diff --git a/10_Data_Fluctuation.html b/10_Data_Fluctuation.html index 03a3fe9c..cbc7a4f4 100644 --- a/10_Data_Fluctuation.html +++ b/10_Data_Fluctuation.html @@ -447,12 +447,12 @@
\(\rho_{\varepsilon}(s)<0,\;s=1,2,3,\cdots\):今期とs
期前の値は負の相関があるということを示す。\(\varepsilon_{t-s}\)の値が大きければ(小さければ),\(\varepsilon_{t}\)は小さい(大きい)傾向にあるという意味であり,s
期前の影響が強ければ,自己相関係数の絶対値は大きくなる。
.cov
と.corr()
と.autocorr()
:GDPの場合#まずGDPの変動を考えるために,df
からgdp_cycle
をDataFrame
として抽出し,変数g
に割り当てよう。
はっきりと正の相関を確認できるが,例外的な動きをしている観測値もある。
-まずGDPの構成要素のトレンドからの乖離率の持続性を考察するが,gdp_cycle
を含めて次の変数を考えよう。
次に、失業率とインフレ率の持続性を確認する。
各変数の乖離を計算するが、注意する点がある。GDPなどの変数と違い、インフレ率と失業率は長期的なトレンドはない。従って、式(101)を使い、対数化せずに計算する必要がる。
次に変動の大きさを考えるために,GDPの標準偏差に対するそれぞれの構成要素の標準偏差の比率を計算しよう。
resample()
2019-01-01
10
- 4.960362
+ 6.398947
2019-02-01
20
- 5.211487
+ 4.601473
2019-03-01
30
- 6.066279
+ 4.155280
2019-04-01
40
- 6.307194
+ 4.043636
2019-05-01
50
- 6.421642
+ 4.871667
2019-06-01
60
- 6.324687
+ 5.474436
2019-07-01
70
- 5.219173
+ 5.469829
2019-08-01
80
- 3.876284
+ 5.683622
2019-09-01
90
- 3.997646
+ 5.425678
2019-10-01
100
- 5.987195
+ 4.573360
2019-11-01
110
- 4.783851
+ 6.808362
2019-12-01
120
- 4.686246
+ 3.761755
2020-01-01
10
- 4.811122
+ 4.959200
2020-02-01
20
- 4.960091
+ 3.975104
2020-03-01
30
- 4.712852
+ 5.494370
2020-04-01
40
- 4.745662
+ 5.606324
2020-05-01
50
- 5.217352
+ 5.247615
2020-06-01
60
- 3.446441
+ 5.696802
2020-07-01
70
- 4.974370
+ 5.252175
2020-08-01
80
- 3.999436
+ 5.706897
2020-09-01
90
- 5.855918
+ 5.429330
2020-10-01
100
- 6.453502
+ 3.853960
2020-11-01
110
- 5.557520
+ 5.387163
2020-12-01
120
- 3.946524
+ 4.893141
@@ -1460,7 +1460,7 @@ resample()
<pandas.core.resample.DatetimeIndexResampler object at 0x11cea8f80>
+<pandas.core.resample.DatetimeIndexResampler object at 0x110ee56d0>
resample()
2019-01-01
20.0
- 5.412709
+ 5.051900
2019-04-01
50.0
- 6.351174
+ 4.796580
2019-07-01
80.0
- 4.364368
+ 5.526376
2019-10-01
110.0
- 5.152431
+ 5.047826
2020-01-01
20.0
- 4.828021
+ 4.809558
2020-04-01
50.0
- 4.469819
+ 5.516914
2020-07-01
80.0
- 4.943241
+ 5.462801
2020-10-01
110.0
- 5.319182
+ 4.711421
@@ -1577,12 +1577,12 @@ resample()
2019-01-01
65.0
- 5.320170
+ 5.105670
2020-01-01
65.0
- 4.890066
