本文是一篇宏观经济学论文，本文主要构建了一种时变MF-VAR模型，并验证该模型在我国宏观经济预测领域的有效性，特别是在经济环境受到重大事件影响导致样本中出现极端观察值时，该模型在我国宏观经济预测领域是否依然具有有效性。
第1章 绪论
1.1 研究背景与选题意义
1.1.1 研究背景
当前，虽然中国经济仍然保持着长期向好的态势，但是中国面临的国内外形势却日趋复杂。首先，我国经济面临的国内环境存在着越来越复杂的不确定性，改革开放拉开了我国经济高速发展的序幕，1978年，十一届三中全会在北京召开，全会做出了实施改革开放这一伟大决策，这是我国历史上的一个伟大转折，是一个新的历史阶段的开始，改革开放推动我国经济实力、科技实力、国防实力以及综合国力快速增长，经济进入高速增长时期，到2010年，我国国内生产总值超过日本，成为世界第二大经济体，2019年人均国内生产总值突破一万美元的大关，但经过30多年的高速发展，我国经济所面临的客观条件和环境都发生了翻天覆地的变化，以往的发展理念已经不在适合当下的经济发展形式，自2012年开始，我国国内生产总值的同比增长势头减弱，结束改革开放以来的增速在10%左右浮动的高速增长时期，2012年、2013年、2014年的上半年国内生产总值的增速均在7%左右，2014年5月，习近平主席在考察河南过程中提出：“中国发展仍处于重要战略机遇期，我们要增强信心，从当前中国经济发展的阶段性特征出发，适应新常态，保持战略上的平常心态。”党的十八大以来，为了解决社会发展的不平衡、不充分矛盾，我国贯彻落实新的发展理念，党中央做出我国经济发展进入新常态的重大判断，社会主义市场经济体制的发展进入了新时代，我国经济已由高速增长阶段转向中高速增长但高质量发展阶段。在这个重要的转型阶段，在全面建成小康社会和“十三五规划”的收官之年，新冠疫情在全国各地爆发，2019年底新冠疫情在武汉爆发并在2020年初迅速蔓延至全国，各地相继实施疫情封控措施，市场供给与需求均受到强烈的冲击。首先需求侧，由于病毒传播迅速，民众聚集减少，餐饮业、旅游业等服务业首当其冲受到影响；其次供给侧，全国各地实施严密的防控政策，大部分工厂、企业停工，就业形势严峻。我国宏观经济出现改革开放以来相对较为明显波动，2020年一季度国内生产总值同比下降6.9%，虽然三月份，全国各地逐步复工复产，全球经济复苏，但是这次疫情对经济的长期负面影响是无法忽视的，2020年度国内生产总值增速骤降到2.3%，是三十年内没有出现过的增速,虽然基于2020年的经济低迷，2021年国内生产总值增速回升到8.4%， 2022年增速再次回落至3%，2023年增速上升至5.2%，经济发展逐步恢复，但这次重大疫情对我国经济的负面影响仍在持续。伴随着疫情在国内各地的反复反弹，各地不得不反复实施短期的封控措施，导致我国经济面临的国内的不确定性更为复杂；与此同时，伴随着国际环境的变化，我国面临的经济下行压力也有所增大。
1.2 国内外研究现状
随着当下的经济环境对宏观经济预测的准确性和及时性的要求越来越高，各种计量经济模型正在井喷似的涌现，本文重点研究应用于宏观经济预测的贝叶斯VAR模型，其中包括传统的VAR模型、MF-VAR模型以及时变MF-VAR模型，均是生成多变量预测的时间序列模型。文献综述部分首先介绍MF-VAR模型在国内外的应用情况，最后介绍时变MF-VAR模型在国内外的应用情况。
1.2.1 混频向量自回归模型的国内外研究现状
实时经济政策决策是基于对当前和未来经济状况的评估，使用的是不完全数据。大多数数据的发布都有滞后，随后会进行修订，因此预测当前季度的状况对政策制定者来说是重要的任务。VAR模型一直以来是实践中重要的预测工具，本文首先介绍这一领域国外的研究。Doan等 (1984) 开发了基于贝叶斯估计的VAR模型，将其应用于10个宏观经济变量，并表明相对于单变量方程该模型可以明显的改善样本外预测；Giannone等 (2015) 提出传统VAR模型的密集参数化导致不稳定的推断和产生不准确的样本外预测，特别是当模型中的变量过多时，作者将信息先验加入VAR模型，并配备了明尼苏达先验，将参数化无约束模型缩减为简约的模型，大大提高了样本外预测的准确性。但是，传统的VAR模型只能使用单一频率进行预测，这一短板会大大降低宏观预测的准确性，因此考虑采样频率的不匹配已经成为当下进行经济预测的标准，为了发挥不同频率经济指标各自的优势，经济学者们开始相继使用MF-VAR模型对各个国家和地区的宏观经济进行预测，该模型允许按月观察某些序列，按季度观察其它序列。Mariano和Murasawa (2010) 构建高斯VAR模型和因子模型，推导了可观测混合频率序列的状态空间模型，并将混合频率序列视为缺失观测的月序列，利用可观测的混频数据预测美国潜在的月度国内生产总值，提出了一种在不假设单因素模型的情况下构造一致指数的方法；
