第二節 內部動態傳導機制：單變量模型

在分析CPI及其八大類子成分的動態傳導特性的過程中，特別值得關注的是各類通貨膨脹的慣性特征。這是因為，通貨膨脹率的慣性大小從實質上決定了其受到隨機沖擊因素干擾以后反應持續的時間，慣性越大，持續時間越久。已有研究（如張成思，2008）發現，中國總體CPI通貨膨脹率自身的慣性很大，而這里我們希望通過對CPI分類數據的分析，進一步比較CPI不同子成分通貨膨脹率的自我傳遞性的差別。

在通貨膨脹動態機制研究領域，通貨膨脹慣性一般由動態自回歸模型（AR）中滯后項的系數和來度量。為此，我們首先設立AR模型，即

其中wt用來表示各個通貨膨脹序列；et代表無序列相關性的隨機擾動項，用來捕捉影響CPI及其子成分的隨機沖擊因素；ρ（L）代表滯后算子多項式，滯后期數由SIC確定；t代表確定性趨勢變量，模型（3—1）中是否包含確定性趨勢t由對應的顯著性檢驗來判定（5%顯著性水平）。

在這樣的模型設計下，不難通過AR模型的累積脈沖響應函數與滯后項系數和ρ（1）之間的內在聯系來證明，ρ（1）關鍵性地決定了通貨膨脹的慣性特征。例如，依據標準的時序分析理論，模型（3—1）中一個單位的隨機沖擊對wt帶來的累積效應（即累積脈沖響應函數CIRF）可以表示為

顯然，ρ（1）的值越接近于1，隨機沖擊對wt的累積影響就越大，CIRF也就越難收斂。

雖然模型（3—1）的表現形式非常簡單，但是要準確獲得ρ（1）的無偏估計值并不容易。應用傳統的普通最小二乘（OLS）估計方法獲得的估計結果會出現統計偏倚（Phillips,1977），所以我們這里采用Hansen（1999）提出的grid-bootstrap無偏估計法來修正這個問題。

這種無偏估計方法實質上是應用bootstrap技術針對一系列可能的ρ（1）值模擬出最小二乘估計的有限樣本分布，再利用格點搜索法計算ρ（1）值的置信區間。例如，在設定的格點搜索域內，定義bootstrap分位數函數，其中θ表示分位數水平，T表示樣本大小。分位數函數的估計和平滑可以利用非參估計中的核回歸方法（kernel regression）獲得。然后，為ρ（1）定義一個與給定的置信水平β對應的grid-bootstarp置信區間，即

其中θ1=1-0.5（1-β）, θ2=0.5（1-β）, ST（ρ）非退化（nondegenerate）檢驗統計量。在實際計算中，我們使用服從bootstrap分布的分位數函數構造ρ（1）的90%的置信區間，進而利用50%百分位數計算出ρ（1）的中值無偏估計。在grid-bootstrap的模擬過程中，格點數設定為200, bootstrap模擬次數為1999，分位數函數的估計采用艾氏核函數，90%的置信區間的估計使用White異方差修正標準差進行修正。

基于以上設計，表3—2歸納了CPI及其分類數據的動態慣性衡量指標的估計結果。作為比較，表3—2同時報告了grid-bootstrap和OLS的估計結果，包括點估計值和90 %的無偏估計置信區間。注意，為確保SIC選取的滯后期足以消除動態AR模型隨機擾動項的序列相關性，保證結果的可靠性，我們對每個回歸等式均進行了Breuch-Godfrey LM序列相關性檢驗，檢驗統計量的（p-auto）值、模型中確定性趨勢的取舍以及最優滯后期的選取結果報告在表3—2的最后三列，其中p-auto的值如果大于0.05則表明在5%的顯著性水平下擾動項無序列相關性。

從表3—2中的估計結果可以看到，總體CPI慣性系數的無偏估計值最大，達到了1.015，而八大類子成分中，醫療類、交通類和教育類通貨膨脹率的點估計值相對小一些，特別是交通類的點估計值不到0.9，醫療類和教育類稍微大于0.9，而其他五大類則呈現出相對較大的慣性，對應的無偏估計值接近或等于1。比較grid-bootstrap與OLS的點估計值可以看到，在所有回歸中，前者都要大于后者，無偏估計的修正幅度一般在3%—7%。

以上結果表明，CPI子成分的自身動態傳導特性彼此存在一定差別，特別是醫療類、交通類和教育類通貨膨脹率的自我傳遞性相對其他成分較弱。這說明，CPI不同子成分受到各自所在大類中的沖擊因素影響以后，反應持續的時間有所不同，其中居住類、煙酒類以及食品類受到各自所在類別的隨機干擾因素沖擊的影響持續時間最長，而醫療類、交通類和教育類持續時間相對較短。但從總體上看，無論以中值無偏估計結果來衡量還是以OLS估計結果來衡量，CPI的自身慣性程度比子成分慣性指標的平均值都要高一些，并且高于所有八大類的各自水平值，這表明不僅分類數據的自身傳遞性存在一定異質性（heterogeneity），而且加總后的CPI動態慣性特征并不能完全真實反映其內部子成分各自的慣性特征。