+ 5.125174
@@ -1667,12 +1667,12 @@ resample()
2019-01-01
0.5547
- 0.168815
+ 0.183983
2020-01-01
0.5547
- 0.171846
+ 0.121213
@@ -2332,7 +2332,7 @@ 変化率の計算
-<pandas.core.groupby.generic.DataFrameGroupBy object at 0x11c9f0290>
+<pandas.core.groupby.generic.DataFrameGroupBy object at 0x110cd8200>
@@ -2347,7 +2347,7 @@ 変化率の計算
-<pandas.core.groupby.generic.SeriesGroupBy object at 0x11c9f3710>
+<pandas.core.groupby.generic.SeriesGroupBy object at 0x110f93e60>
diff --git a/13_random_TFP.html b/13_random_TFP.html
index b14bf530..6be35e1d 100644
--- a/13_random_TFP.html
+++ b/13_random_TFP.html
@@ -587,7 +587,7 @@ 平均と分散
-
+
2つの特徴がある。
@@ -603,7 +603,7 @@ 平均と分散
-(-0.0713458438036476, 0.8404674850814047)
+(-0.04116827681884658, 1.1586194464746402)
@@ -618,7 +618,7 @@ 平均と分散
-
+
概ね0
を中心に左右対象に動いている。即ち,平均0
を反映している。また,0
から離れている観測値が少ないことが分かる。これは0
方向に戻ることを示している。これは分散が一定であるためである。この性質はn
を500
や1000
などの大きな数字に設定するより一層分かりやすいだろう。
自己共分散がゼロであれば,ランダムに散らばっているはずであり,何らかのパターンも確認できないはずである。
@@ -716,7 +716,7 @@-0.12034695272500617
+-0.045767970182586284
-0.12034695272500617
+-0.04576797018258628
この例では\(\rho\)の値が低いため,\(y\)は定常状態の0に直ぐに戻ろうとする力が強い。従って、前期の値の今期の値に対する影響力が小さいため、持続性が低い。
@@ -949,7 +949,7 @@\(\rho\)の値が高くなると、定常状態の\(0\)に戻ろうとする作用が弱くなり、持続性が強くなることがわかる。
@@ -960,7 +960,7 @@\(\rho\)が非常に高いため、持続性も非常に強くなっている。即ち、今期の値は前期の値に対する依存度が大きい。
@@ -1498,10 +1498,10 @@自己相関係数:0.518
+自己相関係数:0.509
-
+
シミュレーションを行う度に図と自己相関係数は異なることになる。
@@ -1883,92 +1883,92 @@トレンドの傾きは成長率を表しているが,徐々に減少していることが分かる。最初は成長率に対する資本蓄積の効果が大きいが,定常状態に近づくにつれて資本蓄積の効果が減少しているためである。
@@ -1998,7 +1998,7 @@絶対値で約2%内に収まった変動となっている。データでは,リーマンショック時はマイナス約4%程乖離したが,それ以外は絶対値で2%以内に収まっており,シミュレーションは概ねデータと同じような特徴を持っていると言える。
@@ -2022,11 +2022,11 @@--- シミュレーション:変動の自己相関係数 ---
-Yの変動: 0.467
-Cの変動: 0.467
-Iの変動: 0.467
+Yの変動: 0.480
+Cの変動: 0.480
+Iの変動: 0.480
Kの変動: 0.971
-Aの変動: 0.458
+Aの変動: 0.464
\(u_t\)と\(v_t\)が毎期毎期変動しており,その結果として\(p_t\)と\(y_t\)が変動していることになる。 @@ -1129,7 +1129,7 @@
このプロットから次の点を確認できる。
@@ -1183,8 +1183,8 @@yの標準偏差:0.01378
-pの標準偏差:0.01407
+yの標準偏差:0.01382
+pの標準偏差:0.01417
y:0.049
-p:0.816
+y:0.046
+p:0.819
p
-0.10823056996603567
+-0.11134686677389267
WNショック
0.01378
0.01407
0.04896
0.81570
-0.10823
0.01382
0.01417
0.04645
0.81881
-0.11135
AR(1)ショック
0.01252