中国通货膨胀预期可靠测度的潜在类别分析

相似文件 换一批

是 否 +2 论坛币

k人 参与回答

经管之家送您一份

应届毕业生专属福利!

求职就业群

赵安豆老师微信：zhaoandou666

经管之家联合CDA

送您一个全额奖学金名额~ !

立即领取

感谢您参与论坛问题回答

经管之家送您两个论坛币！

+2 论坛币

英文标题：
《Latent class analyisis for reliable measure of inflation expectation in
  the indian public》
---
作者：
Sunil Kumar
---
最新提交年份：
2016
---
英文摘要：
  The main aim of this paper is to inspect the properties of survey based on households inflation expectations, conducted by Reserve Bank of India. It is theorized that the respondents answers are exaggerated by extreme response bias. Latent class analysis has been hailed as a promising technique for studying measurement errors in surveys, because the model produces estimates of the error rates associated with a given question of the questionnaire. I have identified a model with optimum performance and hence categorize the objective as well as reliable classifiers or otherwise.
---
中文摘要：
本文的主要目的是检验印度储备银行基于家庭通胀预期进行的调查的性质。从理论上讲，受访者的回答被极端的反应偏见夸大了。潜在类别分析被认为是研究调查中测量误差的一种很有前途的技术，因为该模型可以估计与给定问卷问题相关的误差率。我已经确定了一个具有最佳性能的模型，因此将目标和可靠的分类器或其他分类。
---
分类信息：

一级分类：Statistics        统计学
二级分类：Applications        应用程序
分类描述：Biology, Education, Epidemiology, Engineering, Environmental Sciences, Medical, Physical Sciences, Quality Control, Social Sciences
生物学，教育学，流行病学，工程学，环境科学，医学，物理科学，质量控制，社会科学
--
一级分类：Quantitative Finance        数量金融学
二级分类：General Finance        一般财务
分类描述：Development of general quantitative methodologies with applications in finance
通用定量方法的发展及其在金融中的应用
--
一级分类：Quantitative Finance        数量金融学
二级分类：Statistical Finance        统计金融
分类描述：Statistical, econometric and econophysics analyses with applications to financial markets and economic data
统计、计量经济学和经济物理学分析及其在金融市场和经济数据中的应用
--

---
PDF下载：
--> Latent_class_analyisis_for_reliable_measure_of_inflation_expectation_in_the_indi.pdf (489.7 KB)

2022-5-12 15:33:57 上传

扫码加我 拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

分享0 收藏0 回帖

关键词：通货膨胀预期 潜在类别分析 通货膨胀 中国通 Applications

印度班加罗尔库马拉利昂大学（印度班加罗尔）通货膨胀预期可靠测量的潜在类别分析摘要本文的主要目的是检验印度储备银行（RBI）基于家庭通货膨胀预期进行的调查的性质。从理论上讲，受试者的回答被极端的反应偏见夸大了。潜在类别分析（LCA）被认为是研究测量误差的一种很有前途的技术，因为该模型可以估计与给定问卷调查相关的误差率。我已经确定了一个具有最佳性能的模型，并因此将目标和可靠的分类器或其他分类。关键词：通货膨胀预期，潜在类别分析，测量误差，分类。1.导言在家庭通胀预期调查中，我们看到经济衰退期间的横向离散度大幅增加，这与中央银行大多数预测模型的核心标准理性预期模型不一致。近年来，研究已经从完全信息理性预期模型转向了一个框架，其中假设了某种形式的有限信息或基础理性。这些模型没有给异质性和创新留下空间。根据印度储备银行的家庭通胀预期调查问卷，该问卷包括未来对价格问题的预期，即区块2和区块3：受访者对未来3个月和未来一年价格的预期。对货币政策的执行尤其重要的是家庭的通胀预期。

