KNOWECON WIKI

ARTICLE

频谱

频谱 (Spectrum) 频谱 (Spectrum)，在经济学和计量经济学中，是指时间序列在频域中的表示，即把一个时间序列分解为不同频率的正弦波与余弦波分量，并展示各频率分量对总方差的贡献。这一概念源自谱分析 (Spectral Analysis) 理论，其数学基础是傅里叶变换。与传统的时域分析（如自回归模型、移动平均模型）关注变量随时间演化的动态路径不同

浏览 0 更新 2025-07-16

频谱 (Spectrum)

频谱 (Spectrum)，在经济学和计量经济学中，是指时间序列在频域中的表示，即把一个时间序列分解为不同频率的正弦波与余弦波分量，并展示各频率分量对总方差的贡献。这一概念源自谱分析 (Spectral Analysis) 理论，其数学基础是傅里叶变换。与传统的时域分析（如自回归模型、移动平均模型）关注变量随时间演化的动态路径不同，频谱分析将视角转向频率维度，揭示经济波动中隐含的周期性结构。

数学定义

给定一个协方差平稳 (Covariance Stationary) 的时间序列 {Xt}t=−∞∞ \{X_t\}_{t=-\infty}^{\infty} ，其自协方差函数为 γ(k)=Cov(Xt,Xt−k) \gamma(k) = \mathrm{Cov}(X_t, X_{t-k}) 。该序列的谱密度函数 (Spectral Density Function) 定义为自协方差函数的傅里叶变换：

f(ω)=12π∑k=−∞∞γ(k)e−iωk,ω∈[−π,π]f(\omega) = \frac{1}{2\pi} \sum_{k=-\infty}^{\infty} \gamma(k) e^{-i\omega k}, \quad \omega \in [-\pi, \pi]

其中 ω \omega 为角频率，i i 为虚数单位。谱密度函数的积分在频域上等于序列的总方差：

∫−ππf(ω) dω=γ(0)=Var(Xt)\int_{-\pi}^{\pi} f(\omega) \, d\omega = \gamma(0) = \mathrm{Var}(X_t)

这一关系被称为谱分解定理 (Spectral Decomposition Theorem)，它将时域中的方差分解为频域中各个频率分量的贡献。若 f(ω) f(\omega) 在某个频率 ω0 \omega_0 附近取值较大，则表明该频率的周期波动在序列中占主导地位。

谱密度估计

在实际应用中，总体的谱密度是未知的，需要从有限样本进行估计。最基础的估计量是周期图 (Periodogram)：

I(ωj)=12πT∣∑t=1TXte−iωjt∣2,ωj=2πjTI(\omega_j) = \frac{1}{2\pi T} \left| \sum_{t=1}^{T} X_t e^{-i\omega_j t} \right|^2, \quad \omega_j = \frac{2\pi j}{T}

然而，周期图作为谱密度的估计量是不一致的——即使样本量 T→∞ T \to \infty ，其方差也不会收敛到零。为解决这一问题，通常采用平滑 (Smoothing) 技术，通过对相邻频率的周期图值进行加权平均来降低方差。常用的平滑方法包括：

  • Bartlett 窗：使用等权重的矩形窗进行局部平均。
  • Daniell 窗：使用等权重的滑动矩形窗。
  • Parzen 窗与Tukey-Hamming 窗：使用非均匀权重以减少频率泄漏。

平滑引入了一个权衡：平滑越强，方差越小，但频率分辨率（即区分相邻频率成分的能力）越低。这一偏差-方差权衡 (Bias-Variance Trade-off) 是谱估计中的核心问题。

在经济周期分析中的应用

频谱分析在经济周期研究中具有重要地位。经典的宏观经济变量——如GDP增长率、失业率、通货膨胀率——通常包含多种频率的波动成分。利用频谱分析可以识别并量化这些成分：

  1. 对季度GDP增长率序列进行谱估计，可识别出 基钦周期（约 40 个月，对应高频成分）、朱格拉周期（约 7--11 年，对应中频成分）和 康德拉季耶夫长波（约 50--60 年，对应低频成分）。
  2. 谱密度在零频率处的取值反映了序列中随机游走成分的强度，即序列的长记忆性 (Long Memory)。
  3. 通过交叉谱 (Cross-Spectrum) 分析，可以考察两个时间序列在不同频率上的相关性与相位关系，这在分析货币政策传导机制的时滞效应中尤其有用。

Granger 在其 1969 年的开拓性工作中系统地将谱分析方法引入经济学，证明了谱分析在识别经济变量间超前-滞后关系 (Lead-Lag Relationship) 中的独特优势。例如，交叉谱的相位谱可以揭示货币供给变动与通货膨胀之间在不同频率上的领先或滞后时间长度。

与相关概念的联系

频谱分析与多个计量经济学概念紧密相关。滤波 (Filtering) 操作——如Hodrick-Prescott 滤波和Band-Pass 滤波——本质上是在频域中对特定频率成分进行选择性地保留或剔除。例如，Baxter-King 带通滤波器的设计目标就是提取周期为 6--32 季度的波动成分，即对应的频率区间。

频谱分析也与长记忆模型密切关联。若谱密度在零频率附近表现为 f(ω)∼c∣ω∣−2d f(\omega) \sim c|\omega|^{-2d} （其中 0<d<0.5 0 < d < 0.5 ），则序列具有分数阶整合的性质，属于 ARFIMA (Autoregressive Fractionally Integrated Moving Average) 模型的范畴。此外，在向量自回归模型 (VAR) 的框架下，可以通过计算各变量的谱密度和交叉谱来分解不同冲击对各频率成分的贡献，这构成了频域因果检验的基础。

局限性与注意事项

频谱分析的有效性依赖于平稳性假设。如果序列包含单位根或结构性断点，直接计算谱密度会产生误导性结果。此时应首先进行差分或去趋势处理，或在非平稳框架下采用演化谱 (Evolutionary Spectrum) 方法。此外，谱估计对窗宽选择敏感，同一数据在不同窗宽下可能呈现显著不同的谱图形状，研究者应报告多种窗宽的估计结果作为稳健性检验。最后，频谱分析揭示的是统计上的周期特征，而非确定性的周期规律——现实经济波动远非严格正弦波形态，谱峰的存在仅意味着该频率成分对总方差的贡献相对突出。