII 涵盖了区域一体化的各个方面，包括贸易，生产网络，宏观经济，基础设施和人员自由流动。2此外，伊斯兰开发银行 （ IsDB ） 一体化指数是一个综合指标，涉及经济一体化的五个关键维度 （ IsDB 2022 ） 。这些方面包括贸易和投资一体化、金融市场一体化、生产网络、连通性和物流、人员流动和机构一体化。IsDB 整合指数提供了经济整合的整体视角，考虑了各个方面，以提供对整合格局的细微差别理解。贝叶斯状态空间方法优于 PCA 。 PCA 需要一个没有缺失值的数据集 ， 并且需要初步的缺失值补偿 ， 而缺失值估计是贝叶斯状态空间估计的一部分。 PCA 还忽略了时间序列数据的潜在自回归性质 ， 而这种结构是状态空间模型所固有的。2Africa Regional Integration Index. https: / / www. in tegrate - africa. org /. 3퐀퐀퐀퐀퐀퐀퐀퐀퐀第 2 节说明了方法和数据。第 3 节讨论了结果分析。第 4 节总结了对未来研究的建议。2. 方法和数据2.1. 两个经济体之间的一体化程度Rayp 和 Stadaert （ 2017 ） 使用状态空间表示中的动态因子模型估计了两个经济体之间的融合程度，本研究遵循了他们的方法。第一步是计算所有经济对的双边经济一体化 （ BEI ） 。第二步是使用所有估计的 BEI 指数来估计亚洲的总体 RII 。特定经济对的 BEI 是根据代表从一个经济体到另一个经济体的定向流动的整合指标池估算的。这意味着提取了两个 BEIs ： (i) 代表经济流动。AandB相对于经济 A 的总流量 ， 和 (Ii) 代表经济流量BandA相对于经济的总流量 B 。푝(푝BEIs 提取 ， 在哪里푝是经济体的数量。让푦是的푗综合指标푗푗for the푖经济对푖푖， 在时间푡. The푦可以用线性回归形式表示 ， 用常数项解释퐶， 整合指数퐵与其相应的系数푍 .随机波动퐀. Only퐀被观察到 ， 并且回归量퐀被假定为퐀퐀퐀퐀퐀퐀퐀퐀퐀一个潜在变量。给定一个池퐀综合指标퐀,퐀퐀퐀是使用动态因子模型 ， 由以下公式给出 ：퐀퐀퐀퐀퐀퐀퐀(퐀퐀) = 퐀(퐀퐀) + 퐀(퐀퐀)퐀퐀 퐀 + 퐀퐀(퐀퐀)(1)퐀퐀퐀퐀퐀퐀퐀퐀퐀where휖,퐶∗)�对于所有푖푖and푗푗. The퐶 ,푍 , and퐻퐀퐀퐀퐀퐀퐀푖푖∗푡是要估计的参数 ， 每个参数一组퐀퐀. The term in퐀称为 BEI 对变量的因子加载퐀。等式 1 仅包括单个因子或 BEI 。扩展 4这种形式是提取代表经济一体化不同维度的多个因素 ， 代价是增加了要估计的参数。The equation for퐀假设遵循马尔可夫结构 ， 由下式给出 ：퐸퐼푖푖푡 = 푇(푖푖)퐵퐸퐼푖푖,푡−1 + 휈휈푖푖푡(2)where휈∗,�对于所有푖푖. 푇是一个自回归参数。퐀初始化为 0퐀,퐀. 在所有组合公式 1퐀퐀and퐀퐀产生状态空间模型的测量方程 ， 并将方程 2 组合到所有퐀퐀产生状态方程。为了促进 BEI 在经济对和时间之间的可比性 ， 假设퐶, 푍, and퐻 都是固定的푖푖 and푡经济对 A 和 B 的高 BEI，其中流量相对于经济 A 的总流量成比例，这意味着经济 B 对经济 A 很重要。BEI 不是可交换的。A 到 B 的 BEI 可能很高，但经济 B 到 A 的 BEI 很低 ； 通常的情况是 A 是小经济体，而经济 B 较大。经济 A 到 B 的 BEI 的增加趋势意味着经济 A 与 B 的一体化加强。动态因子模型的贝叶斯状态空间估计使用贝叶斯方法估计模型的参数。每个参数都被视为随机的 ， 并给出一个先验分布 ， 该分布表示研究人员对参数真实值的不确定性。通过应用贝叶斯定理计算后验分布来更新先验分布:퐀(퐀|퐀퐀) =퐀(퐀|퐀퐀)퐀(퐀)퐀(퐀퐀)(3)where퐀是参数向量的先验分布퐀,퐀是给定观测数据的似然分布吗퐀퐀, and퐀是边际似然 ， 或集成参数的似然分布퐀。模型参数的数量 5和潜在价值퐀퐀퐀퐀在表 1 中报告。贝叶斯估计可以同时估计模型参数和潜在变量。表 1. 参数计数参数计数퐀44퐀44퐀44퐀1,260퐀퐀퐀27,720Total29,112资料来源 ： 作者计算。贝叶斯估计中使用的先验分布是 ：퐀(퐀퐀)~퐀(0, 1)(4.1)푍(푗푗)~퐺푎푚푚푎(푠ℎ푎푝푒 = 2, 푠푐푎푙푒 = 1/2)(4.2)퐻(푗푗)~퐺푎푚푚푎(푠ℎ푎푝푒 = 2, 푠푐푎푙푒 = 1/2)(4.3)푇(푖푖)~푈푛푖푖푈푈표푟푚(−1, 1)(4.3)之前的 gamma 是限制퐀和方差퐀为正值。自回归参数的均匀分布퐀隐含地假定一个静止的퐀series. The퐀퐀퐀分布基于方程 2 的规范。吉布斯抽样 (Geman and Geman 1984) 用于从参数的后验分布中进行抽样。该程序是一种估计统计模型的一般马尔可夫链蒙特卡洛 (MCMC) 方法 (Gelfand and Smith 1990 ； Gelfand 2000) 。通过划分参数来简化后验抽样퐀into퐀块{휃， 而是按块进行采样 ， 其大小小于整个向量휃. 参数向量휃假设遵循马尔可夫过程 ， 其中其当前状态휃依赖于以前的휃. The Gibbs sa
