[论文解读] A Time-Scale Variational Approach to Inflation, Unemployment and Social Loss

Monika Dryl, Agnieszka B. Malinowska+1 more|arXiv (Cornell University)|Apr 18, 2013

Labor market dynamics and wage inequality参考文献 11被引用 3

一句话总结

本文提出一种时标微分法框架，用于建模通货膨胀、失业率与社会损失，统一了连续与离散方法。通过在时标（特别是 $ h\mathbb{Z} $）上进行优化，其经验拟合效果显著优于经典模型，表明每周数据采样（$ h \approx 0.11 $–$ 0.22 $）能最小化社会损失泛函误差，从而验证了在宏观经济学建模中采用更高频数据采集的必要性。

ABSTRACT

Both inflation and unemployment inflict social losses. When a tradeoff exists between the two, what would be the best combination of inflation and unemployment? A well known approach in economics to address this question consists to write the social loss as a function of the rate of inflation $p$ and the rate of unemployment $u$, with different weights, and then, using known relations between $p$, $u$, and the expected rate of inflation $π$, to rewrite the social loss function as a function of $π$. The answer is achieved by applying the theory of the calculus of variations in order to find an optimal path $π$ that minimizes the total social loss over a given time interval. Economists dealing with this question use a continuous or a discrete variational problem. Here we propose to use a time-scale model, unifying available results in the literature. Moreover, the new formalism allow us to obtain new insights to the classical models when applied to real data of inflation and unemployment.

研究动机与目标

• 将通货膨胀与失业率的连续与离散模型统一到单一时标框架中。
• 解决经典模型在近似现实社会损失数据方面的局限性。
• 确定最小化理论与实证社会损失泛函之间差异的最优数据采样频率。
• 证明经典模型若搭配适当的时标采样，可实现高精度，而非其本身存在根本缺陷。
• 提供一种新的时标变分框架，支持在社会损失最小化下对最优预期通货膨胀路径进行动态优化。

提出的方法

• 在时标 $ \mathbb{T} = h\mathbb{Z} $ 上构建动态社会损失泛函，推广连续与离散模型。
• 在时标上应用变分法，推导最小化总社会损失的必要与充分最优性条件。
• 利用时标导数与变分原理，推导出在 $ h\mathbb{Z} $ 上最优预期通货膨胀路径 $ \pi^* $ 的显式解。
• 通过最小化时标模型的泛函 $ \Lambda_h $ 与实证数据 $ \Lambda_E $ 之间的相对误差，校准时间标度参数 $ h $。
• 使用2000–2010年美国真实数据计算并比较连续、离散与时标模型的泛函。
• 采用数值优化方法识别使时标模型误差最小的最佳 $ h $（例如 $ h = 0.11 $，$ 0.22 $）

实验结果

研究问题

• RQ1 统一的时标模型是否能提升社会损失泛函的准确性，相比经典连续与离散模型？
• RQ2 最优数据采样频率（即粒度 $ h $）为何值时，能最小化理论与实证社会损失之间的误差？
• RQ3 为何经典连续与离散模型难以良好拟合真实数据？通过调整采样间隔能否纠正此问题？
• RQ4 时标方法是否能实现社会损失最小化下对最优通货膨胀路径的更好预测？
• RQ5 若搭配更高频数据，经典模型能否实现相当的准确性？若能，所需采样率为何？

主要发现

• 当 $ h = 0.11 $ 或 $ h = 0.22 $（约每周采样）时，时标模型在理论与实证社会损失泛函之间相对误差最小。
• 2009年 $ \Lambda_h $ 与 $ \Lambda_E $ 之间的相对误差降低至0.33%，2004年为0.58%，11年平均误差为7.16%。
• 相比之下，连续模型的11年平均相对误差高达97.32%，离散模型误差超过 $ 4\times10^{90} $，表明其经验拟合极差。
• 经典模型的失败并非源于理论缺陷，而是由于采样频率不当；当搭配最优 $ h $ 时，其精度显著提升。
• 最优 $ h $ 值（0.11–0.22）对应每周数据采集，表明更高频数据采集对精确宏观经济学建模至关重要。
• 时标模型提供了一个数学上严谨且经实证验证的框架，统一并改进了现有的连续与离散方法。