宏观研究中时间序列的处理和分析框架

以编制指数为例

1. 统一数据频率
   使用混频数据分析则另当别论

2. 季节调整
   月度数据也需要进行季节调整，lambda 取值为14400。
   是否需要季节调整，判断依据为 Eviews 季节调整报告的 F3 表中是否 Accepted。

3. 依据需要取对数或去均值（若去均值直接跳到5）

4. HP滤波
   提取循环成分。
   检查数据是否合理（取对数后一般在 [-1,1] 上，具有平稳性）。

5. 标准化处理
   若没有取对数要考虑标准化，以消除循环成分的量纲差异

6. 主成分分析
   观察前 n 个主成分的特征值和累积贡献率。主成分的特征值小于 1， 说明该主成分对整体的解释能力不强， 甚至不如引入一个原变量数据。根据主成分分析结果， 前 n 个特征值均大于 1 且累积贡献率可以代表绝大多数信息的主成分， 以各自的贡献率为权重， 计算出合成指数。

7. 对比
   （1）与基准线对比。由于我们考察的是原始序列的循环成分， 因此计算得到的指数可以直接反映对均衡水平的偏离情况，以 0 为基准线。若不是循环成分，则以序列的均值为基准线。
   （2）与基准指标对比。利用周期谱图、互谱分析（时差相关分析）和（时变）Granger 因果检验等对二者的关联性进行分析测度二者的关联性，检验所构建指数对宏观经济变量的预测作用。

8. 分析和预测
   构建 VAR 模型，利用脉冲响应函数分析指数对宏观经济变量的冲击效应。

Ref:
邓创，徐曼，中国的金融周期波动及其宏观经济效应的时变特征研究，2014
—— 中国金融周期与经济周期的交互影响作用分析——基于动态溢出指数方法的实证研究， 2018
郑挺国，王霞，中国经济周期的混频数据测度及实时分析，2013