尽管有许多关于基于调查的通胀预期绩效的研究（例如Ang等人，2007年，Scheufele 2010年），但关于家庭通胀预期在预测通胀动态变化方面的适用性一直存在争议。许多论文证实，专业人士提供的通货膨胀预测对预测物价水平的变化非常有用。然而，研究还表明，家庭的通胀预期比时间序列模型或基于菲利普斯曲线的模型提供了更好的预测（Ang等人，2007年，第1191页）。调查涵盖的受访者可能会对政府的投诉做出极端反应。极端反应偏差指的是，无论所寻求的信息内容如何，都倾向于统一或不统一地对经济持乐观态度（积极偏差），或统一地报告对经济的消极看法（消极偏差）（见Baumgartner和Steenkamp，2006）。因此，在本文中，我特别讨论了利用2011年（第三季度和第四季度）和2012年第一季度（即第25、26和27季度）的家庭通胀预期调查数据识别极端反应偏差的问题。由于无法获得全面数据，本研究仅限于三轮数据。论文分为以下几个部分。第二节介绍了通货膨胀预期调查的数据。在第3节中，我讨论了如何使用潜在阶级模型来处理通货膨胀预期调查中的极端反应偏差。第4节讨论了潜在类别模型和所有可能的指标，用于测量极端反应偏差。

第5节最后讨论了结果。2.家庭通胀预期调查——自2005年9月以来，印度数据储备银行（dataReserve Bank of India）每季度进行一次家庭通胀预期调查（IESH）。这项调查对未来三个月和一年的预期价格变化和通货膨胀做出了定性和定量的回应。家庭的通胀预期是主观评估，基于个人消费篮子，因此可能不同于ZF定期发布的官方通胀数据。同样，它们可能不会被视为任何官方通胀指标的预测，尽管这些通胀预期为未来通胀的方向性运动提供了有用的输入。但在目前的研究中，只有四分之三的数据，即2011年7月至9月；2011年10月至12月和2012年1月至3月分别可从印度储备银行获得。共使用了11793次访谈，其中25次和26次的回复率为100%，27次的回复率为94.8%，因为单元和项目没有回复。抽样设计和数据收集这项调查在12个城市同时进行，涵盖18岁及以上的成年受访者。主要的大都市，即：。，德里、加尔各答、孟买和钦奈各有500个家庭，另外八个城市，即：。，斋浦尔、勒克瑙、博帕尔、艾哈迈达巴德、巴特纳、古瓦哈蒂、班加卢和海得拉巴各有250户家庭。调查对象对当前的通胀状况有看法，他们分布在各个城市，提供了良好的地理覆盖范围。该组的男性和女性受访者的比例约为3:2。

调查计划分为七个部分，包括受访者概况（第1部分）、一般和产品价格预期（第2部分和第3部分）、RBI控制通货膨胀行动的反馈（第4部分）、当前和预期通货膨胀率（第5部分），过去一个月内购买主要食品所支付的金额（第6栏）以及对收入/工资变化的预期（第7栏）。价格变动的应对方案是（i）价格上涨超过当前利率，（ii）价格上涨类似于当前利率，（iii）价格上涨低于当前利率，（iv）价格不变，以及（v）价格下跌。

通胀率是按时间间隔收集的，最低的是“低于1%”，最高的是“16%及以上”，所有中间阶层的通胀率都为100个基点。表1和表2给出了分析数据的描述性统计。表1:2011年7月至9月、2011年12月、2011年1月至3月、2012年7月至9月、2011年12月、2011年1月至3月、2012年前三个月（受访者年龄%）提前一年（受访者年龄%）价格将上涨97。396.198.296.097.198.3价格涨幅超过当前75。873.475.673.576.978.8价格上涨与当前价格相似15。413.215.916.712.614.0价格涨幅低于当前价格6。09.66.75.97.65.5价格无变化2。23.01.63.32.51.6价格下跌0。60.90.20.70.40.1表2：预期总体价格变动与不同产品组价格预期变动一致的受访者百分比：提前三个月（提前一年）。第二轮调查季度FoodNon Foodhouse Holds耐用住房服务成本201188.8（92.4）86.2（87.2）68.0（71.1）84.4（85.7）85.2（86.3）201188.5（92.6）83.1（84.8）69.6（69.7）74.8（78.4）74.6（80.9）201287.7（91.8）82.0）65.4（65.7）84.7（83.9）83.3。潜在类别分析的方法根据Steenkamp和Baumgartner（2006），解释极端反应偏差的最有希望的方法是在数据分析中加入统计技术。因此，能够解释极端反应风格的技术是潜在类别分析（LCA）。LCA是一种强大的方法，用于估计调查模型的一个或多个参数。

除其他外，这些估计值可用于评估估计值的均方误差（MSE）以及与调查问题相关的误差概率，{见Biemer（2011）}。根据Bandeen Roche等人（1997年）的说法，人们可以测量一个概念上定义的不可观测变量，但不能通过几个分类指标直接测量。当要分析的数据属于类别（无论是名义类别还是序数类别）时，应用潜在类别模型是合适的。在这种方法中，离散指标变量（问题）和潜在变量之间的关系被建模。潜类分析的一个特点是潜变量也是离散的。因此，LCA可以被视为一种分析分类数据的方法，类似于因子分析，它允许人们分析显性变量（即观察到的离散变量）之间关系的结构，以表征分类潜在变量。在LCA中，观测值中的测量误差统称为分类误差，或者简单地说是误分类。潜在类别分析的基本假设是，观察到的（显性）变量是由潜在类别变量引起的——它们是这个不可观察（隐性）变量的指标。这些显性变量之间的关系可以是因果关系（因变量导致因变量）或对称关系。还假设清单变量依赖于潜在变量，清单变量也依赖于潜在变量。

因此，在后一个变量的每一类中，显性变量之间的协变量不应高于随机协变量，这是潜在类分析的局部独立条件{见Bertrand and Hafner（2011）}。在这里，我们一般认为 - 多重分类变量（清单变量），每个变量包含对家庭而言，可能的结果  .  最近的分类模型将所观察到的清单变量的联合分布近似为组成交叉分类表的有限个R的加权和。允许表示课堂上观察到的交叉条件概率  产生会议结果可变的 .  允许潜在阶级成员的优先可能性，因为它们代表了一个人在考虑到回应之前，将属于每一个阶级的无条件可能性在清单变量上提供。一个人 在课堂上 生产一套特定的产品  假设结果具有条件依赖性，则结果取决于显性变量 如果是班级成员，这就是产品 ,            （1） 所有类别的概率密度函数都是加权和 ,       （2） 参数和通过潜在类模型估计。给定估计和属于和, 根据变量的观测值，分别计算每个Hindividual属于每个类的后验概率,              （3） 在哪里.重要的是     关于参数的数量。

而且    i、 e.比清单变量交叉分类表中的单元格总数少一个，因为此时将无法识别最近的类别模型。在波尔卡（poLCA）的帮助下  在环境中，我们可以通过最大化对数似然函数来估计潜在类模型  ,            （4） 关于和,  使用期望最大化（EM）算法（Dempster、Laird和Rubin（1977）、McCutcheon（1987）、McLachlan和Krishnan（1997）、McLachlan和Peel（2000）、Everitt和Hand（1981）、Everitt（1984）和Linzerand Lewis（2011））。在EM算法中，poLCA从任意初始值开始和,  并表示它们和.  在期望步骤中，使用等式（3）计算缺失的类成员概率，替换为和.  在最大化步骤中，通过最大化对数似然函数来更新参数估计，给出这些后验概率,  具有作为新的先验概率和作为新类别的条件结果概率；是长度的向量一流的-  研究对象的条件结果概率显性变量；和是吗  观察结果矩阵关于这个变量。该算法多次重复这些步骤，直到总体对数似然达到局部最大值，并且进一步的增量小于某个任意小的值。Lin和Dayton（1997）提出了选择最佳模型的三个标准。模型应通过Bandeen Roche等人（1997）的方法进行识别。

Goodman（1974）提出了标准潜在类模型局部可识别的一个充分条件。然后，似然比卡方检验()  统计学被用作模型中观测频率和预期频率之间差异的标准度量。然而，尽管在统计学文献中广泛使用了相似比卡方检验，但它有许多重要的局限性。主要的一点是，在处理稀疏项时，它的使用有限。似然比统计无法对模型中的参数数量提供足够的控制，即使对于中等规模的模型，这些参数有时也可能非常大（McCutcheon（2002））。这些局限性是由几个信息标准的最新发展和使用所控制的，例如Akaike信息标准（AIC）（Akaike（1973））和Bayesian信息标准（BIC）（Schwartz（1978）），每一个标准都是为了惩罚具有大量参数的模型。AIC和BIC关于模型中的参数数量：                      （5） 及   ,              （6） 在哪里 是样本量。因此，对于给定数量的参数，信息标准值较低的模型更适合数据。当样本量较大时，BIC是拟合统计，而对于中小型样本量，AIC统计是最常用的。在这里，我将使用Sinclair和Gastwirth（1996）以及byBiemer（2004）使用的相同假设集。我对受访者对未来三个月和未来一年总体价格（D&J）、食品（E&K）、非食品产品（F&L）、家庭耐用品（G&M）、住房（H&N）和服务（I&O）的预期问题进行了LCA模型拟合，并提供了多种回答选项（即：。