基于时间序列数据的度量方法

基于时间序列数据的度量方法，其理论基础是将核心通货膨胀定义为“持续性通货膨胀”，认为核心通货膨胀是观测到的通货膨胀序列中包含的长期趋势部分，即从时间的角度来“纵向”定义核心通货膨胀。基于这种定义，很多学者以经济学中的某些变量之间的关系（如菲利普斯曲线）为基础，应用时间序列技术分离通货膨胀中的长期成分与暂时成分，常用的方法有：平滑法、滤波法和SVAR方法。基于时间序列数据度量方法的主要优点是具有一定的经济理论支撑；主要缺点是对假设条件和数据的要求较高，适合在经济环境相对稳定、统计体系比较完备透明的条件下采用，而我国正处于经济转型时期，经济环境一直处于不断的变化之中，数据统计口径常常缺乏连贯性，一些必要的数据也很难得到。

平滑技术方法主要包括指数平滑法、或者更为复杂的H-P滤波法和B-P滤波法。平滑技术法通过将通货膨胀中暂时性的波动分离出来，剩下的成分即为核心通货膨胀，以达到消除或至少减少单一时间序列中的短期波动影响。H-P滤波法是处理宏观数据常用的一种方法，利用H-P滤波进行经济变量趋势分解，可以将时间序列中的长期趋势和短期波动成分分离出来，经过H-P滤波处理得到的数据为平稳序列。这类方法虽然方便计算，但是实时性差，主要依赖历史信息。

SVAR模型是结构化的VAR模型，是对VAR模型的一种改进。尽管VAR模型在实证研究中得到广泛引用，但由于VAR模型的信息可能存在较强的相关性，无法揭示经济结构，经常受到批评。Blanchard和Quah（1988）对向量自回归（VAR）模型进行改进，提出了SVAR模型，即基于经济理论施加长期约束条件的一种结构化方法；Quah和Vahey（1995）将SVAR模型用于核心通货膨胀的研究，以垂直的菲利普斯曲线为基础，建立了包括CPI与产出的两变量SVAR模型，将核心通货膨胀的研究与货币中性理论相结合，然后基于宏观经济理论施加需求冲击长期产出效应为零的约束条件，以识别SVAR模型，并分离出结构化需求冲击和供给冲击，利用供给冲击部分得到核心通货膨胀率，因而具有明确的经济含义。