行政院國家科學委員會專題研究計畫 成果報告
通貨膨脹動態與總體變數:太平洋盆地區之實證研究
計畫類別： 個別型計畫 計畫編號： NSC93-2415-H-110-003- 執行期間： 93 年 08 月 01 日至 94 年 07 月 31 日 執行單位： 國立中山大學經濟研究所 計畫主持人： 吳致寧 計畫參與人員： 吳致寧 報告類型： 精簡報告 處理方式： 本計畫可公開查詢中 華 民 國 94 年 10 月 20 日
通貨膨脹動態與總體變數：太平洋盆地區之實證研究
摘 要
本研究以平滑轉換自迴歸(Smooth Transition Autoregression)模型來探討台 灣、日本及韓國的通貨膨脹之非線性調整，此外亦透過樣本外預測之比較來探討 非線性模型相對於線性模型在通貨膨脹預測上之相對優越性。
1. 緒論
所謂的通貨膨脹，係指物價持續上漲的現象。1970 年代兩次石油危機所引 發的供給面衝擊，使各國生產成本及物價也受到影響。許多產業無法適應油價高 漲所帶來的影響，導致經濟衰退和失業率提高。近來石油價格又開始急劇地上 漲，造成各國央行又產生一連串的採取緊縮性貨幣政策，來抑制可能發生的通貨 膨脹，因之又引起吾人對通貨膨脹的重視與討論。現有文獻大多以線性模型來估計並預測通貨膨脹。如 Boschen and Weise (2003)使用配適 18 個經濟合作暨發展組織國家政治因素對通貨膨脹的行為，並 運用表面不相關迴歸 (Seemingly Unrelated Regression，SUR)分析法進行估計； 實證結果發現，通貨膨脹落後一期、失業率落後一期石油價格落後一期和進口物 價指數落後一期的係數是具顯著性，但政治不穩定性會使通貨膨脹較平均通貨膨 脹來得高，且央行獨立性有助於通貨膨脹之穩定。劉淑芬(2004)利用線性估計方 法，使用失業率與其他經濟活動指標的菲力普曲線為模型架構去預測通貨膨脹， 其實證結果指出其他經濟變數之考量有助於通膨之預測。侯德潛和徐千婷(2002) 則利用 Hallman、Porter and Small (1989，1991)的線性貨幣學派模型架構來估計 及預測通貨膨脹，其實證結果顯示核心消費者物價指數模型對通膨有較佳之解釋 能力。
在實證研究中，學者們經常發現總體經濟變數的動態結構會具有隨時間變化 的現象。因此，許多研究者改採用狀態變換模型(regime-switching models)進行總 體時間序列分析期望能獲得更多的資訊(如 Enders and Hurn,2002)。由於，Caglayan and Filiztekin (2003)研究發現，在通貨膨脹和相關價格變化間存在非線性的關 係。由於維持物價穩定係各國央行之一重要目標，因此如何設定恰當的模型來描 述通貨膨脹及預測，將有助於政府相關部門因應通貨膨脹之影響。
本研究以平滑轉換自迴歸(Smooth Transition Autoregression model, STAR)模 型，來探討台灣、日本和韓國通貨膨脹之非線性調整，希望能對通貨膨脹提供較
佳的解釋。本研究之目的乃在透過非線性分析法建立臺灣、日本、韓國等通貨膨 脹之較佳預測模式。
本文共分為四節。第二節為實證模型介紹，吾人針對平滑轉換自迴歸(Smooth Transition Autoregression, STAR)模型的特性與意義逐一說明。第三節為實證分 析，以 STAR 模型為基礎，針對台灣、日本、韓國等國家之通貨膨脹做估計與預 測，並將實證結果進行分析。最後一節則為結論。
2. 實證架構介紹
本模型主要採用 Granger and Terasvirta (1993)和 Terasvirta(1994)之平滑轉換 自我迴歸模型進行分析。平滑轉換自我迴歸模型是一種單一變數自我迴歸之非線 性模型。此模型描述變數於兩不同狀態區間的動態走勢，且在兩區間的互換轉變 是平滑連續的現象。因之可用來描述經濟行為中，時間序列資料所呈現兩種不同 區間的非線性走勢。
