L'analisi delle serie temporali fornisce un rigoroso quadro statistico per l'esame dei punti di dati raccolti a intervalli regolari nel tempo. Nella storia economica, questo approccio ha rivoluzionato il modo in cui i ricercatori deconoscono i ritmi delle economie passate. Studiando sistematicamente i dati storici, i tassi di disoccupazione, l'inflazione, gli indici di mercato azionario e i volumi di commercio, gli analizzatori strutturali possono scoprire modelli, le tendenze e le anomalie che altrimenti resteranno invisibili.

Comprendere i cicli economici

I cicli economici, spesso chiamati cicli di business, rappresentano fluttuazioni ricorrenti nell'attività economica aggregata nel corso di mesi o anni. Questi cicli variano ampiamente nella durata e nell'ampiezza, a seconda delle condizioni strutturali, degli interventi politici e degli shock esterni. La comprensione richiede una misurazione attenta e una visione nuanced di come i settori interagiscono nel tempo. Il National Bureau of Economic Research (NBER) ha documentato i cicli statunitensi dal 1854, fornendo una serie di picco di dati di riferimento.

Fasi del ciclo di business

La teoria del ciclo di affari classico identifica quattro fasi: espansione, picco, contrazione e tortuosità. Durante un'espansione, aumenta l'occupazione e aumenta la spesa dei consumatori. Il picco segna lo zenith prima di un downturn. La contrazione comporta un calo della produzione, aumento della disoccupazione e riduzione della spesa. Il trogolo è il punto più basso, dopo il quale il recupero e un nuovo inizio di espansione. Queste fasi possono essere identificate statisticamente utilizzando la decomposizione della serie di tempo, che si basa, che si basa, che si basano, che si basano su cicli, che separano.

Variabilità storica nella lunghezza del ciclo

Alcuni, come le espansioni post-guerra II negli Stati Uniti, durarono oltre un decennio, mentre altri, come il Panic del 1907, erano affilati ma brevi. Studiando queste variazioni rivela l'influenza della politica monetaria, dello stimolo fiscale, dell'innovazione tecnologica e del commercio globale sulle dinamiche del ciclo.

Il ruolo dell'analisi delle serie temporali

L'analisi delle serie temporali fornisce il toolkit quantitativo per diffondere i dati economici storici, che va oltre la semplice osservazione, applicando metodi statistici rigorosi per estrarre segnali significativi dai dataset rumorosi. Le tecniche fondamentali includono medie mobili, modelli di media mobile integrata autoregressiva (ARIMA), analisi spettrale, metodi di decomposizione e approcci di apprendimento automatico più recenti.

Metodi chiave nell'analisi delle serie temporali

[LT][FLT]][Sistema di misurazione][FLT1]]] rompe una serie di tendenze, stagionali, ciclici e residui. Per i dati storici, questo aiuta a distinguere la crescita a lungo termine dalle fluttuazioni a breve termine. I modelli di analisi di tipo "ARIMA" sono ampiamente utilizzati per la previsione mediante l'acquisizione di autocorrelazioni nei dati.

Applicazione ai dati storici

Questi metodi richiedono un'attenta gestione degli errori di misura, delle lacune di dati e dei cambiamenti delle definizioni. I ricercatori spesso utilizzano variabili di proxy, salari reali, rendimenti agricoli o volumi di scambio, per ricostruire l'attività economica prima dei conti nazionali moderni.

Identificare modelli e tendenze

L'analisi delle serie temporali rileva quattro modelli fondamentali: tendenza (direzione a lungo termine), variazioni stagionali (rottorio periodico regolare), cicliche (oscillazioni legate alle condizioni di business), e irregolari (rumore casuale).

Tendenze a lungo termine nella storia economica

L'analisi dei trend mostra come le economie si evolvono nel corso di decenni e secoli. Ad esempio, la serie temporale del PIL reale USA pro capite dal 1870 al presente rivela una forte tendenza verso l'alto punteggiata da gravi decrescite come la Grande Depressione e la recessione 2007-2009.

Modelli ciclici e episodi storici

La ricerca con i filtri di bandpass ha identificato cicli distinti di lunghezze variabili: cicli di inventario Kitchin (3-5 anni), cicli di Juglar (7-11 anni) legati agli investimenti fissi, e oscillazioni Kuznets (15-25 anni) relativi a spostamenti di costruzione e demografici.

Variazioni stagionali nel contesto storico

Le società agricole hanno sperimentato notevoli oscillazioni in uscita tra il raccolto e le stagioni più basse. La serie temporale dei volumi di commercio mensili, dei prestiti bancari o dei livelli di prezzo rivela questi modelli. Per esempio, l'analisi dei prezzi del grano francese del XVIII secolo mostra forti picchi stagionali dopo la raccolta e i trozzi prima del prossimo raccolto, con forti punte durante le crisi di sussistenza.

Predivisione dei futuri movimenti economici

Sebbene la previsione sia intrinsecamente incerta, i modelli delle serie temporali possono generare previsioni probabilistiche di futura attività economica basata su modelli storici.Per i politici, queste previsioni servono come segnali di allarme anticipato per potenziali recessioni o surriscaldamento. Le banche centrali utilizzano le autorigressioni vettoriali (VAR) e i modelli di equilibrio generale stocastico dinamico (DSGE) per simulare gli impatti politici.

