经济景气计量分析方法(R语言程序算法)参照张永军老师的方法

本文主要是介绍经济景气计量分析方法(R语言程序算法)参照张永军老师的方法,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

#==========方 法==========#
#1.经济指标时间序列数据的分解
#2.先行、一致、滞后指标的选取
#3.景气指数的计算
#4.景气指数的检验与修正(该步未写相关算法)

#=========================#
#首先肯定是读取数据,假设读进来之后命名为data1,而且数据的第一列是序号或者日期

data2 <- na.omit(data1[,-1]) #第一列是序号
n <- nrow(data2) #样本量


#1.经济指标时间序列数据的分解(采用的方法是stl分解)
#1.1季节调整
period<-11 #周期
fstl <- function(x){
  index1.ts <- ts(as.double(x),frequency = 11,start = 2009+2/12)#构造'ts'结构时间序列
  index1.ts.stl1 <- stl(index1.ts,t.window=13,s.window=ceiling((1.5*period)/(1-(1.5/13))),robust = T)
  return(index1.ts.stl1)

stl1 <- apply(data2,2,fstl)
data3 <- c()
for(i in 1:length(stl1))
  data3 <- cbind(data3, stl1[[i]]$time.series[,2])
colnames(data3) <- colnames(data2)


#2.先行、一致、滞后指标
#KL信息量(有的称为KL距离或者KL信息熵) 
fmm <- function(x) { #数据归一化
  (x - min(x))/(max(x) - min(x)) + 1 #加1是为了不出现0
}
datamm <- apply(data3, 2, fmm) #归一化,保证每个值都大于0


fp <- function(x) { #得到概率分布
  x/sum(x)
}
datap <- apply(datamm, 2, fp) #概率分布


fkl <- function(p1,p2,L=4) { #L是最大滞后期
  k <- c()
  for(l in -L:L) {
    k1 <- 0
    if(l > 0) {
      for(j in 1:(length(p1)-l))
        k1 <- k1 + p1[j]*log(p1[j]/p2[j+l])
    } else {
      for(j in (abs(l)+1):length(p1))
        k1 <- k1 + p1[j]*log(p1[j]/p2[j+l])
    }
    k <-c(k, k1) 
  }
  c(-L:L)[which.min(abs(k))] #KL信息量接近于0时对应的滞后
}


lag1 <- matrix(0, ncol(datap), ncol(datap)) #变量间的先行、一致、滞后关系,保证对角线为0
for(i in 1:ncol(datap)) {
  for(j in c(1:ncol(datap))[-i])
  lag1[j, i] <- fkl(datap[,i],datap[,j])
}


#EMD和符号化相结合(该方法是借鉴文献:基于EMD与K_means算法的时间序列聚类_刘慧婷)
#方法说明:
#1.先用EMD分解,得到数据的趋势序列
#2.计算趋势序列的符号化距离
library(EMD)
#library(hht)
library(TSclust)
fEMDSAx <- function(var1, var2, L=4) {
  fEMD <-function(var1, var2){
    #EMD分解,得到数据的趋势序列
    n <- length(var1)
    res_all <- matrix(NA,2,n)
    em1 <- emd(var1, tol = sd(var1)*0.01^2, boundary = "wave") #符号化距离,得到emd分解
    #imf1 <- em1$imf
    res1 <- em1$residue
    res_all[1,] <- res1
    
    em2<-emd(var2, tol = sd(var2)*0.01^2, boundary = "wave")
    #imf2 <- em2$imf  #固有模式函数
    res2 <- em2$residue #趋势序列
    res_all[2,] <- res2
    m <- max(em1$nimf,em2$nimf) #最大的分隔数
    
    #计算趋势序列的符号化距离
    if((m^2)<n) k <- m^2 else k <- sqrt(n)
    d2<-diss(res_all, "MINDIST.SAX", k, alpha = k) #dist类
    d2
    
