论文部分内容阅读
摘要：利用Beaudry and Portier的方法和模型，本文考察了中国股票价格中所包含的关于未来宏观经济状况的信息，同时也考察了该信息对中国宏观经济波动所产生的影响。模型的估计结果表明，能够利用结构向量误差修正模型中的短期条件识别出股票价格中所包含的关于宏观经济状况的信息，该信息是股票价格中所包含的与全要素生产率短期结构新息垂直的结构新息，该新息对全要素生产率和股票价格的影响与长期限制条件下的新息的影响是相似的，并且对全要素生产率具有持久性的影响。因此，在研究中国经济波动的过程中，信息冲击所带来的波动需要逐渐纳入考虑范围之内。
关键词：信息；股票价格；经济波动；结构向量误差修正模型
一、引言
Pigou（1927）[1]的理论将居民对宏观经济的预期作为经济波动的主要因素，随后发展起来的主流宏观经济学文献背弃了这一传统，并且将技术冲击作为引起经济波动的主要因素；尽管如此，居民对宏观经济的预期一直在经济周期文献中发挥重要作用。尤其是近些年来，居民对宏观经济的预期以及关于未来宏观经济状况的信息的冲击（news shock about future macro economy）在解释一些问题上发挥了重要作用。（Beaudry and Portier， 2004； Jaimovich and Rebelo， 2006； Christiano et al.， 2008）[2][3][4]。但是，鲜有学者谈及关于未来宏观经济状况信息在中国经济波动中所扮演的角色。建立在已有研究的基础上，本文期望通过将相关方法和模型应用在中国经济中来填补这个空缺。
在Beaudry and Portier（2006）[5]中，信息以及信息在经济周期中的作用是在一个双变量结构向量误差修正模型（Structural Vector Error Correction Model， SVECM）中识别的。在这个识别策略中，结构模型被相继赋予短期限制条件（short-run restriction）和长期限制条件（long-run restriction）。在短期限制条件中，信息被识别为股价中与技术新息（innovation）不相关的新息；而在长期限制条件中，信息被识别为对技术进步具有长期影响的新息。按照Beaudry and Portier（2006）的推论，如果关于未来宏观经济波动的信息在经济周期中发挥了重要作用，那么模型中的变量—尤其是技术进步变量—对这两种信息的脉冲响应函数应当是相似的，而两种信息之间应当呈线性关系。这种方法在美国数据中的应用支撑了信息驱动型经济周期模型（news-driven business cycle）。Barsky and Sims（2010）[6]则将信息识别为一些向前看（forward-looking）变量（包括股价，消费者信心指数和通货膨胀）中新息的线性加权。
中国证券市场虽然起步较晚，但已经在国民经济发展中发挥了重要的作用。随着证券市场在经济发展中作用的逐渐凸显，证券市场与宏观经济方面的联系也在逐渐加强。譬如说，利用1995-2004年的中国数据，方文全（2009）[7]验证了中国股市与通货膨胀之间的关系；王晓芳、高继祖（2007）[8]则利用ARDL边界检验的方法进一步验证了上述结论；靳云汇、于存高（1998）[9]则从更加广义的角度论证了中国股市与国民经济的关系。所有的研究都证实了中国股票市场与国民经济的关系与国外股票市场没有显著的差异。这意味着股票市场价格中包含了宏观经济的有关信息，我们完全能够利用Beaudry and Portier（2006）的方法验证关于未来宏观经济状况的信息在经济波动中的作用，同时利用其策略识别出该信息；这就是本文将要做的工作。
二、模型介绍
1. 信息的定义及其识别中的问题
按照Barsky and Sims（2010）中的定义，以全要素生产率代替的技术进步一般可以表达为两类冲击的随机过程：未预期到的技术冲击和以前预期到的对当前技术进步的冲击，其中，以前预期到的对当前技术进步的冲击就是本文中所要寻找的信息冲击（news shock）。进一步来说，技术进步一般可以表达为：
