Nowscasting中的参数扩散：问题与途径——在中国实际GDP Nowscasted中的应用

核心观点

本文探讨了在临近实时预测（nowcasting）中，如何解决参数增殖问题。由于高频指标的可用性，nowcasting 技术能够帮助政策制定者在官方数据发布前评估当前经济状况。然而，大量高频指标的使用可能导致参数增殖，引入噪声并降低预测精度。

研究方法

本文评估了三种解决参数增殖问题的方法：

• 变量选择：使用调整后的逐步自回归积分移动平均模型（AS-ARIMAX）进行变量选择，选择与经济先验一致且对预测精度有显著提升的变量。
• 机器学习（ML）正则化：使用 LASSO、Ridge 回归和 Elastic Net 进行正则化，对不相关的变量系数进行惩罚，从而提高预测精度。
• 降维：使用主成分分析（PCA）将原始变量转化为主成分，减少模型参数数量，并捕获最重要的信息。

数据和应用

本文使用 166 个高频指标，对 2007 年第二季度至 2019 年第四季度的数据进行滚动窗口回归估计，并使用这些方法对中国 2020 年第一季度至 2023 年第一季度的实际 GDP 增长率进行预测。

研究结论

• LASSO 方法在结合经济判断和符号限制进行变量选择时，表现优于其他模型。
• 简单的模型，如使用 AS-ARIMAX 变量选择的 Bridge 模型，可以提供与 LASSO 相当的可靠估计，突出了有效变量选择的重要性。
• PCA 方法在预测性能方面表现最差，因为它将所有变量视为加权平均，可能削弱了重要预测变量的影响。

关键数据

• 使用了 166 个高频指标，涵盖消费、企业生产、价格、外部环境、调查或前瞻性指标、房地产、金融变量、政府和对外贸易、交通运输等宏观经济领域。
• 使用滚动窗口回归方法，将样本分为 2007 年第二季度至 2019 年第四季度（样本内）和 2020 年第一季度至 2023 年第一季度（样本外）。
• 使用 RMSE 作为预测评估指标。

研究意义

本文的研究结果表明，有效的变量选择对于 nowcasting 非常重要，可以帮助政策制定者更准确地评估当前经济状况，并做出更及时的政策响应。