第五节 经济预测方法比较

Pagan（2003）根据不同经济计量方法对数据和理论的依赖程度给出了一幅非常形象的示意图，在此笔者仿照他的做法绘制出了图1-1。从图中可以看出，动态随机一般均衡（DSGE）模型方法是最具理论依赖性的建模方法，而动态因子模型方法是最具数据依赖性的建模方法。关于DSGE方法、伦敦经济学院（LSE）方法和向量自回归（VAR）方法的比较可见何新华（2007）的相关讨论。

图1-1 各种宏观经济计量建模方法比较

DSGE模型高度依赖经济学理论。LSE方法强调以探寻数据生成过程作为建模的出发点。虽然真正的数据生成过程是未知的，但LSE方法以现行经济理论为起点，结合公认的经济常识（common sense），并在对数据进行先期分析的基础上，力图找出对所关注变量产生影响的所有可能的因素。在将所有可能的影响因素纳入分析范围，形成一个“一般模型”之后，运用“检验、检验、再检验”的行为准则对该“一般模型”进行“约化”，以寻求信息损失最小的简洁模型（Hendry, 2001）。作为20世纪80年代曾风靡全美国的VAR方法（Maddala and Kim, 1998），其在经济预测中曾发挥了重要作用（Diebold, 1998; Allen and Morzuch, 2006）。在VAR方法出现之前，人们把太多的注意力放在了由经济理论所决定的具有因果关系的变量上，而忽略了经济系统的动态特性。对经济动态特性的关注，使只是把注意力集中在较小范围内的具有因果关系的变量之上的VAR方法也取得了令人瞩目的成绩。但由于宏观经济数据样本通常较小，而VAR方法随变量的增加和滞后阶数的加大，待估参数呈几何级增长，使VAR方法的应用受到了极大的限制。动态因子模型方法的问世，在一定程度上化解了VAR方法在实际应用中所遇到的困扰，其卓越的降维特性也使人们不再受限于对少量影响因素的研究。

综合考察LSE方法、VAR方法和动态因子模型方法后，笔者认为，假如借鉴LSE方法中所奉行的以探寻数据生成过程作为建模的起点，然后充分利用动态因子模型的卓越的降维特性，再辅之以VAR方法对经济变量进行预测，应该能取得理想的预测结果。事实上，Faust和Wright（2013）在考察了多个预测模型之后已得出结论，认为非常简单地把当期数据和长期预测调查（long-run survey forecasts, LSF）相结合，就可以对相关统计指标做出很好的预测。鉴于LSF系多家预测机构综合考虑各种影响因素的预测结果，其在一定程度上恰恰反映的是动态因子模型中所提取的影响因子所具有的特性，但这里所涉及的因子均为与所需预测的变量高度相关的因子。