STAR 模型首先由 Terasvirta and Anderson (1992)所提出，用來建構景氣循環 指標的波動趨勢，描述景氣循環標在收縮和擴充等兩狀態下所呈現的不同動態走 勢現象。後來 Granger and Terasvirta (1993)和 Terasvirta(1994)先後針對 STAR 模 型的統計特性及估計方法加以說明。根據 Granger and Terasvirta (1993)對 STAR 模型的定義如下： STAR 模型：
(
0 1) (
)
t t t t t d q = +k π x + θ θ+ x F q− +zt ' 1,..., t t t p x = q− q− p×1 (１)(
)
為 的向量，πt為變數落遲期的係數值，殘差項 為 一獨立且具相同分配之隨機變數(i.i.d)，其平均數為０，變異數為 t z 2 σ ，亦即 ； 此 外 吾 人 亦 假 設 ) , 0 ( ~iid σ2 zt E x z( )
t t = ，0 E x z( )
t t = ，0 為 轉 換 變 數 (transition variable)，d 為落後參數；而 t d q−(
t d)
F q− 為轉換函數(transition function)。 模型中，轉換函數F q(
t d−)
可分為下列兩種：（1）邏輯函數（logistic function） 當轉換函數為邏輯函數時，其函數型態表示為
(
)
1 {1 exp[ ( )]} t d t d F q− = + −γ q− −c − (２) 其中，γ >0，c 為常數。 介於０與１之間，為單調遞增函數。當轉換變 數 時，(
t d F q−)
t d q− = ∞ F q(
t d−)
= ；當1 qt d− = −∞ 時，F q(
t d−)
= ；而當0 qt d− = c時，(
)
1 2 t d F q− = 。 進一步將邏輯函數繪製如圖(１)，藉由圖(１)可清楚顯示此函數為「單調遞 增函數」(monotonically increasing function)，如下所示：F=1 F t d q− F=0.5 ∞ −∞ c 圖(１) 邏輯函數圖形
（2）指數函數（exponential function） 當轉換函數為指數函數時，其函數型態表示為
(
)
2 1 exp[ ( ) ] t d t d F q− = − −γ q− −c (３) 其中，γ >0，c 為常數。 介於０與１之間；即當轉換變數 趨近於正、 負無窮大時(
t d F q−)
qt d−(
qt d− = ±∞ ，)
F q(
t d−)
= ；而當1 qt d− = 時，c F q(
t d−)
= 。 0 由以上分析，將其製如圖(２)，可得知其圖形呈現一「正 U」字型；藉由圖 形可明確得知變數qt d− 在轉換函數F q(
t d−)
於０與１之間的轉換過程，乃具有「平 滑連續」(smooth transition)的特性；其圖形並以 c 為對稱點。 F c（F=0） ∞ qt d− −∞ 圖(２) 指數函數圖形 在估計所選擇最適模型中，由於估計γ 參數時會造成收斂緩慢或高估等問題。所以，Granger and Terasvirta (1993)和 Terasvirta (1994)建議以 γ2 σ
)
LSTAR 之區間轉換速度γ 的估計值。 所以，可以將 LSTAR 模型中的轉換函數改寫為
(
)
(
)
1 1 exp t t d t d q F q γ q c σ − − − ⎧ ⎡ ⎤⎫ ⎪ ⎪ =⎨ + ⎢− − ⎥⎬ ⎢ ⎥ ⎪ ⎣ ⎦⎪ ⎩ ⎭ ESTAR 模型中轉換函數改寫為(
)
2 2 1 exp[ ( ) ] t t d t d q F q γ q c σ − = − − − − ，來解決估計γ 參數時所造成的收斂緩慢或高估等問題。3. 實證分析