这个表达式符合由信息冲击定义所导出的限制性条件，但是简单的模型估计只会将两类冲击混淆，研究者只能得到两类冲击的和而无法分别产生出两类冲击序列，因此简单的估计会产生出误差，从而影响研究结论。
从上面的分析中可以看出，信息冲击是无法在单方程的估计结果中获得的，我们只能利用向量自回归或者向量误差修正模型来估计信息冲击序列。
2. 信息识别策略
本文的识别策略是遵照Beaudry and Portier（2006）中的模型和步骤。具体来说，假设一个由技术进步和股票价格构成的双变量向量误差修正模型（Bivariate Vector Correction Model）的表达式为：
分别为短期和长期结构冲击，其方差-协方差矩阵均为单位矩阵。为了保持结构模型和原始模型的一致性，结构模型必须能够产生原始模型中的方差-协方差矩阵，这就意味着以下的关系式：
和
从上述关系式可以发现，由于包含长期限制条件的模型和包含短期限制条件的模型式从同一个原始模型中估计出来的，所以对于方差-协方差的限制条件是一样的。由于是对称矩阵，上述方程中是一个包含四个变量和三个方程的方程组，所以需要提供结构性限制条件来估计参数，这就是下面的短期限制条件和长期限制条件所要做的工作。
本文假设在短期中，股票价格新息对当前的技术进步没有影响，按照这一假设，短期结构模型中的系数存在条件；同时，对未来宏观经济和生产率的信息冲击可以识别为新息序列。在长期中，依照Beaudry and Portier（2006）中的方法，仅有技术进步方面的新息对技术进步具有长期作用，而股票价格中的新息对技术进步不存在长期作用。该假设条件中，长期结构模型中的系数存在条件。在该识别条件中，股票价格中能够长期影响技术进步的新息与本文的信息定义较为接近，所以如果宏观经济周期波动是信息驱动型的，那么两类模型中变量对来自新息序列的冲击反应应当是类似的。本文的模型估计及其分析就是建立在这一分析基础之上的。
三、数据描述
本文的模型估计建立在我国1995年一季度到2011年四季度的数据。所有数据均来源于中经网统计数据库。
中国技术进步数据来源于对中国生产函数的估计，用中国的全要素生产率来代表中国的技术进步。假设中国的生产函数为步序列可以估计为：
但是，利用该模型估计中国的技术进步需要解决诸多问题。针对相关问题，本文在相关研究的基础上都做出了相应的处理。
首先，由于本文模型需要估计中国的股票价格中所反映的宏观经济信息，而中国的农业由于长期以来发展程度较低，与股票市场的直接联系也较弱；因此，本文按照Beaudry and Portier（2006）的方法，模型中的总产出由第二产业和第三产业的总产出来代表。然后，从中国的统计数据中可以寻找到中国的月度环比通货膨胀率，该通货膨胀率由居民消费价格指数表示。利用中国的月度环比数据，通过简单的相乘，能够计算出中国的季度环比通货膨胀率，然后能够进一步计算出1995年一季度至2011年四季度之间各季度建立在1995年一季度基础上的价格，其中1995年一季度的起始价格假设为1。然后利用统计数据中的名义总产出和各季度的价格指数，本文得到了各季度的实际总产出。
其次，对中国的季度资本存量采用永续盘存法进行估计。永续盘存法的估计表达式为，其中为固定资产投资价格指数。因此，该估计方法要求确定起始的资本存量，各季度的投资价格指数，各季度的名义投资以及季度折旧率。本文中的各季度的名义投资能够直接由统计数据获得；而季度折旧率则为1.27%，这与年度折旧率为5%是相一致的（王小鲁等，2000；郭庆旺、贾俊雪，2004；陈彦斌等，2009）[10][11][12]。按照乔根森（2001）[13]的思想，本文采用耐用消费品的价格指数来对固定资产投资进行代替，但是该价格指数仅从2003年一季度开始，对于1995年一季度至2002年四季度之间，本文只能采用总体通货膨胀率来代替固定资产投资的价格指数。