第2章 宏观经济指标混频预测模型简介及估计方法
2.1 向量自回归模型
宏观经济预测对于国家发展至关重要，关乎社会的和谐稳定以及经济的可持续发展，宏观经济预测分析结果可以为政府应对不确定性制定有针对性地政策提供有意义的参考，帮助政府更准确更全面的了解当前的经济形势，同时也可以对企业和个人传递信号，使他们可以依据预测调整自己的经济行为，提前做好应对。因此，提高宏观经济预测的准确性逐渐引起了各位经济学者们的研究与探讨，其中预测中所使用的计量经济模型是影响预测准确性的关键因素之一，VAR模型及其扩展模型广泛应用于宏观经济预测领域，在本章节，本文重点介绍传统VAR模型、常系数MF-VAR模型以及时变参数MF-VAR模型的构建，首先，介绍传统VAR模型；进而，以该模型为基础，介绍如何将传统VAR模型处理为MF-VAR模型，并引入贝叶斯估计；最后，以常系数MF-VAR模型为基础，介绍如何将时变截距以及共同的随机波动率分别引入MF-VAR模型。
Sims于1980年开创了一种常用的计量经济模型——向量自回归模型，该模型及其多种扩展模型被广泛的应用于各国和地区乃至世界的宏观经济预测方面。VAR模型是一种灵活的时间序列模型，可以捕捉宏观经济变量之间复杂的动态关系，也常常被应用于宏观经济的预测。VAR模型是用模型中所有当期变量对所有变量的若干滞后变量进行回归，将系统中的每个内生变量作为系统中所有内生变量的p滞后值的函数来处理，从而避免了结构建模的需要，其中，该模型只允许使用单一频率的指标，通常完全基于季度观察指标或完全基于月度观察指标进行估计，使用季度观察指标的优势在于可能包含在VAR模型中的宏观经济系列更大；使用月度观察指标的优势在于VAR模型能够实时更密切地跟踪经济。
2.2 混频向量自回归模型
由于传统的VAR模型只允许使用单一频率的指标，而考虑采样频率的不匹配已经成为实时预报与短期预测的标准，为了发挥月度VAR模型和季度VAR模型各自的优势，本文构建了常系数MF-VAR模型，MF-VAR模型是VAR模型的扩展模型，该模型允许对不同频率的数据进行采样，本文所考虑的MF-VAR模型基于上述标准的常数参数VAR模型，其中变量均以月度频率衡量。由于某些宏观经济时间序列仅按季度频率进行衡量，因此本文将相应的月度序列视为未观察到的值。将低频数据视为高频数据有间隔的缺失，建立状态空间模型，以每期可实际观测到的低频季度数据和高频月度数据作为观测变量，以各变量的潜在月度数据作为状态变量，将MF-VAR模型作为状态空间模型的状态方程，将状态变量与观测变量之间的对应关系作为状态空间模型的量测方程。
第3章 基于MF-VAR模型的宏观经济指标的预测 ...........................16
3.1 变量选取与预处理 ......................16
3.2 MF-VAR模型的实时预报结果 ..................19
3.3 本章小结..........................21
第4章 基于时变MF-VAR模型的宏观经济指标的预测 ...................23
4.1 时变MF-VAR模型全样本实时预报结果 ...................................23
4.2 时变MF-VAR模型的预测策略 .........................25
4.3 时变MF-VAR模型实时预报结果的对比分析 ...........................26
结论 .......................33
第4章 基于时变MF-VAR模型的宏观经济指标的预测
4.1 时变MF-VAR模型全样本实时预报结果
使用1996年1月-2022年12月的完整样本，研究估计的三个时变模型的截距和共同的波动率是如何随时间变化的。首先，探讨并分析截距如何随时间变化，本文基于时变子模型TVi-MF-VAR模型和完整TVi-CSV-MF-VAR模型，研究仅让截距随时间变化的系统和让截距和共同的波动率均随时间变化的系统中截距分别是如何随时间变化的。图4.1分别显示了固定资产投资完成额、发电量、出口额、货币和准货币 (M2)、货运量、社会消费品零售总额、国内生产总值、工业增加值以及第三产业增加值的截距TC后验中位数。在每个图中，实线表示完整模型TVi-CSV-MF-VAR模型的相应截距的后验中位数，而虚线对应于保持共同的波动率随时间保持恒定的TVi-MF-VAR子模型。
结论
本文主要构建了一种时变MF-VAR模型，并验证该模型在我国宏观经济预测领域的有效性，特别是在经济环境受到重大事件影响导致样本中出现极端观