3.1 資料來源與資料說明 本節之主要目的在探討非線性模型是否較線性模型更能解釋通貨膨脹之走 勢，此外亦探討非線性模型是否有較佳之預測能力，吾人以台灣、日本、韓國等 三國為實證對象。其中台灣資料是取自教育部 AREMOS 經濟統計資料庫，包含 台灣消費者物價指數、進口產品物價指數、石油價格、失業率和取自中央銀行統 計資料庫的貨幣總計數(M2)；台灣資料研究期間為 1978 年 1 月至 2004 年 8 月； 而日本與韓國皆是取自國際貨幣基金(IMF)統計資料庫，包含消費者物價指數、 進口產品物價指數、石油價格和工業生產指數，其中日本和韓國的石油價格以美 國德州石油、英國布蘭特石油及杜拜石油等三種石油現貨價格平均來取代。日本 資料研究期間為 1970 年 1 月至 2004 年 7 月、韓國資料研究期間為 1980 年 1 月 至 2004 年 7 月。 3.2 實證結果分析本模型主要架構乃是根據 Granger and Terasvirta (1993)和 Terasvirta(1994)提 出 STAR 模型的非線性分析法為主要基礎。並參照 Michael et. al(1997)和 Sarantis (1999)所應用 STAR 模型的檢定步驟，藉以分析及預測台灣、日本和韓國等三國 的通貨膨脹狀況。
膨脹迴歸式所加入解釋變數，其中包含失業率、進口物價指數、工業生產指數、 石油價格並再考慮央行的貨幣政策的指標即貨幣供給額(M2)。 為選擇模型之最適落後遲期數 P，先設定一具 P 階落遲期數之線性模型，即 p p t i t i j t i j q = +α
∑
βq− +∑
γ x− j+ut 2 T t 根據上式，輔以各國資料為基礎，在落遲期數(P)分別以１－８期為標準時，估 計此模型。並以模型估計後的 SIC(Schwarz Information Criterion)來判斷模型最適 落遲期數(P)。 將結果彙整成(表一)；(表一)中所示為各國通貨膨脹的線性模型，在不同落 遲期數下的 SIC 值，以最小 SIC 值決定最適落後期數之準則。結果發現，台灣之 最適落遲期數(P)為１期；日本之最適落遲期數(P)為５期；韓國之最適落遲期數 (P)為２期。 一、線性模型： 運用最小平方法估計出其迴歸係數，在 10％信賴水準之下運用化繁為簡的 方式，亦即將係數不顯著的變數加以剔除，吾人得到如下線性模型之估計結果： 2 2inftT =0.002942 0.127140 inf− tT− +0.016038unemptT− +0.092003import− (0.0000) (0.0222) (0.0022) (0.0161)1 針對台灣而言，吾人發現線性模型中，通貨膨脹變動率（inf）落後二期、 失業率變動率(unemp)落後二期與進口價格變動率(import)落後二期等變數對通 貨膨脹有顯著之解釋能力。其中失業率變動率和進口價格變動率對通貨膨脹變動 率存在正向關係，而前期通貨膨脹變動率與當期通貨膨脹率則具負向關係。 3 1 inf 0.002965 0.228286inf 0.078879 0.015516 2 (0.0000) (0.0000) (0.0000) (0.0036) K K K t = + t− + importt− + m 3 K t− 針對韓國而言，吾人發現線性模型中，通貨膨脹變動率(inf)落後三期、進口 物價指數變動率落後一期和貨幣供給額變動率(m2)落後三期等變數對通貨膨脹 1 本文中模型之括號內皆為P-value值
有顯著之解釋能力。其中，通貨膨脹變動率落後三期、進口物價變動率落後一期 和貨幣供給額落後三期對當期通貨膨脹變動率存在正向關係。 2 1 1 inf 0.002455 0.072773 0.013950 0.026529 2 0.013940 2 (0.0000) (0.0000) (0.0002) (0.0003) (0.0537) J J J J t = + importt− + oilt− + m t− − m −3 J t t 針對日本而言，吾人發現線性模型中，進口物價指數變動率落後一期、石油 價格變動率落後一期、貨幣供給量變動率落後一期和落後三期等變數對通貨膨脹 有顯著之解釋能力。而進口物價指數變動率、石油價格變動率和貨幣供給量變動 率落後一期對通貨膨脹變動率存在正向關係；貨幣供給量變動率落後三期對通貨 膨脹變動率存在負向關係。 就殘差之診斷性檢定而言，吾人以 BDS 統計量來探討殘差是否具有 i.i.d 的 特性及 LM 統計量來探討殘差項是否具有序列相關的特性。