对于各季度的投资，本文采用各季度第二产业和第三产业固定资产投资完成额的总和进行计算。按照所选取的时间宽度，本文将郭庆旺、贾俊雪所估计的1994年底的资本存量作为起始的资本存量，但是这一资本存量是以1978年的价格进行计算的，这与本文所选取的价格基点完全不同。为此，本文首先利用中国年度通货膨胀率，计算出按照1995年价格计算出的1994年资本存量，然后利用1995年的环比通货膨胀率，计算出1995年一季度的通货膨胀率与全年通货膨胀率之间的关系，从而将该初始资本存量转化为按照1995年一季度的价格进行计算的数值从而满足永续盘存法的公式。利用所有处理的相关数据，可以估算出1995年一季度至2011年四季度之间的所有资本存量。
再次，对于本文劳动收入份额的处理。由于本文的总产出和资本数据都是来自于第二产业和第三产业，因此劳动收入份额数据也最要来自于这两个产业的估计。因此，本文第二产业和第三产业的劳动收入份额数据直接取自1995年至2004年的平均值。为了构造一个统一的劳动收入份额数据，笔者首先利用第二产业和第三产业增加值占其总和的比重作为加权值，从而得到历年的劳动收入份额数据，最后取历年的数值进行平均从而得到本文所需要的劳动收入份额数据。最终的劳动收入份额约为0.40。
最后，对于（1）式中劳动力的选取，本文将各季度末全部城镇单位的从业人员数作为本文劳动力的替代，这也与本文的模型中不包含农村部门的生产相符合的。
利用相关的统计数据和经过处理的数据，本文估算出了中国各季度的技术进步。但是估计出来的数据具有严重的季节性，所以笔者进一步利用X12方法进行了季节调整。调整出来的技术进步数据可见于图1中的虚线。从图1中可以看出，中国的技术进步总体来说是增长的，这与我国的经济发展事实相符合。
对于股票市场的价格，本文采用上证季度最高综合指数进行替代。按照Beaudry and Portier（2006）的数据处理方法，本文首先将股票价格除以本文中得到的各季度价格指数以及中国各季度15—64岁的人口总数，然后再取对数从而得到本文的股票市场价格指数。本文按照历年抽样调查中该年龄段人口所占的比例以及历年人口总数估算出历年15—64岁的人口总数，然后假设同一年不同季度之间的人口增长数是相同的，从而估算出各季度内15—64岁的人口增长率，并进而计算出各季度内的人口数量。依据相关处理方法，最终各季度的股票市场价格指数可见于图1中的实线。从图中可以看出，中国的股票价格呈缓慢上升趋势，但是没有中国的技术进步那么平缓，它是在波动中缓慢上升的，甚至在特定的时间段有一定的下降。
为了检验模型设定是否正确，需要对数据进行简单的分析。扩展的Dickey-Fuller检验表明技术进步和股票价格均是满足一阶单整（I（1））的，而Johansen协整分析则表明两个时间序列数据满足95%的显著性水平下是存在协整关系的，这意味着本文所采用的误差修正模型是正确的，模型的构造符合中国数据的特点。
四、模型估计
利用时间序列分析工具JMulTi对上述模型进行估计。滞后阶数利用AIC信息准则可确定为5，第一阶段的误差修正模型采用Johansen的计算方法，第二阶段的结构模型利用最大似然法进行估计，在估计中采用自助抽样法（bootstrap estimation），抽样期数为2500期。按照本文第二部分中对模型意义的阐述，信息由两个结构新息和进行刻画；在估计结果中，模型中的两个总体变量对新息的脉冲响应图可见于图2。在图2中，两条实线是脉冲响应的点估计，其中，带三角形标注的实线表示的是总体变量对新息冲击的脉冲响应。
