📊 statistics

Zero-inflated stochastic volatility model for disaggregated inflation data with exact zeros

本文提出了一种适用于包含精确零值的非平稳多变量时间序列数据的零膨胀随机波动率模型，通过推导高效的 Pólya-Gamma 增强吉布斯采样器进行后验推断，并在四个发达经济体的分项 CPI 数据实证中发现，该模型能更准确地估计时变趋势与波动率，且显著提升了点预测精度和区间预测的校准度。

原作者： Geonhee Han, Kaoru Irie

发布于 2026-03-04

📖 1 分钟阅读☕ 轻松阅读

CC BY 4.0

原作者： Geonhee Han, Kaoru Irie

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

这篇论文讲述了一个关于如何更聪明地“听”通货膨胀声音的故事。

想象一下，通货膨胀（CPI）就像是一个巨大的交响乐团，由成千上万个不同的乐器（各种商品和服务，如苹果、电费、理发费等）组成。经济学家试图通过听这个乐团来了解整体物价是在上涨还是下跌。

1. 遇到的问题：乐团里的“静默时刻”

传统的统计模型（就像老式的录音设备）假设乐团里的每个乐器都在不停地演奏，只是音量（价格变动）有时大、有时小。

但在现实世界中，特别是当我们把目光聚焦到具体的、细分的商品（比如“某家超市的苹果”或“某地区的电费”）时，情况变得很不一样：

价格经常“冻结”：很多商品的价格好几个月甚至好几年都不变。在数据上，这意味着价格变动是绝对的零。
数据缺失：有时候统计员去调查，发现那个商品下架了，或者还没开始统计，数据就是空的。

传统的模型遇到了大麻烦：
如果把“价格没变”（零）强行塞进传统模型里，模型会误以为：“哦，这个商品的价格波动非常非常小，几乎为零。”

后果：模型会低估通货膨胀的真实风险。它就像是一个被吓坏的听众，因为听到了一阵长时间的寂静，就以为整个乐团都哑火了，完全没意识到寂静背后可能隐藏着巨大的能量（比如一旦政策放开，价格可能会瞬间暴涨）。

2. 作者的解决方案：给模型装上“静音探测器”

Han 和 Irie 两位作者开发了一个新模型，叫**“零膨胀随机波动模型”**（Zero-inflated Stochastic Volatility Model）。

我们可以把这个新模型想象成一个拥有“双重听力”的超级听众：

第一层听力（常规模式）：当商品价格在变动时，它像传统模型一样，仔细记录价格涨了多少、跌了多少，以及这种波动有多剧烈（波动率）。
第二层听力（静音探测器）：当它听到“零”（价格没变）时，它不会简单地认为“波动很小”。相反，它会问一个问题：“这个零，是因为真的没动静，还是因为‘被静音’了？”

这个模型引入了一个**“静音概率”**：

它计算每个商品在每个月“被静音”（价格不调整）的可能性有多大。
它发现，像电费、学费、公交费这类受政府管制或合同约束的商品，被“静音”的概率非常高，而且这种静音状态会持续很久。
一旦模型识别出这是“被静音”，它就会在后台自动修正：它知道虽然表面是零，但背后的真实通胀压力可能正在积蓄。

3. 核心比喻：冰层下的暗流

传统模型：看到水面平静（零价格变动），就认为水下没有暗流，于是报告说“一切风平浪静”。
新模型：看到水面平静，它会想：“这可能是因为冰层太厚（价格粘性/管制），把暗流盖住了。”于是，它会透过冰层去估算水下的真实流速。

为什么要这么做？
因为如果政策制定者（比如央行）只相信传统模型，他们可能会在通胀真正爆发前毫无察觉。而新模型能更早地发出预警：“虽然表面价格没变，但‘静音’的概率在变化，或者一旦解冻，通胀可能会很猛。”