由(表二)中，吾人得 知在 5%信賴水準之下，台灣、韓國及日本棄卻線性模型殘差項不具序列相關的 特性；但在 BDS 統計量檢定時，不論台灣、韓國和日本皆在 5%信賴水準下，棄 卻線性模型殘差具 i.i.d 的特性。因線性模型不具有 i.i.d 的特性，之可能原因有 二： (１)線性模型在精簡的過程，剔除了過多之解釋變數的落遲項； (２)線性模 型之設定有誤； 如果是線性模型之設定有誤，則當正確的設定非線性模型後，則估計殘差應 顯示出具 i.i.d 的特性。為探討此一模型誤設的可能性，吾人運用以前述判定之線 性模型為基礎，進而考慮兩種非線性模型(即 LSTAR 及 ESTAR 模型)透過模型之 估計，吾人檢驗殘差是否具 i.i.d 之特性。 二、非線性模型：
在非線性模型之分析中，吾人運用 Granger and Terasvirta(1993)和 Terasvirta (1994)所提出之輔助迴歸式，在不同的落遲期數(ｄ)時，以Ｆ檢定做線性檢定。 其中，輔助迴歸式如下所示： 2 3 0 1' 2' 3' 4' t t t t d t t d t t d q =ϕ ϕ+ x +ϕ x q− +ϕ x q− +ϕ x q− +w
1 2 ( , ,..., ) ' t t t t p x = q− q− q− 為 p×1 的向量。 已知檢定的虛無假設為H0:ϕ2'=ϕ3'=ϕ4'= ，以Ｆ統計檢定在不同的落遲0 期數(d)下拒絶虛無假設的 d 值中，選擇 P 值最小時的 d 值，以此做為選擇最適 落遲期數(ｄ)的依據。 根據(表三)，表中為Ｆ統計檢定之 P 值，以５％信賴水準來檢定是否存在非 線性模型(即平滑轉換自我迴歸模型)。據此，吾人可知台灣、韓國及日本之通貨 膨脹皆存在非線性關係，此外台灣和日本之 d 值為 4，然而韓國之 d 值則為 1。
由於，通貨膨脹率變動率具非線性，故吾人依據 Granger and Terasvirta (1993) 所提出之指數平滑轉換模型及邏輯平滑轉換模型進行估計。 2.1 邏輯平滑轉換模型(LSTAR 模型)： 以邏輯平滑轉換模型來估計台、韓、日之通貨膨脹，吾人得到如下之估計結 果： 2 2 inf 0.001670 0.117435inf 0.015774 0.046033 (0.0407) (0.0529) (0.0071) (0.3284) T T T t = − t− + unempt− + import + 2 2 [0.018389 0.260478inf 0.061160 0.824671 ] (0.0113) (0.4398) (0.1548) (0.1613) T T t unempt import 2 T t− 2 T t− F ∧ − − + + +
(
)
{
}
1 4 ˆ 1 exp 1.932829 infT 0.023951 t F − − ⎡ ⎤ = + ⎣− − ⎦ (0.0589) (0.0000) 針對台灣資料的實證結果中，可知在 10％信賴水準之下顯著拒絕轉換變數 (γ )為零，且發現通貨膨脹變動率落後二期、失業率變動率落後二期等變數對通 貨膨脹有顯著之解釋能力。而失業率變動率對通貨膨脹變動率存在正向關係，而 前期通貨膨脹變動率與當期通貨膨脹率則具有負向關係。 3 1 3 inf 0.001813 0.133266inf 0.044142 0.007716 2 (0.0165) (0.0444) (0.0270) (0.4626) K K K t = + t− + importt− − m − + k t 3 K t− 3 1 [0.008992 0.084535inf 0.020459 0.153651 2 ] (0.0072) (0.5831) (0.5161) (0.0006) K K t importt m F ∧ − − + + +(
)
{
}