Limitazioni di previsione storica

La previsione dei dati storici deve essere considerata come un'interruzione strutturale, eventi che alterano fondamentalmente il processo generativo dei dati. Esempi includono il passaggio da standard oro a soldi fissi, l'aumento delle economie di servizio e l'impatto della tecnologia digitale.

Approcci dell'Ensemble e analisi dello scenario

Per affrontare l'incertezza, i programmatori si affidano sempre più a metodi di ensemble che combinano modelli multipli. Ad esempio, la Federal Reserve utilizza una suite di modelli, tra cui il modello FRB/US e i VAR Bayesian, per produrre una serie di previsioni. L'analisi dello scenario considera esplicitamente percorsi futuri alternativi, come un picco di prezzo del petrolio o una crisi finanziaria.

Case Studies nell'analisi economica storica

Diversi studi di riferimento illustrano la potenza dell'analisi delle serie temporali nella storia economica.

La grande depressione (1929-1939)

L’analisi della serie temporale del periodo interbellico è stata determinante nei dibattiti sulle cause della Grande Depressione. I ricercatori come Christina Romer hanno usato l’analisi spettrale dei dati di produzione industriale per sostenere che il crash del 1929 non era solo un evento di mercato azionario ma rifletteva gli squilibri strutturali più profondi.

Ripristino economico della seconda guerra mondiale

La rapida espansione dal 1945 al 1970 è uno dei periodi più studiati. La decomposizione della serie Time del PIL USA e europeo rivela un'accelerazione della tendenza a causa della ricostruzione postbellica, del catch-up tecnologico e del Piano Marshall. L'analisi spettrale mostra che la lunghezza del ciclo è diminuita rispetto al periodo interbellico, riflettendo più politiche di stabilizzazione attiva.

Le crisi petrolifere degli anni '70

L'analisi della serie temporale dei dati di inflazione e disoccupazione — il rapporto di curva di Phillips — mostra un significativo spostamento verso l'alto delle aspettative durante questo periodo.

La crisi finanziaria del 2008

La crisi finanziaria globale del 2007-2009 è un caso di test contemporaneo per l'analisi delle serie temporali. I ricercatori hanno applicato i modelli di scambio Markov per catturare l'improvvisa evoluzione dall'espansione alla contrazione grave.

Cicli a lungo raggio: il dibattito sulle onde di Kondratiev

L'analisi controversia e l'influenza, il concetto di cicli economici lunghi (circa 50 anni) è stata avanzata da Nikolai Kondratiev negli anni '20 utilizzando serie temporali di prezzi delle materie prime, salari e tassi di interesse.

Considerazioni metodologiche nella serie storica del tempo

Il lavoro con dati storici presenta sfide uniche: la qualità dei dati varia enormemente; i periodi precedenti spesso mancano di definizioni o standard di misura coerenti. Ad esempio, le stime del PIL del XVIII secolo sono costruite con registri doganali limitati e rendimenti agricoli. Gli studiosi devono applicare tecniche di interpolazione, imputazione o di imputazione multiple per colmare le lacune. Inoltre, i cambiamenti strutturali nell'economia, come la transizione da agrario all'industria, possono consentire i parametri di ridimensionamento dello stato di rotazione dello spazio.

Trattare con dati non stazionari

La maggior parte delle serie storiche di tempo economico sono non stazionarie: contengono tendenze e variazioni mutevoli. Prima dell'analisi, i ricercatori spesso applicano trasformazioni di diversi gradi o di registro per raggiungere la stabilità. Le prove di radice dell'unità (ad esempio, il test di Aumentato Dickey-Fuller) sono standard per determinare l'ordine di integrazione.

Interruttori strutturali e Regime

Ignorando questi possono portare a stime biasate e a inferenze spuriose. Test come il test Chow o Bai-Perron multiplo break test aiutano a identificare le date di rottura. Una volta individuato, i modelli possono essere stimati su sotto-campioni o utilizzando i quadri di Markov-switching. Per esempio, l'analisi di crescita del PIL degli Stati Uniti da 18

Applicazioni moderne nel Banking centrale

Le banche centrali in tutto il mondo si affidano fortemente ai modelli di serie temporali per l’analisi della politica monetaria e il monitoraggio della stabilità finanziaria. L’uso di dati ad alta frequenza, combinati con le serie trimestrali tradizionali e mensili, ha ampliato il kit degli strumenti.

Politica macroprudenziale e sistemi di allarme precoce

L’analisi delle serie temporali svolge anche un ruolo nella regolamentazione macroprudenziale. I sistemi di allarme anticipato per le crisi finanziarie spesso si basano sui modelli di risposta binaria utilizzando dati di crisi storiche. Ad esempio, il sistema di allarme ]] utilizza le caratteristiche di machine learning e time- Series per prevedere crisi bancarie e monetarie.

Conclusioni

Per l'analisi delle serie temporali è diventato indispensabile interpretare i cicli economici che hanno plasmato la storia umana. Applicando una serie di strumenti statistici, dalle medie mobili semplici ai metodi spettrali avanzati e ai modelli di Markov-switching, i ricercatori possono scoprire modelli sotto la superficie dei dati grezzi.