KNOWECON WIKI

ARTICLE

滤过

滤过 (Filtering) 在计量经济学和时间序列分析中，滤过（Filtering）是指从观测数据中提取特定成分、分离信号与噪声的统计技术。滤过的核心思想是将时间序列 y_t 分解为若干不可观测成分之和——趋势成分 T_t、周期成分 C_t、季节成分 S_t 和不规则成分 I_t。通过滤过，研究者能够在保留所需频率信息的同时抑制其他频率成分，从而揭示经济变

浏览 0 更新 2026-07-11

滤过 (Filtering)

在计量经济学和时间序列分析中，滤过（Filtering）是指从观测数据中提取特定成分、分离信号与噪声的统计技术。滤过的核心思想是将时间序列 yty_t 分解为若干不可观测成分之和——趋势成分 TtT_t、周期成分 CtC_t、季节成分 StS_t 和不规则成分 ItI_t。通过滤过，研究者能够在保留所需频率信息的同时抑制其他频率成分，从而揭示经济变量背后的潜在结构。从更广泛的视角看，滤过不仅是技术工具，更是一种方法论立场：它承认观测数据是多重过程的叠加结果，经济分析的任务在于将这些过程逐一剥离。这一思想深刻影响了现代宏观经济学的实证范式，从弗里德曼的持久收入假说到卢卡斯的理性预期革命，滤过始终处于理论与数据的交汇地带。

滤过的经济学动机

宏观经济分析的核心问题之一是区分变量的长期趋势与短期波动。以实际GDP为例，政策制定者关注的是：经济下行是暂时性冲击（周期性波动）还是永久性损失（趋势下降）。滤过技术为回答此类问题提供了形式化框架。类似地，在金融计量学中，滤过用于从高频噪声中提取资产价格的潜在波动率；在信号处理与经济学交叉领域，滤过则用于识别经济周期转折点。

这一方法论传统可追溯至伯恩斯（Arthur Burns）与米切尔（Wesley Mitchell）关于经济周期的经典研究——他们强调经济变量中存在不同频率的波动成分，为现代统计滤过奠定了思想基础。此后，斯卢茨基（Eugen Slutsky, 1937）证明了随机冲击的累积能够产生类似周期的波动模式，从而在数学上确立了滤过的必要性：观测到的波动未必反映真实的经济机制，必须借助滤过加以甄别。

HP滤波

Hodrick-Prescott滤波器（Hodrick and Prescott, 1997）是最为广泛使用的单变量趋势分解工具。HP滤波将时间序列 yty_t 分解为趋势成分 τt\tau_t 和周期成分 ct=yt−τtc_t = y_t - \tau_t，通过最小化如下损失函数实现：

min⁡{τt}∑t=1T(yt−τt)2+λ∑t=2T−1[(τt+1−τt)−(τt−τt−1)]2\min_{\{\tau_t\}} \sum_{t=1}^{T} (y_t - \tau_t)^2 + \lambda \sum_{t=2}^{T-1} \big[(\tau_{t+1} - \tau_t) - (\tau_t - \tau_{t-1})\big]^2

其中 λ\lambda 为平滑参数，控制趋势的光滑程度：λ→0\lambda \to 0 时趋势完全贴合原序列；λ→∞\lambda \to \infty 时趋势退化为线性函数。季度数据的标准取值为 λ=1600\lambda = 1600，年度数据常用 λ=100\lambda = 100 或 6.256.25。

HP滤波因其简洁直观而广泛应用于实际经济周期理论（RBC）研究和潜在产出估计（如国会预算办公室的趋势GDP测算），但也因其端点偏误和可能产生伪周期而受到批评。汉密尔顿（Hamilton, 2018）对此提出了替代方案，引发了关于滤波方法稳健性的重要讨论。

带通滤波

带通滤波（Band-Pass Filter）直接从频域出发，筛选特定频率范围内的周期成分。两类典型的带通滤波为：

  • Baxter-King滤波（Baxter and King, 1999）：基于对称移动平均的有限阶近似，能够提取预设频率区间（如6至32个季度）内的波动成分，同时滤除低频趋势和高频噪声。缺点是在样本两端损失 KK 个观测值。
  • Christiano-Fitzgerald滤波（Christiano and Fitzgerald, 2003）：通过非对称加权机制适应全样本和端点数据，在保留滤波精度的同时克服了BK滤波端点观测值损失的问题。CF滤波假设原始序列服从随机游走，从而推导出最优非对称权重。

带通滤波在宏观经济学研究中尤为重要，因为它提供了一种与研究主题（如经济周期、信贷周期）频率特征相匹配的灵活分离方案，使研究者可以精确定义"周期"的频率范围。

卡尔曼滤波

卡尔曼滤波（Kalman Filter, Kalman, 1960）是状态空间模型的核心算法，将滤过从纯统计技术提升为动态系统估计的通用框架。在状态空间表示中，观测方程和状态方程分别为：

yt=Ztαt+εt,εt∼N(0,Ht)αt+1=Ttαt+Rtηt,ηt∼N(0,Qt)\begin{aligned} y_t &= Z_t \alpha_t + \varepsilon_t, \quad \varepsilon_t \sim N(0, H_t) \\ \alpha_{t+1} &= T_t \alpha_t + R_t \eta_t, \quad \eta_t \sim N(0, Q_t) \end{aligned}

卡尔曼滤波通过预测-更新递归，在每个时点上基于当前可获得的信息集对不可观测状态 αt\alpha_t 做出最优线性无偏估计：

  1. 预测步：基于 t−1t-1 期信息预测 tt 期的状态和方差。
  2. 更新步：利用 tt 期的新观测值 yty_t 修正预测，得到滤波估计。

在经济学中，卡尔曼滤波广泛应用于时变参数模型、随机波动率模型和DSGE模型的估计，也是现代宏观经济预测平台（如美联储的FRB/US模型）的技术基石。

滤过方法的甄选原则

选择适当的滤过方法需考虑三个关键因素：其一，变量的统计性质（是否存在单位根、是否协整），因为非平稳序列直接应用某些滤波可能产生虚假周期；其二，研究问题的频率特征（分析长期增长还是短期波动），这决定应选用低通、高通还是带通滤波；其三，滤过方法的边界处理与稳健性，样本量较小或端点附近的结果应谨慎解读。在实证操作中，建议结合多种滤过方法进行稳健性检验，避免单一方法假设对结论的主导。

随着机器学习和大数据方法的发展，现代滤过技术正与非参数方法和正则化回归（如LASSO）深度融合，为高维经济数据的信号提取开辟了新路径。此外，小波分析（Wavelet Analysis）的引入使得滤过可以在时域和频域同时精确定位，克服了传统傅里叶基滤过仅适用于平稳过程的局限，尤其适用于分析金融危机等具有结构性突变的罕见事件。