1 1 ˆ 1 exp 1.716328 inf 0.012171 (0.0142) (0.0000) K t F − − ⎡ ⎤ = + ⎣− − ⎦ 針對韓國資料的實證結果中，在 10％信賴水準之下顯著拒絕轉換變數(γ )為 零，且發現通貨膨脹變動率落後三期、進口物價指數變動率落後一期和貨幣供給 額變動率落後三期等變數對通貨膨脹有顯著之解釋能力。而通貨膨脹變動率落後 三期、進口物價變動率落後一期和貨幣供給額變動率落後三期對當期通貨膨脹變 動率存在正向關係。 2 1 1 3 inf 0.001509 0.036862 0.005347 0.027775 2 0.014722 2 (0.0007) (0.0192) (0.3515) (0.0021) (0.0623) J J J J t = + importt− + oilt− + m t− − m t− + 2 1 1 3 [0.004634 0.112348 0.069851 0.004597 2 0.023451 2 ] (0.0006) (0.0018) (0.0089) (0.8421) (0.4435) J J J J t t t t import oil m m F ∧ − − − − + + − + J(
)
{
}
1 4 ˆ 1 exp 2.739144 inf 0.008630 (0.0176) (0.0000) J t F − − ⎡ ⎤ = + ⎣− − ⎦ 針對日本資料的實證結果中，在 10％信賴水準之下為顯著拒絕轉換變數(γ ) 為零，且發現進口物價指數變動率(import)、石油價格變動率(inf)落後一期與貨幣 供給量變動率(m2)落後一期和落後三期等呈現具有顯著預測能力。有常數項、進 口物價指數變動率、石油價格變動率與貨幣供給量變動率落後一期對通貨膨脹變 動率存在正向關係；而貨幣供給量變動率落後三期對通貨膨脹變動率存在負向關 係。 再就殘差之診斷性檢定而言，由(表四)中，可以發現台灣和韓國的邏輯平滑 轉換模型， LM 統計量在 5%信賴水準之下，無法棄卻殘差不具序列相關的虛無 假設；而日本的邏輯平滑轉換模型， LM 統計量檢定在 5%信賴水準之下，棄卻 殘差不具序列相關的虛無假設；在 BDS 統計量檢定時，發現台灣、韓國和日本邏輯平滑轉換模型，在 5%信賴水準之下皆無法棄卻具 i.i.d 的特性。 三、指數平滑轉換模型(ESTAR 模型)： 台、日、韓之通貨膨脹以指數平滑轉換模型估計之結果如下： 2 2 inf 0.019118 0.175258inf 0.052921 0.936860 (0.0000) (0.5489) (0.1693) (0.0508) T T T t = + t− + unempt− + import 2 T t− + 2 T t− 2 2 [ 0.017225 0.286733inf 0.035272 0.880016 ] (0.0001) (0.3464) (0.3773) (0.0673) T T t unempt import F ∧ − − − − − −
(
)
2 4 ˆ 1 exp 0.571225 inf 0.034443 (0.0822) (0.0000) T t F = − ⎡⎢− − − ⎤⎥ ⎣ ⎦ 針對台灣資料的實證結果中，在 10％信賴水準之下顯著拒絕轉換變數(γ )為 零，且發現進口物價變動率落後二期等呈現具有顯著預測能力。而進口物價變動 率對通貨膨脹變動率存在正向關係。 3 1 3 inf 0.002181 0.090516 inf 0.047144 0.008641 2 (0.0000) (0.1880) (0.0168) (0.2047) K K K t = + t− + importt− − m − + K t 3 K t− 3 1 [0.006485 0.214630inf 0.026484 0.141810 2 ] (0.0041) (0.1295) (0.3740) (0.0000) K K t importt m F ∧ − − + + +(
)