  }
  
  for(l in -L:L) {
    k1 <- 0
    if(l > 0) {
      k1 <- fEMD(var1[1:(length(var1)-l)], var2[(1:(length(var1)-l))+l])
    } else { 
      k1 <- fEMD(var1[(abs(l)+1):length(var1)], var2[((abs(l)+1):length(var1))+l])
    }
    k <-c(k, k1) 
  }
  c(-L:L)[which.min(abs(k))] 
}
lag2 <- matrix(0, ncol(datamm), ncol(datamm)) #变量间的先行、一致、滞后关系,保证对角线为0
for(i in 1:ncol(datamm)) {
  for(j in c(1:ncol(datamm))[-i])
    lag2[j, i] <- fkl(datamm[,i],datamm[,j])
}




#3.权重的确定
#3.1.熵值法
fentropy <- function(x) {
  n4 <- dim(x)
  ej1 <- c()
  for(j in 1:n4[2]) {
    a1 <- 0
    for(i in 1:n4[1]) {
      a2 <- x[i, j]*log(x[i, j])
      a1 <- a1 + a2
    }
    ej1 <- c(ej1, a1)
  }
  ej <- c()
  for(i in 1:n4[2]) {
    ej2 <- (-1)/(nrow(x)*ej1[i])
    ej <- c(ej, ej2)
  }
  w <- (1-ej)/sum(1-ej)
  w
}


#3.2.层次分析法(AHP)
#先建立判断矩阵,然后调用ahp函数得到权重
library(stats4)
library(pmr)
fAHP <- function(data) {
  n <- ncol(data)
  A <- matrix(1, n, n) #判断矩阵
  for(i in 1:(n-1))
    for(j in (i+1):n) {
      A[j, i] <- abs(cor(data[,i], data[,j]))
      A[i, j] <-  1/A[j, i] 
    }
  ahp(A) #A是判断矩阵
}
ahp1 <- fAHP(datamm)


#4.扩散指数DI
fDI <- function(data, j=3) { #j为基期
  N <- ncol(data)
  w <- as.numeric(fentropy(data))
  DI <- 0
  for(i in 1:N){
    bool1 <- 0
    for(k in (j+1):nrow(data)){
      bool1 <- bool1 + (data[k,i]>data[k-j,i])
    }
    num <- 0.5*ceiling(0.5*nrow(data))
    if(bool1>num) I <- 1 else if(bool1==num) I <- 0.5 else I <- 0 
    DI <- DI + w[i]*I
  }
  DI
}
di1 <- fDI(datamm);di1


#5.合成指数CI
fCI <- function(lag1, vn=1) { #vn:所要研究变量(因变量)所在的列号
  p1 <- as.matrix(datamm[,which(lag1[,vn]<0)])#先行指标组
  p2 <- as.matrix(datamm[,which(lag1[,vn]==0)])#一致指标组
  p3 <- as.matrix(datamm[,which(lag1[,vn]>0)])#滞后指标组
  if(length(p1)>0){ #存在先行指标
    n11 <- dim(p1) 
    c1 <-  array(0,n11)
    for(i in 1:(n11[1]-1))
      for(j in 1:n11[2])
        c1[i, j] <- p1[i+1, j] - p1[i, j]
  }
  if(length(p2)>0) { #存在一致指标
    n22 <- dim(p2)
    c2 <-  array(0,n22)
    for(i in 1:(n22[1]-1))
      for(j in 1:n22[2])
        c2[i, j] <- p2[i+1, j] - p2[i, j]
    
