《表8 各模型的预测能力与稳定性比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《劳动生产率与中国菲利普斯曲线的门限转换特征》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

注：由于线性模型（OLS）缺乏动态预测，因此为保持几个模型的一致性本文均采用静态预测。

本文还计算了泰尔不等式指数（TIC）以及预测均方误（MSFE）来度量通货膨胀率拟合值（Inflation*）与实际值（Inflation）之间的误差，其中泰尔不等式指数的计算公式见公式（9），预测均方误（MSFE）则用模型估计值与数据真实值之间误差平方的平均值计算得来，越小说明模型的预测能力越强。本文的预测均方误是用样本期内（1992年第一季度至2016年第四季度）估计的结果预测样本外（2017年第一、二、三季度）的通货膨胀率，然后计算出来的预测均方误，所以它可以用来检验模型样本外的预测能力。本文的泰尔不等式指数采用样本期内的模型拟合值和实际发生值之间的误差计算得来，该值越小代表预测能力越强，所以它可以用来检验模型样本内预测能力。从表8第一行和第二行的结果来看，线性模型样本外预测的预测均方误数值高达27%左右，而门限模型不超过10%，很明显门限模型的样本外预测能力要高于线性模型。考虑到样本外的预测期只有三期，因此两机制模型在预测均方误数值上略微小于三机制模型可能属于系统性误差。从样本内预测的泰尔不等式指数来看，相较于线性模型、分布滞后模型以及两机制模型，三机制模型的泰尔不等式指数最小，这表明三机制模型的样本内预测能力优于其他模型。