2 1 ˆ 1 exp 0.272411 inf 0.000476 (0.0190) (0.5889) K t F = − ⎡⎢− − + ⎤⎥ ⎣ ⎦ 針對韓國資料的實證結果中，可知在 10％信賴水準之下為顯著拒絕轉換變 數(γ )為零，且發現進口物價指數變動率落後一期與貨幣供給額變動率落後三期 等變數對通貨膨脹有顯著之解釋能力。而進口物價指數變動率和貨幣供給額變動 率對當期通貨膨脹變動率存在正向關係。 2 1 1 3 inf 0.001268 0.033691 0.001929 0.025971 2 0.019691 2 (0.0032) (0.0414) (0.7151) (0.0065) (0.0226) J J J J t = + importt− + oilt− + m t− − m − + J t2 1 1 [0.005070 0.108206 0.064906 0.000664 2 0.037942 2 ] (0.0002) (0.0029) (0.0115) (0.9777) (0.2163) J J J t t t import oil m m F ∧ − − − + + + −
(
)
2 4 ˆ 1 exp 0.334540 inf 0.001751 (0.0238) (0.0476) J t F = − ⎡⎢− − + ⎤⎥ ⎣ ⎦ 3 J t− 針對日本資料的實證結果中，可知在 10％信賴水準之下為顯著拒絕轉換變 數(γ )為零，且發現進口物價變動率落後二期、石油價格變動率落後一期與貨幣 供給量變動率落後一期和落後三期等呈現具有顯著預測能力。而進口物價變動 率、石油價格變動率與貨幣供給量變動率落後一期對通貨膨脹變動率存在正向關 係， 且貨幣供給量變動率落後三期對通貨膨脹變動率存在負向關係。 就殘差之診斷性檢定而言，由(表五)中發現台灣和日本指數平滑轉換模型， LM 統計量在 5%信賴水準之下，無法棄卻殘差不具序列相關的虛無假設；而韓 國指數平滑轉換模型， LM 統計量在 5%信賴水準之下，則棄卻不具序列相關的 虛無假設。BDS 檢定統計量指出，台灣和日本的指數平滑轉換模型，在 5%信賴 水準之下皆無法棄卻殘差具 i.i.d 的特性；此外韓國的指數平滑轉換模型，在 5% 信賴水準之下則棄卻殘差具 i.i.d 的特性。 最後，吾人再輔以模型中的概似函數值和判定係數來探討模型的解釋能力， 及為探討模型在預測上之表現，吾人針對不同模型進行樣本內及樣本外預測之比 較。 針對台灣而言，吾人根據(表六)之模型中的概似函數值和判定係數發現，通 貨膨脹之配適以指數平滑轉換模型為最佳，其次為邏輯平滑轉換模型。為探討通 貨膨脹模型在預測上之表現，吾人針對不同模型進行樣本內及樣本外預測之比 較。首先，在樣本內預測的動態預測部份，發現邏輯平滑轉換模型較佳；其次以 靜態預測部份，以指數平滑轉換模型較佳；最後，在樣本外預測的動態預測部份 發現指數平滑轉換模型較佳；就整體的預測水準而言，指數平滑轉換模型之預測 能力並沒有顯著比線性和邏輯平滑轉換模型的預測能力為佳，但因模型中的判定係數和概似數值皆為最好且從模型的配適亦是較佳的。故就台灣的實證分析發 現，對通貨膨脹較佳模型為指數平滑轉換模型。 針對韓國而言，吾人根據（表七）中模型的概似數值和判定係數中發現。通 貨膨脹以指數平滑轉換模型為最佳，其次為邏輯平滑轉換模型。在針對模型預測 上之表現，吾人以不同模型進行樣本內及樣本外預測之比較。就樣本內的預測而 言線性模型在動態預測較非線性模型為佳；而以指數平滑轉換模型則在靜態預測 有較佳之表現，但以樣本外的預測，在 1997/12 到 2004/07 的動態預測以線性模 型為較佳；但在 1999/12 到 2004/07 的動態預測時則以邏輯平滑轉換模型為最較 佳；就整體的預測水準而言，邏輯平滑轉換模型之預測能力並沒有顯著比線性模 型和指數平滑轉換模型的預測能力為佳，但因線性模型和指數平滑轉換模型具有 序列相關的特性，即隱含此模型配適不好，故不與考慮線性模型和指數平滑轉換 模型。因此，就韓國的實證分析發現，對通貨膨脹較佳模型為邏輯平滑轉換模型。 吾人根據（表八）之模型中的概似數值和判定係數中發現，針對日本之通貨 膨脹而言，以指數平滑轉換模型為最佳，其次為邏輯平滑轉換模型。為探討模型 在預測上之表現，吾人針對不同模型進行樣本內及樣本外預測之比較。無論是那 一種預測能力皆以指數平滑轉換模型為較優。但就整體預測水準而言，指數平滑 轉換模型相較於線性模型和邏輯轉換模型並沒有對通貨膨脹提供較佳之預測，然 線性模型和邏輯平滑轉換模型的配適度並不好。故就日本的實證分析而言，對通 貨膨脹較佳模型為指數平滑轉換模型。
4
.