4. 实际效果：更准的预测，更聪明的决策

作者用美国、英国、德国和日本的数据做了测试，发现：

看得更清：对于那些经常“静音”的商品（如日本的电费，在 1995 年 deregulation 之前几乎不动），新模型能还原出被掩盖的真实通胀趋势。传统模型觉得趋势是 0%，新模型能算出其实有 5% 的潜在压力。
预测更准：在预测未来时，新模型不仅给出了一个“点”（比如明年通胀是 2%），还给出了一个更合理的“范围”。特别是在那些经常有价格冻结的国家（如日本），新模型的预测范围更靠谱，不会像传统模型那样盲目自信地给出一个很窄的区间。
自动识别：不需要人工去标记“这个商品是管制的，那个不是”。模型自己就能通过数据学会：“哦，这个商品经常不动，那个商品经常动”，并自动调整策略。

5. 总结：为什么这很重要？

这就好比在驾驶一辆车：

传统模型就像只看速度表。如果速度表显示 0，它就认为车停了。
新模型不仅看速度表，还看引擎的轰鸣声和路面的震动。即使速度表是 0（价格没变），它也能感觉到引擎在轰鸣（通胀压力在积累），从而提前告诉司机：“虽然车还没动，但随时可能冲出去，请握紧方向盘！”

这篇论文的价值在于，它让经济学家在面对那些“死气沉沉”的细分价格数据时，不再盲目，而是能透过表面的静止，看到背后真实的经济脉搏。这对于制定货币政策、控制通胀风险至关重要。

论文技术总结：零膨胀随机波动模型在分解通胀数据中的应用

1. 研究背景与问题 (Problem)

核心现象：在消费者价格指数（CPI）的分解（disaggregated）时间序列数据中，经常观察到精确的零价格变化（exact zeros）。这并非数据缺失，而是源于数据收集的结构性特征（如代表性商品固定、价格粘性、行政定价等），导致价格在一定时期内保持不变。
现有模型的局限：
- 主流的随机波动（Stochastic Volatility, SV）模型（如 Stock and Watson 的 UCSV 模型）通常假设数据服从连续分布（如正态分布），旨在分析聚合层面的通胀。
- 当直接将这些模型应用于含有大量精确零值的分解数据时，会导致估计偏差：
  1. 趋势低估：模型会将零值视为正常的低波动观测，导致对潜在趋势通胀（trend inflation）的估计偏向于零。
  2. 波动率低估：由于零值被错误地纳入高斯似然函数，模型会低估时间变化的波动率（volatility），无法区分“价格未变”与“低波动”。
- 现有的处理零膨胀的方法（如 Tobit 模型、阈值模型或离散分布模型）要么假设单向截断（不适用于可正可负的通胀），要么缺乏对趋势和波动率的动态估计能力，或者无法处理非平稳性。
研究目标：开发一种能够同时处理非平稳性、连续实值观测以及精确零值的贝叶斯随机波动模型，以准确估计分解层面的趋势通胀和波动率。

2. 方法论 (Methodology)

作者提出了一种零膨胀未观测分量随机波动模型（Zero-inflated UCSV, Z-UCSV），并扩展至多变量形式（Z-MUCSV）。

2.1 模型结构
模型将观测过程分解为两个部分：

潜在非零生成过程：
- 遵循标准的 UCSV 结构： $y^*_t = \theta_t + \epsilon^{(y)}_t$ 。
- $\theta_t$ 是潜在的趋势通胀（随机游走）。
- $\epsilon^{(y)}_t$ 的方差由随机波动过程 $h_t$ 决定（ $\text{Var} = \exp(h_t)$ ）。
零值生成过程（动态逻辑回归）：
- 引入一个潜在的二元变量 $\gamma_t$ ，决定观测值 $y_t$ 是零还是非零。
- $y_t | y^*_t, p_t \sim (1-p_t)\delta_{y^*_t} + p_t\delta_0$ 。
- 零发生的概率 $p_t = \text{logit}^{-1}(\pi_t)$ 本身也是一个动态过程： $\pi_t = \pi_{t-1} + \epsilon^{(\pi)}_t$ 。
- 该设计允许零发生的概率随时间变化，并具有跨序列的相关性。

2.2 多变量扩展 (Z-MUCSV)

为了捕捉不同分解项（如不同商品类别）之间的相关性，模型引入了多变量结构。
协方差结构：采用**顺序不变（order-invariant）**的随机波动参数化方法（Chan et al., 2024），避免了传统 Cholesky 分解对变量排序的敏感性，这对于包含数十个分量（如日本有 49 个）的数据集至关重要。
零概率向量 $\pi_t$ 遵循多元正态随机游走，允许不同商品类别的零值发生率存在共动（co-movements）。