图2（a）绘出了技术进步（全要素生产率）对两类新息冲击的脉冲响应。从该图中可以看出，全要素生产率对新息冲击的反应为零；这是与估计过程中所施加的短期限制条件是一致的，即来自股票价格的新息对当前的全要素生产率没有影响。但是，该新息冲击对全要素生产率存在持久的影响，来自当前的一个正的对股票价格的结构性冲击，能够对未来的全要素生产率带来一个持续性的增加。而另一方面，通过利用长期限制条件得到的新息序列按照限制条件的定义应该是能够对全要素生产率产生持久性的影响，这一点也能够从图2（a）中的脉冲响应图中看出；重要的一点是，股价对两类新息冲击的脉冲响应基本是相似的。其中是符合第二部分中提及到的Barsky and Sims（2010）中对信息（news）的定义，即。图2（a）中的脉冲响应图表明，从全要素生产率的角度来看，关于未来宏观经济的信息完全反应在了股票价格中，同时宏观经济的波动在很大的程度上会受到关于未来宏观经济信息的影响。
图2（b）中的关于股票价格的脉冲响应图进一步证实了上述推论。从该图中可以看出，股票价格对两类新息冲击的脉冲响应图是完全相似的。短期中不会对全要素生产率产生影响的正的新息冲击能够使股票价格在当期中有所上升，两类新息冲击都刻画了这样一种状况。
（a）技术进步
（b）股票价格
（a）短期信息冲击的解释力
（b）长期信息冲击的解释力
图3 方差分解
注：该图表示的是预期误差的方差在各类模型中被信息冲击解释的比例。其中（a）表示全要素生产率和股票价格的预期误差被新息冲击η2的解释比例，（b）表示预期误差被新息冲击的解释比例，因此，图形表示了两类新息冲击在各自模型中的解释力。
上述的脉冲响应图证实了一点，即总体经济（即全要素生产率）会受到关于未来宏观经济信息的长期的影响，而相关信息能够通过对股票市场价格的分析得到。关于这一点能够进一步通过对估计结果的方差分解得到。图3中的方差分解表示了各变量中的预期误差的方差能够得到相应新息的解释比例。其中图3（a）表示股票价格的预期误差的方差能够得到新息的大部分解释，而短期内的全要素生产率预期误差无法得到该新息冲击的解释，但是该新息冲击能够解释长期内全要素生产率的预期误差。图3（b）则表示了两个变量的预期误差的方差受到新息冲击的解释力。从改图中可以看出，该新息序列同样能够解释大部分的股票价格额预期误差的方差，同时虽然没有施加短期约束条件，新息冲击同样难以解释短期内的全要素生产率的预期误差，同样它能解释长期内的全要素生产率的预期误差，这是与长期约束条件相一致的。
脉冲响应图和预期误差的方差分解反应了一点，即中国总体经济的波动并不是仅仅由未预期的全要素生产率的冲击或者投资技术冲击造成的，关于未来宏观经济的信息的冲击也可能在中国的宏观经济波动中发挥了重要作用。从上述模型的计量分析结果来看，研究中国宏观经济波动的宏观模型应当要合理考虑关于未来宏观经济信息的冲击对于当前波动所造成的影响。同时，上述的分析结果也表明，股票市场的价格能够在很大程度上反映关于宏观经济的信息，能够在一定程度上发挥市场的“晴雨表”的作用，关注股票市场的价格能够为宏观经济政策的制定提供有意义的帮助。
五、结论
Beautry and Portier（2006）通过将信息识别为与股票价格中与短期全要素生产率新息相垂直的结构新息，并与长期限制性条件中所估计出的信息进行比较。本文将这种思想应用到了中国的股票市场价格中，结果发现中国的股价中包含了未来宏观经济的信息；因此，通过结构向量误差修正模型，本文对该信息进行了一定的识别。从脉冲响应图和方差分解图来看，信息的识别较为成功，其所产生出的结果与长期限制条件下的新息之间是存在较为稳定的关系的，从而造成两类新息对总体经济变量的影响是非常相似的。文章结论对于进一步的中国宏观经济研究和宏观经济管理具有一定的 意义，为中国宏观经济理论模型的选取提供了一定的实证基础。
当然，本文的研究依然是较为初步的，譬如说，本文模型是由双变量构成的；但是在现实生活中，可能多个变量之间会存在协整关系。这就需要对本文中的双变量结构误差修正模型进行拓展，这其中包括模型意义上的拓展以及限制条件上的拓展。这需要更多的工作。因此，为了能够充分理解信息在中国经济波动中的作用，中国学术界依然有许多的工作需要去做。
参考文献：
[1]Pigou， A. C.， 1927. Industrial Fluctuations[M]， London， Macmillan and Co.， Ltd.