結論
本計劃的主要目的在建立一個適用於通貨膨脹的預測模型，以供貨幣當局決策 之參考。本計劃以 Granger and Terasvirta (1993)和 Terasvirta(1994)之 STAR 模型 為主要架構，並以貨幣供給量為門檻變數進行通貨膨脹之非線性估計及預測。 藉由實證結果可以得知，就台灣、日本和韓國三國中，韓國之通貨膨脹以邏 輯平滑轉換模型之解釋較佳的，並較線性和邏輯平滑轉換模型適合去預測通貨膨脹；台灣和日本之通貨膨脹的解釋則以指數平滑轉換模型為佳，因此其較線性和 邏輯平滑轉換模型適合去預測通貨膨脹。 雖然，吾人由實證結果中清楚得知，台灣和日本可選擇較佳的指數平滑轉 換模型去解釋並預測通貨膨脹，但就經濟直覺而言，通貨膨脹本身的調整並不會 存在對稱性的調整，而根據指數平滑轉換模型卻是隱含通貨膨脹本身的調整為對 稱性的調整與經濟直覺有所差異，至於為何就台灣和日本而言，對通貨膨脹的調 整是對稱性的現象，則需進一步深入研究。
（表一）不同落遲期數下之 SIC 值 lag 台灣 日本 韓國 １ -23.51375* -20.42709 -19.78530 ２ -23.50864 -21.10688 -20.09710* ３ -23.19877 -21.09606 -19.96641 ４ -23.05140 -21.13176 -19.74261 ５ -22.93131 -21.15638* -19.48541 ６ -22.77030 -20.90699 -19.23809 ７ -22.70015 -20.85417 -18.94779 ８ -22.43580 -20.72588 -18.72453 註１：*表示最小的 SIC 值 （表二）診斷性檢定-線性模型 台灣 韓國 日本 LM(1) 0.728887 0.000000* 0.833531 LM(2) 0.026073* 0.000000* 0.295880 LM(3) 0.040781* 0.000000* 0.167576 LM(4) 0.007058* 0.000000* 0.218032 BDS(2,0.8) 0.0002* BDS(2,0.15) 0.0000* BDS(2,0.06) 0.0030* BDS(3,0.8) 0.0002* BDS(3,0.15) 0.0000* BDS(3,0.06) 0.0046* BDS(4,0.8) 0.0006* BDS(4,0.15) 0.0000* BDS(4,0.06) 0.7025 註 1：LM(K)為檢定殘差項是否具有序列相關之 Breusch-Godfrey 拉格蘭式統計 量，其為一自由度為 K 之卡方分配的 P 值。 註 2：數值上標*表示在 5%信賴水準之下棄卻虛無假設；
（表三）模型線性檢定之 P-value lag 台灣 日本 韓國 １ 0.2643 0.0000* 0.0000* ２ 0.9196 0.0024 0.0001 ３ 0.1190 0.0000* 0.0101 ４ 0.0217* 0.0000* 0.0000* ５ 0.0889 0.0000* 0.0000* ６ 0.4061 0.0000* 0.0145 ７ 0.0375 0.0006 0.0005 ８ 0.0847 0.0000* 0.0006 註：*表示最小的 P 值 （表四）診斷性檢定-邏輯平滑轉換模型 台灣 韓國 日本 LM(1) 0.231399 0.133408 0.192171 LM(2) 0.381193 0.264177 0.003244* LM(3) 0.590104 0.050231 0.001583* LM(4) 0.533411 0.141907 0.002493* BDS(2,0.8) 0.0871 BDS(2,0.15) 0.3455 BDS(2,0.06) 0.3426 BDS(3,0.8) 0.1052 BDS(3,0.15) 0.9776 BDS(3,0.06) 0.3745 BDS(4,0.8) 0.1539 BDS(4,0.15) 0.3688 BDS(4,0.06) 0.3775 註 1：LM(K)為檢定殘差項是否具有序列相關之 Breusch-Godfrey 拉格蘭式統計 量，其為一自由度為 K 之卡方分配的 P 值。 註 2：數值上標*表示在 5%信賴水準之下棄卻虛無假設；
（表五）診斷性檢定-指數平滑轉換模型 台灣 韓國 日本 LM(1) 0.203218 0.038112* 0.803493 LM(2) 0.315113 0.112062 0.315775 LM(3) 0.501225 0.000407* 0.200436 LM(4) 0.583091 0.001017* 0.256612 BDS(2,0.8) 0.0667 BDS(2,0.15) 0.1229 BDS(2,0.06) 0.8386 BDS(3,0.8) 0.0916 BDS(3,0.15) 0.4682 BDS(3,0.06) 0.6644 BDS(4,0.8) 0.1297 BDS(4,0.15) 0.2541 BDS(4,0.06) 0.6839 註 1：LM(K)為檢定殘差項是否具有序列相關之 Breusch-Godfrey 拉格蘭式統計 量，其為一自由度為 K 之卡方分配的 P 值。 註 2：數值上標*表示在 5%信賴水準之下棄卻虛無假設； （表六）模型最佳預測－台灣
Linear LSTAR ESTAR
R-Square 0.058327 0.138065 0.140194 LogL 1011.302 1019.060 1019.449 RMSE-d (in-sample) 0.010024 0.010002 0.010011 RMSE-s (in-sample) 0.009960 0.009523 0.009511 RMSE- d1 (out-sample) 0.008381 0.008226 0.008224 RMSE- d2 (out-sample) 0.008319 0.008173 0.008162 註１：d 指動態預測；s 指靜態預測；d1 指 1997/12~2004/08 的動態預測；d2 指 1999/12~2004/08 的動態預測
（表七）模型最佳預測－韓國
Linear LSTAR ESTAR