  }
  if(length(p3)>0) { #存在滞后指标
    n33 <- dim(p3)
    c3 <-  array(0,n33)
    for(i in 1:(n33[1]-1))
      for(j in 1:n33[2])
        c3[i, j] <- p3[i+1, j] - p3[i, j]
  }
  if(length(p1)>0&&length(p2)>0&&length(p3)>0) c123 <- cbind(c1, c2, c3) else 
    if(length(p1)<=0&&length(p2)>0&&length(p3)>0) c123 <- cbind(c2, c3) else 
      if(length(p1)>0&&length(p2)<=0&&length(p3)>0) c123 <- cbind(c1, c3) else c123 <- cbind(c1, c2)
  a <- matrix(0,1,ncol(c123))
  for(i in 1:ncol(a))
    for(j in 1:ncol(c123))
      a[i] <- sum(abs(c123[, j]))/(n-1)
  s <- array(0,dim(c123))
  for(i in 1:ncol(c123))
    s[,i] <- c123[, i]/a[i]
  if(length(p1)>0&&length(p2)>0&&length(p3)>0) { #存在先行、一致、滞后指标
    w1 <- fentropy(p1)
    w2 <- fentropy(p2)
    w3 <- fentropy(p3)
    s1 <- as.matrix(s[,1:ncol(p1)])
    s2 <- as.matrix(s[,(ncol(p1)+1):(ncol(p1)+ncol(p2))])
    s3 <- as.matrix(s[,(ncol(p1)+ncol(p2)+1):ncol(s)])
    r1 <- r2 <- r3 <- matrix(0, 1, n)
    for(i in 1:(n-1)) {
      r1[i] <- sum(s1[i,]*w1)/sum(w1)
      r2[i] <- sum(s2[i,]*w2)/sum(w2)
      r3[i] <- sum(s3[i,]*w3)/sum(w3)
    }
    r <- rbind(r1, r2, r3)
    f <- matrix(0, 1, 3)
    for(i in 1:3)
      f[i] <- (sum(abs(r[i,]))/(n-1))/(sum(abs(r[2,]))/(n-1))
    v1 <- array(0,dim(r))
    for(i in 1:nrow(r))
      v1[i,] <- r[i,]/f[i]
    I <- matrix(0, 3, n)
    I[, 1] <- 100
    for(i in 1:3)
      for(j in 2:n)
        I[i, j] <- I[i, j-1]*(200+v1[i, j-1])/(200-v1[i, j-1])
    I <- I/100
    CI <- matrix(0, 3, n)
    for(i in 1:3) {
      I2 <- sum(I[i,])/n
      CI[i, ] <- (I[i,]/I2)*100
      if(i==1) plot(CI[i,],type = "l",col=1) else lines(CI[i,],col=i)
    }
    legend("topleft", cex=0.7, col = c(1:3), lty = 1, legend = c("先行","一致","滞后"))
  } else if(length(p1)<=0&&length(p2)>0&&length(p3)>0) { #存在一致、滞后指标
    w2 <- fentropy(p2)
    w3 <- fentropy(p3)
    s2 <- as.matrix(s[,1:ncol(p2)])
    s3 <- as.matrix(s[,(ncol(p2)+1):ncol(s)])
    r2 <- r3 <- matrix(0, 1, n)
    for(i in 1:(n-1)) {
      r2[i] <- sum(s2[i,]*w2)/sum(w2)
      r3[i] <- sum(s3[i,]*w3)/sum(w3)
    }
    r <- rbind(r2, r3)
    f <- matrix(0, 1, 2)
    for(i in 1:2)
      f[i] <- (sum(abs(r[i,]))/(n-1))/(sum(abs(r[2,]))/(n-1))
    v1 <- array(0,dim(r))
    for(i in 1:nrow(r))
      v1[i,] <- r[i,]/f[i]
    I <- matrix(0, 2, n)