[2]Beaudry， P. and F. Portier， 2004. An Exploration of Pigou’s Theory of Cycles[J]， Journal of Monetary Economics， 51（6）， 1183-1216.
[3]Jaimovich， N. and S. Rebelo， 2006. Can News About the Future Drive the Business Cycle？[J]， American Economic Review， 99（4）， 1097-1118.
[4]Christiano， L.， C. Ilut， R. Motto and M. Rostagno， 2008. ”Monetary Policy and Stock Market Boom-Bust Cycles[J]， ECB Working Paper， No.955.
[5]Beaudry， P. and F. Portier， 2006. Stock Prices， News， and Economic Fluctuations[J]， American Economic Review， 96（4）， 1293-1307.
[6]Barsky， R. B.， and E. Sims， 2010. ”News Shocks and Business Cycles，” mimeo.
[7]方文全，2009：《股票收益与通货膨胀：代理效应还是通货膨胀幻觉》[J]，《金融评论》第1期。
[8]王晓芳、高继祖，2007：《 股市收益与通货膨胀率：中国数据的ARDL边界检验分析》[J]，《统计与决策》第2期。
[9]靳云汇、于存高，2007：《中国股票市场与国民经济关系的实证研究》[J]，《金融研究》第3期。
[10]王小鲁、樊纲，2000：《中国经济增长的可持续性：跨世纪的回顾与展望》[M]，经济科学出版社。
[11]郭庆旺、贾俊雪，2004：《中国潜在产出与产出缺口的估算》[J]，《经济研究》第5期。
[12]陈彦斌、霍震、陈军，2009：《灾难风险与中国城镇居民财产分布》[J]，《经济研究》第11期。
[13]乔根森，2001：《生产率—第一卷：战后美国经济增长》[M]，中译本，中国发展出版社。
关键词：信息；股票价格；经济波动；结构向量误差修正模型
一、引言
Pigou（1927）[1]的理论将居民对宏观经济的预期作为经济波动的主要因素，随后发展起来的主流宏观经济学文献背弃了这一传统，并且将技术冲击作为引起经济波动的主要因素；尽管如此，居民对宏观经济的预期一直在经济周期文献中发挥重要作用。尤其是近些年来，居民对宏观经济的预期以及关于未来宏观经济状况的信息的冲击（news shock about future macro economy）在解释一些问题上发挥了重要作用。（Beaudry and Portier， 2004； Jaimovich and Rebelo， 2006； Christiano et al.， 2008）[2][3][4]。但是，鲜有学者谈及关于未来宏观经济状况信息在中国经济波动中所扮演的角色。建立在已有研究的基础上，本文期望通过将相关方法和模型应用在中国经济中来填补这个空缺。
在Beaudry and Portier（2006）[5]中，信息以及信息在经济周期中的作用是在一个双变量结构向量误差修正模型（Structural Vector Error Correction Model， SVECM）中识别的。在这个识别策略中，结构模型被相继赋予短期限制条件（short-run restriction）和长期限制条件（long-run restriction）。在短期限制条件中，信息被识别为股价中与技术新息（innovation）不相关的新息；而在长期限制条件中，信息被识别为对技术进步具有长期影响的新息。按照Beaudry and Portier（2006）的推论，如果关于未来宏观经济波动的信息在经济周期中发挥了重要作用，那么模型中的变量—尤其是技术进步变量—对这两种信息的脉冲响应函数应当是相似的，而两种信息之间应当呈线性关系。这种方法在美国数据中的应用支撑了信息驱动型经济周期模型（news-driven business cycle）。Barsky and Sims（2010）[6]则将信息识别为一些向前看（forward-looking）变量（包括股价，消费者信心指数和通货膨胀）中新息的线性加权。
中国证券市场虽然起步较晚，但已经在国民经济发展中发挥了重要的作用。随着证券市场在经济发展中作用的逐渐凸显，证券市场与宏观经济方面的联系也在逐渐加强。譬如说，利用1995-2004年的中国数据，方文全（2009）[7]验证了中国股市与通货膨胀之间的关系；王晓芳、高继祖（2007）[8]则利用ARDL边界检验的方法进一步验证了上述结论；靳云汇、于存高（1998）[9]则从更加广义的角度论证了中国股市与国民经济的关系。所有的研究都证实了中国股票市场与国民经济的关系与国外股票市场没有显著的差异。这意味着股票市场价格中包含了宏观经济的有关信息，我们完全能够利用Beaudry and Portier（2006）的方法验证关于未来宏观经济状况的信息在经济波动中的作用，同时利用其策略识别出该信息；这就是本文将要做的工作。
二、模型介绍
1. 信息的定义及其识别中的问题
按照Barsky and Sims（2010）中的定义，以全要素生产率代替的技术进步一般可以表达为两类冲击的随机过程：未预期到的技术冲击和以前预期到的对当前技术进步的冲击，其中，以前预期到的对当前技术进步的冲击就是本文中所要寻找的信息冲击（news shock）。进一步来说，技术进步一般可以表达为：
这个表达式符合由信息冲击定义所导出的限制性条件，但是简单的模型估计只会将两类冲击混淆，研究者只能得到两类冲击的和
从上面的分析中可以看出，信息冲击是无法在单方程的估计结果中获得的，我们只能利用向量自回归或者向量误差修正模型来估计信息冲击序列。
2. 信息识别策略
本文的识别策略是遵照Beaudry and Portier（2006）中的模型和步骤。具体来说，假设一个由技术进步和股票价格构成的双变量向量误差修正模型（Bivariate Vector Correction Model）的表达式为：
分别为短期和长期结构冲击，其方差-协方差矩阵均为单位矩阵。为了保持结构模型和原始模型的一致性，结构模型必须能够产生原始模型中的方差-协方差矩阵，这就意味着以下的关系式：
和
从上述关系式可以发现，由于包含长期限制条件的模型和包含短期限制条件的模型式从同一个原始模型中估计出来的，所以对于方差-协方差的限制条件是一样的。由于
本文假设在短期中，股票价格新息对当前的技术进步没有影响，按照这一假设，短期结构模型中的系数存在条件；同时，对未来宏观经济和生产率的信息冲击可以识别为新息序列。在长期中，依照Beaudry and Portier（2006）中的方法，仅有技术进步方面的新息对技术进步具有长期作用，而股票价格中的新息对技术进步不存在长期作用。该假设条件中，长期结构模型中的系数存在条件
本文的模型估计建立在我国1995年一季度到2011年四季度的数据。所有数据均来源于中经网统计数据库。
中国技术进步数据来源于对中国生产函数的估计，用中国的全要素生产率来代表中国的技术进步。假设中国的生产函数为步序列可以估计为：
但是，利用该模型估计中国的技术进步需要解决诸多问题。针对相关问题，本文在相关研究的基础上都做出了相应的处理。
首先，由于本文模型需要估计中国的股票价格中所反映的宏观经济信息，而中国的农业由于长期以来发展程度较低，与股票市场的直接联系也较弱；因此，本文按照Beaudry and Portier（2006）的方法，模型中的总产出由第二产业和第三产业的总产出来代表。然后，从中国的统计数据中可以寻找到中国的月度环比通货膨胀率，该通货膨胀率由居民消费价格指数表示。利用中国的月度环比数据，通过简单的相乘，能够计算出中国的季度环比通货膨胀率，然后能够进一步计算出1995年一季度至2011年四季度之间各季度建立在1995年一季度基础上的价格，其中1995年一季度的起始价格假设为1。然后利用统计数据中的名义总产出和各季度的价格指数，本文得到了各季度的实际总产出。
其次，对中国的季度资本存量采用永续盘存法进行估计。永续盘存法的估计表达式为
再次，对于本文劳动收入份额的处理。由于本文的总产出和资本数据都是来自于第二产业和第三产业，因此劳动收入份额数据也最要来自于这两个产业的估计。因此，本文第二产业和第三产业的劳动收入份额数据直接取自1995年至2004年的平均值。为了构造一个统一的劳动收入份额数据，笔者首先利用第二产业和第三产业增加值占其总和的比重作为加权值，从而得到历年的劳动收入份额数据，最后取历年的数值进行平均从而得到本文所需要的劳动收入份额数据。最终的劳动收入份额约为0.40。
最后，对于（1）式中劳动力的选取，本文将各季度末全部城镇单位的从业人员数作为本文劳动力的替代，这也与本文的模型中不包含农村部门的生产相符合的。
利用相关的统计数据和经过处理的数据，本文估算出了中国各季度的技术进步。但是估计出来的数据具有严重的季节性，所以笔者进一步利用X12方法进行了季节调整。调整出来的技术进步数据可见于图1中的虚线。从图1中可以看出，中国的技术进步总体来说是增长的，这与我国的经济发展事实相符合。
对于股票市场的价格，本文采用上证季度最高综合指数进行替代。按照Beaudry and Portier（2006）的数据处理方法，本文首先将股票价格除以本文中得到的各季度价格指数以及中国各季度15—64岁的人口总数，然后再取对数从而得到本文的股票市场价格指数。本文按照历年抽样调查中该年龄段人口所占的比例以及历年人口总数估算出历年15—64岁的人口总数，然后假设同一年不同季度之间的人口增长数是相同的，从而估算出各季度内15—64岁的人口增长率，并进而计算出各季度内的人口数量。依据相关处理方法，最终各季度的股票市场价格指数可见于图1中的实线。从图中可以看出，中国的股票价格呈缓慢上升趋势，但是没有中国的技术进步那么平缓，它是在波动中缓慢上升的，甚至在特定的时间段有一定的下降。
为了检验模型设定是否正确，需要对数据进行简单的分析。扩展的Dickey-Fuller检验表明技术进步和股票价格均是满足一阶单整（I（1））的，而Johansen协整分析则表明两个时间序列数据满足95%的显著性水平下是存在协整关系的，这意味着本文所采用的误差修正模型是正确的，模型的构造符合中国数据的特点。
四、模型估计
利用时间序列分析工具JMulTi对上述模型进行估计。滞后阶数利用AIC信息准则可确定为5，第一阶段的误差修正模型采用Johansen的计算方法，第二阶段的结构模型利用最大似然法进行估计，在估计中采用自助抽样法（bootstrap estimation），抽样期数为2500期。按照本文第二部分中对模型意义的阐述，信息由两个结构新息
图2（b）中的关于股票价格的脉冲响应图进一步证实了上述推论。从该图中可以看出，股票价格对两类新息冲击的脉冲响应图是完全相似的。短期中不会对全要素生产率产生影响的正的新息冲击能够使股票价格在当期中有所上升，两类新息冲击都刻画了这样一种状况。
（a）技术进步
（b）股票价格
（a）短期信息冲击的解释力
（b）长期信息冲击的解释力
图3 方差分解
注：该图表示的是预期误差的方差在各类模型中被信息冲击解释的比例。其中（a）表示全要素生产率和股票价格的预期误差被新息冲击η2的解释比例，（b）表示预期误差被新息冲击的解释比例，因此，图形表示了两类新息冲击在各自模型中的解释力。
上述的脉冲响应图证实了一点，即总体经济（即全要素生产率）会受到关于未来宏观经济信息的长期的影响，而相关信息能够通过对股票市场价格的分析得到。关于这一点能够进一步通过对估计结果的方差分解得到。图3中的方差分解表示了各变量中的预期误差的方差能够得到相应新息的解释比例。其中图3（a）表示股票价格的预期误差的方差能够得到新息的大部分解释，而短期内的全要素生产率预期误差无法得到该新息冲击的解释，但是该新息冲击能够解释长期内全要素生产率的预期误差。图3（b）则表示了两个变量的预期误差的方差受到新息冲击的解释力。从改图中可以看出，该新息序列同样能够解释大部分的股票价格额预期误差的方差，同时虽然没有施加短期约束条件，新息冲击同样难以解释短期内的全要素生产率的预期误差，同样它能解释长期内的全要素生产率的预期误差，这是与长期约束条件相一致的。
脉冲响应图和预期误差的方差分解反应了一点，即中国总体经济的波动并不是仅仅由未预期的全要素生产率的冲击或者投资技术冲击造成的，关于未来宏观经济的信息的冲击也可能在中国的宏观经济波动中发挥了重要作用。从上述模型的计量分析结果来看，研究中国宏观经济波动的宏观模型应当要合理考虑关于未来宏观经济信息的冲击对于当前波动所造成的影响。同时，上述的分析结果也表明，股票市场的价格能够在很大程度上反映关于宏观经济的信息，能够在一定程度上发挥市场的“晴雨表”的作用，关注股票市场的价格能够为宏观经济政策的制定提供有意义的帮助。
五、结论
Beautry and Portier（2006）通过将信息识别为与股票价格中与短期全要素生产率新息相垂直的结构新息，并与长期限制性条件中所估计出的信息进行比较。本文将这种思想应用到了中国的股票市场价格中，结果发现中国的股价中包含了未来宏观经济的信息；因此，通过结构向量误差修正模型，本文对该信息进行了一定的识别。从脉冲响应图和方差分解图来看，信息的识别较为成功，其所产生出的结果与长期限制条件下的新息之间是存在较为稳定的关系的，从而造成两类新息对总体经济变量的影响是非常相似的。文章结论对于进一步的中国宏观经济研究和宏观经济管理具有一定的 意义，为中国宏观经济理论模型的选取提供了一定的实证基础。
当然，本文的研究依然是较为初步的，譬如说，本文模型是由双变量构成的；但是在现实生活中，可能多个变量之间会存在协整关系。这就需要对本文中的双变量结构误差修正模型进行拓展，这其中包括模型意义上的拓展以及限制条件上的拓展。这需要更多的工作。因此，为了能够充分理解信息在中国经济波动中的作用，中国学术界依然有许多的工作需要去做。
参考文献：
[1]Pigou， A. C.， 1927. Industrial Fluctuations[M]， London， Macmillan and Co.， Ltd.
[2]Beaudry， P. and F. Portier， 2004. An Exploration of Pigou’s Theory of Cycles[J]， Journal of Monetary Economics， 51（6）， 1183-1216.
[3]Jaimovich， N. and S. Rebelo， 2006. Can News About the Future Drive the Business Cycle？[J]， American Economic Review， 99（4）， 1097-1118.
[4]Christiano， L.， C. Ilut， R. Motto and M. Rostagno， 2008. ”Monetary Policy and Stock Market Boom-Bust Cycles[J]， ECB Working Paper， No.955.
[5]Beaudry， P. and F. Portier， 2006. Stock Prices， News， and Economic Fluctuations[J]， American Economic Review， 96（4）， 1293-1307.
[6]Barsky， R. B.， and E. Sims， 2010. ”News Shocks and Business Cycles，” mimeo.
[7]方文全，2009：《股票收益与通货膨胀：代理效应还是通货膨胀幻觉》[J]，《金融评论》第1期。
[8]王晓芳、高继祖，2007：《 股市收益与通货膨胀率：中国数据的ARDL边界检验分析》[J]，《统计与决策》第2期。
[9]靳云汇、于存高，2007：《中国股票市场与国民经济关系的实证研究》[J]，《金融研究》第3期。
[10]王小鲁、樊纲，2000：《中国经济增长的可持续性：跨世纪的回顾与展望》[M]，经济科学出版社。
[11]郭庆旺、贾俊雪，2004：《中国潜在产出与产出缺口的估算》[J]，《经济研究》第5期。
[12]陈彦斌、霍震、陈军，2009：《灾难风险与中国城镇居民财产分布》[J]，《经济研究》第11期。
[13]乔根森，2001：《生产率—第一卷：战后美国经济增长》[M]，中译本，中国发展出版社。