R-Square 0.175506 0.362326 0.370530 LogL 1090.625 1128.010 1129.894 RMSE-d (in-sample) 0.005678 0.005897 0.006025 RMSE-s (in-sample) 0.005703 0.005015 0.004983 RMSE- d1 (out-sample) 0.004903 0.004964 0.004996 RMSE- d2 (out-sample) 0.004366 0.004059 0.004107 註１：d 指動態預測；s 指靜態預測；d1 指 1997/12~2004/07 的動態預測；d2 指 1999/12~2004/07 的動態預測 （表八）模型最佳預測－日本
Linear LSTAR ESTAR
R-Square 0.155134 0.247792 0.255934 LogL 1497.911 1518.447 1520.678 RMSE-d (in-sample) 0.006517 0.006232 0.006173 RMSE-s (in-sample) 0.006323 0.005961 0.005929 RMSE- d1 (out-sample) 0.004397 0.003820 0.003681 RMSE- d2 (out-sample) 0.004250 0.003544 0.003406 註１：d 指動態預測；s 指靜態預測；d1 指 1997/12~2004/07 的動態預測；d2 指 1999/12~2004/07 的動態預測
參考文獻
中文部份： 侯德潛和徐千婷（2002），我國通貨膨脹預測模型之建立。中央銀行季刊，第二 十四卷第三期，9-40 劉淑芬（2004），台灣菲力普曲線對預測通貨膨脹的有效性探討。私立銘傳大學 經濟學研究所碩士論文 英文部份：Boschen, J. F. and Weise, L. C. 2003, ”Does the dynamic time consistency model of inflation explain cross-country differences in inflations dynamics?,“ Journal of
international money and finance, 23,735-759.
Brock, W. A., Dechert, W. D. and Scheinkman, J. A. 1987, “A test for independence based on the correlation dimension,” WI, Department of Economics, University of Wisconsin.
Caglayan and Filiztekin, 2003, ”Nonlinear impact of inflation on relative price variability,” Economics Letters, 79,213-218
Friedman, M. 1956, ”The Quantity Theory of Money-A Restatement” In Studies in the Quantity Theory of Money, Edited by M. Friedman. Chicago：University of Chicago Press.
Granger, C. W. J., Teräsvirta, T. 1993, ”Modeling nonlinear economic relationships,” Oxford University Press.
Haggan, Valerie, and Ozaki, Tohru. 1981, ”Modeling Nonlinear Random Vibrations Using an Amplitude-Dependent Autoregressive Time Series Model,” Biometrika 68,189-196.
Hallman, J., Porter, R. and Small, D. 1989, ”M2 Per Unit of Potential GDP as an Anchor for the Price Level,” Board of Governors of the Federal Reserve System, staff study 157.
Hallman, J., Porter, R. and Small, D. 1989, ”Is the Price Level Tied to the M2
Monetary Aggregate in the Long Run?” American Economic Review 81,841-858. Michael, P., Nobay, A. R. and Peel, D. A. 1997, ”Transactions costs and nonlinear
Political Economy 105,862-879.
Stock, J. H. and Watson, M. W. 1999, ”Forecasting Inflation,” Journal of Monetary
Economics 44,295-335.
Tong, Howell. 1990, ”Non-linear Time Series: A Dynamical System Approach.” Oxford: Clarendon.
Teräsvirta, T. 1994, ”Specification, estimation, and evaluation of smooth transition autoregressive models,” Journal of the American Statistical Association, 89, 208-218.
Teräsvirta, T. and Anderson, H. M. 1992, “Characterising nonlinearities in business cycles using smooth transition autoregressive models,” Journal of Applied