    I[, 1] <- 100
    for(i in 1:2)
      for(j in 2:n)
        I[i, j] <- I[i, j-1]*(200+v1[i, j-1])/(200-v1[i, j-1])
    I <- I/100
    CI <- matrix(0, 2, n)
    for(i in 1:2) {
      I2 <- sum(I[i,])/n
      CI[i, ] <- (I[i,]/I2)*100
      if(i==1) plot(CI[i,],type = "l",col=1) else lines(CI[i,],col=i)
    }
    legend("topleft", cex=0.7, col = c(1:2), lty = 1, legend = c("一致","滞后"))
  } else if(length(p1)>0&&length(p2)<=0&&length(p3)>0) { #存在先行、滞后指标
    w1 <- fentropy(p1)
    w3 <- fentropy(p3)
    s1 <- as.matrix(s[,1:ncol(p1)])
    s3 <- as.matrix(s[,(ncol(p1)+1):ncol(s)])
    r1 <- r3 <- matrix(0, 1, n)
    for(i in 1:(n-1)) {
      r1[i] <- sum(s1[i,]*w1)/sum(w1)
      r3[i] <- sum(s3[i,]*w3)/sum(w3)
    }
    r <- rbind(r1, r3)
    f <- matrix(0, 1, 2)
    for(i in 1:2)
      f[i] <- (sum(abs(r[i,]))/(n-1))/(sum(abs(r[2,]))/(n-1))
    v1 <- array(0,dim(r))
    for(i in 1:nrow(r))
      v1[i,] <- r[i,]/f[i]
    I <- matrix(0, 2, n)
    I[, 1] <- 100
    for(i in 1:2)
      for(j in 2:n)
        I[i, j] <- I[i, j-1]*(200+v1[i, j-1])/(200-v1[i, j-1])
    I <- I/100
    CI <- matrix(0, 2, n)
    for(i in 1:2) {
      I2 <- sum(I[i,])/n
      CI[i, ] <- (I[i,]/I2)*100
      if(i==1) plot(CI[i,],type = "l",col=1) else lines(CI[i,],col=i)
    }
    legend("topleft", cex=0.7,col = c(1:2), lty = 1, legend = c("先行", "滞后"))
  } else { #存在先行、一致指标
    w1 <- fentropy(p1)
    w2 <- fentropy(p2)
    s1 <- as.matrix(s[,1:ncol(p1)])
    s2 <- as.matrix(s[,(ncol(p1)+1):ncol(s)])
    r1 <- r2 <- matrix(0, 1, n)
    for(i in 1:(n-1)) {
      r1[i] <- sum(s1[i,]*w1)/sum(w1)
      r2[i] <- sum(s2[i,]*w2)/sum(w2)
    }
    r <- rbind(r1, r2)
    f <- matrix(0, 1, 2)
    for(i in 1:2)
      f[i] <- (sum(abs(r[i,]))/(n-1))/(sum(abs(r[2,]))/(n-1))
    v1 <- array(0,dim(r))
    for(i in 1:nrow(r))
      v1[i,] <- r[i,]/f[i]
    I <- matrix(0, 2, n)
    I[, 1] <- 100
    for(i in 1:2)
      for(j in 2:n)
        I[i, j] <- I[i, j-1]*(200+v1[i, j-1])/(200-v1[i, j-1])
    I <- I/100
    CI <- matrix(0, 2, n)
    for(i in 1:2) {
      I2 <- sum(I[i,])/n
      CI[i, ] <- (I[i,]/I2)*100
      if(i==1) plot(CI[i,],type = "l",col=1) else lines(CI[i,],col=i)
    }
    legend("topleft", cex=0.7, col = c(1:2), lty = 1, legend = c("先行","一致"))
  }
  CI
}