2.3 后验推断算法 (Posterior Inference)
由于逻辑回归链接函数导致后验分布不可解析，作者设计了一个高效的 Pólya-Gamma (PG) 增广 Gibbs 采样器：

PG 增广：利用 Polson et al. (2013) 提出的 Pólya-Gamma 分布辅助变量，将二项似然（Binomial likelihood）转化为条件高斯形式。
FFBS (前向滤波后向采样)：结合 PG 增广，使得所有潜在状态（趋势 $\theta$ 、波动 $h$ 、零概率 $\pi$ ）可以在给定其他参数下，通过线性高斯状态空间模型的标准算法（FFBS）进行联合采样。
优势：相比近似贝叶斯方法或梯度类方法（如 HMC），该 MCMC 方法提供了渐近精确的推断，且计算效率高，适合低频数据。

3. 关键贡献 (Key Contributions)

理论创新：首次将零膨胀机制（通过动态逻辑模型）与随机波动（SV）模型在贝叶斯框架下结合，专门针对具有精确零值的非平稳连续时间序列。
算法突破：推导了基于 Pólya-Gamma 增广的定制 Gibbs 采样器，解决了逻辑链接函数与状态空间模型结合时的后验计算难题，实现了状态变量的联合高效采样。
多变量顺序不变性：在多变量 SV 模型中采用了顺序不变的协方差参数化，解决了高维分解数据中变量排序敏感性的计算难题。
实证发现：证明了在存在零膨胀时，忽略零值会导致趋势和波动率的严重低估，而新模型能恢复出更准确的潜在通胀压力。

4. 实证结果 (Results)

研究使用了美国、英国、德国和日本四个发达经济体的分解 CPI 数据（季度频率，涵盖 1988-2024 年）。

样本内估计 (In-sample Estimation)：
- 零概率识别：模型成功捕捉到了零值发生的异质性。例如，日本电力价格改革（1995 年）前后，零值概率发生了显著变化，模型能准确反映这一结构性断点。
- 趋势通胀：在零值频繁的商品（如德国博彩游戏）中，传统 UCSV 模型估计的趋势接近 0-1%，而 Z-UCSV 模型识别出潜在趋势高达 5%。这表明传统模型将“价格未变”误读为“低通胀”，而新模型区分了“无价格调整”和“低通胀压力”。
- 波动率：Z-UCSV 模型估计的波动率更平滑且更高，避免了因零值冲击导致的波动率被人为压低。
样本外预测 (Out-of-sample Forecasting)：
- 点预测：在零值普遍存在的成分中，Z-UCSV 的平均绝对误差（MAE）显著低于传统模型；在零值较少的成分中，两者表现相当。
- 区间预测：Z-UCSV 提供了校准更准确的置信区间（Calibrated Interval Forecasts），特别是在零值高发区域（如日本、医疗和交通类商品），传统模型的区间覆盖不足。
聚合效应：将分解层面的 Z-UCSV 估计结果聚合后，得到的总体通胀趋势比直接对聚合数据应用 UCSV 模型更平滑、更准确，尤其是在价格调整不频繁的环境中。

5. 意义与启示 (Significance)

政策制定：对于央行和金融机构而言，准确区分“价格粘性（Staleness）”和“低通胀”至关重要。忽略零膨胀可能导致对通胀风险的误判（过于保守），从而延误政策反应。
测量误差修正：该模型将数据收集过程中的“价格未变”视为一种测量误差或结构性特征进行建模，而非简单的噪声，提高了通胀测量的信息含量。
通用性：虽然应用于 CPI 数据，但该框架（DGLM + SV + PG 增广）可推广至任何具有非平稳性、连续观测且包含大量精确零值的金融或经济时间序列（如低频交易数据、房地产指数等）。

总结：这篇论文通过引入零膨胀机制和先进的贝叶斯采样技术，解决了分解通胀数据分析中的核心痛点，提供了比传统模型更准确、信息量更大的趋势和波动率估计，为理解价格粘性和通胀动态提供了新的有力工具。