#KL信息量得到的合成指数
ci1 <- vector("list", ncol(lag1))
for(i in 1:ncol(lag1)) {
  ci1[[i]] <- fCI(lag1, vn=i)
}


#EMD_SAX得到的合成指数
ci2 <- vector("list", ncol(lag2))
for(i in 1:ncol(lag2)) {
  ci2[[i]] <- fCI(lag2, vn=i)
}

这篇关于经济景气计量分析方法(R语言程序算法)参照张永军老师的方法的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/925561

相关文章

Python实现图片分割的多种方法总结

《Python实现图片分割的多种方法总结》图片分割是图像处理中的一个重要任务,它的目标是将图像划分为多个区域或者对象,本文为大家整理了一些常用的分割方法,大家可以根据需求自行选择... 目录1. 基于传统图像处理的分割方法(1) 使用固定阈值分割图片(2) 自适应阈值分割(3) 使用图像边缘检测分割(4)

Java中Switch Case多个条件处理方法举例

《Java中SwitchCase多个条件处理方法举例》Java中switch语句用于根据变量值执行不同代码块,适用于多个条件的处理,:本文主要介绍Java中SwitchCase多个条件处理的相... 目录前言基本语法处理多个条件示例1:合并相同代码的多个case示例2:通过字符串合并多个case进阶用法使用

Python中__init__方法使用的深度解析

《Python中__init__方法使用的深度解析》在Python的面向对象编程(OOP)体系中,__init__方法如同建造房屋时的奠基仪式——它定义了对象诞生时的初始状态,下面我们就来深入了解下_... 目录一、__init__的基因图谱二、初始化过程的魔法时刻继承链中的初始化顺序self参数的奥秘默认

将Java程序打包成EXE文件的实现方式

《将Java程序打包成EXE文件的实现方式》:本文主要介绍将Java程序打包成EXE文件的实现方式,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录如何将Java程序编程打包成EXE文件1.准备Java程序2.生成JAR包3.选择并安装打包工具4.配置Launch4

html5的响应式布局的方法示例详解

《html5的响应式布局的方法示例详解》:本文主要介绍了HTML5中使用媒体查询和Flexbox进行响应式布局的方法,简要介绍了CSSGrid布局的基础知识和如何实现自动换行的网格布局,详细内容请阅读本文,希望能对你有所帮助... 一 使用媒体查询响应式布局        使用的参数@media这是常用的

Java程序进程起来了但是不打印日志的原因分析

《Java程序进程起来了但是不打印日志的原因分析》:本文主要介绍Java程序进程起来了但是不打印日志的原因分析,具有很好的参考价值,希望对大家有所帮助,如有错误或未考虑完全的地方,望不吝赐教... 目录Java程序进程起来了但是不打印日志的原因1、日志配置问题2、日志文件权限问题3、日志文件路径问题4、程序

Spring 基于XML配置 bean管理 Bean-IOC的方法

《Spring基于XML配置bean管理Bean-IOC的方法》:本文主要介绍Spring基于XML配置bean管理Bean-IOC的方法,本文给大家介绍的非常详细,对大家的学习或工作具有一... 目录一. spring学习的核心内容二. 基于 XML 配置 bean1. 通过类型来获取 bean2. 通过

基于Python实现读取嵌套压缩包下文件的方法

《基于Python实现读取嵌套压缩包下文件的方法》工作中遇到的问题,需要用Python实现嵌套压缩包下文件读取,本文给大家介绍了详细的解决方法,并有相关的代码示例供大家参考,需要的朋友可以参考下... 目录思路完整代码代码优化思路打开外层zip压缩包并遍历文件:使用with zipfile.ZipFil

Python处理函数调用超时的四种方法

《Python处理函数调用超时的四种方法》在实际开发过程中,我们可能会遇到一些场景,需要对函数的执行时间进行限制,例如,当一个函数执行时间过长时,可能会导致程序卡顿、资源占用过高,因此,在某些情况下,... 目录前言func-timeout1. 安装 func-timeout2. 基本用法自定义进程subp

Python列表去重的4种核心方法与实战指南详解

《Python列表去重的4种核心方法与实战指南详解》在Python开发中,处理列表数据时经常需要去除重复元素,本文将详细介绍4种最实用的列表去重方法,有需要的小伙伴可以根据自己的需要进行选择... 目录方法1:集合(set)去重法(最快速)方法2:顺序遍历法(保持顺序)方法3:副本删除法(原地修改)方法4: