计量经济学tempdisagg的python库：年度时序变月度

在R语言的包tempdisagg，平移到python了。
github：
https://github.com/jaimevera1107/tempdisagg

1 方法介绍

核心的用途：官方指标通常是低频（例如年GDP），而经济分析或预测需求每月或季度粒度。 Tempdisagg使用一致的计量经济学技术填补了这一空白，以创建尊重原始聚集体的颗粒状估计值。
方法罗列：

几个方法的快速介绍：

denton（Denton插值法）

在已知低频总量时，平滑地分配到高频，使变化最小化（差分平滑）。
实现步骤：选择差分阶数（如一阶、二阶），最小化高频数列的邻期变化（差分）平方和，同时保证聚合后等于低频。
意义：常用于季节性调整，适用于没有高频解释变量的场景。

chow-lin一族

chow-lin、chow-lin-opt、chow-lin-ecotrim、chow-lin-quilis（回归+AR(1)残差分配）
用回归模型和高频指标预测高频目标，同时采用一阶自回归（AR(1)）过程分配回归残差，保证低频一致性和高频信息利用。
实现步骤：

• 高频解释变量聚合到低频，回归低频目标。
• 用高频解释变量预测高频目标。
• 拟合AR(1)模型对残差分配，使聚合约束成立。

意义：经济学中最经典的临时分解方法之一，适合有高频参考指标场景。

这类方法（尤其是chow-lin-opt）被认为是分解的“黄金标准”之一，因为它们充分利用了高频协变量的信息，并且通过对残差结构（AR(1)）的建模，使得分解结果在统计上更有效率和准确。

litterman

litterman-opt

Litterman 方法假设高频时间序列遵循一个随机游走（Random Walk）或AR(1) 过程，并以此作为先验信息来指导分解。
它在没有外部协变量的情况下也能工作，或者当协变量信息不足时，它依赖于序列自身的动态特性进行插值。
实现步骤：

• 设定高频序列遵循随机游走或 AR(1) 过程的先验假设。
• 结合低频聚合约束，通过优化（通常是最小化高频序列差分或残差的加权平方和）来推断出高频序列。

意义：Litterman 方法适用于当没有合适的外部高频协变量可用时，或者当高频序列本身具有明显的随机游走特性时。它通过内在的时间序列结构来填充和分解数据。

fast：Fast approximation of Denton-Cholette

顾名思义，fast 方法是 denton-cholette 的一个快速近似版本。它旨在提供与 denton-cholette 相似的性能，但在计算上更高效，尤其适用于处理非常大的数据集。
实现步骤：采用了简化的计算策略来近似 denton-cholette 的结果。
意义：当计算资源有限或需要快速处理大量数据时，fast 方法是一个很好的选择，它在计算速度和结果质量之间取得了平衡。

uniform：Even distribution across subperiods

功效：这是最简单粗暴的分解方法。它不使用任何协变量，直接将低频数据总量平均分配到其包含的高频子周期中。
实现步骤：

• 获取低频数据。
• 确定每个低频周期包含多少个高频子周期（例如，年度到季度就是 4 个）。
• 将每个低频值除以子周期数量，并将结果分配给每个子周期。

意义：uniform 方法通常用于没有可用高频协变量的场景，或者作为基线比较。它的局限性在于完全忽略了高频数据内部的波动性和时间模式，可能导致不真实的平坦高频序列。

2 代码

pip install tempdisagg

来一个案例：

from tempdisagg import TempDisaggModel
import pandas as pd
import numpy as np

# Sample input data (monthly disaggregation of yearly total)
df = pd.DataFrame({
    "Index": [2020]*12 + [2021]*12,
    "Grain": list(range(1, 13)) * 2,
    "y": [1200] + [np.nan]*11 + [1500] + [np.nan]*11,
    "X": np.linspace(100, 200, 24)
})

# Fit model
model = TempDisaggModel(method="chow-lin-opt", conversion="sum")
model.fit(df)

# Predict high-frequency series
y_hat = model.predict()

# Adjust negatives (if any; OPTIONAL)
y_adj = model.adjust_output()

# Show results
model.summary()
model.plot()

可以看到，里面的TempDisaggModel(method="chow-lin-opt", conversion="sum")，会定义各种模型

        self.all_methods = {
            "ols": self.models.ols_estimation,
            "denton": self.models.denton_estimation,
            "chow-lin": self.models.chow_lin_estimation,
            "litterman": self.models.litterman_estimation,
            "fernandez": self.models.fernandez_estimation,
            "fast": self.models.fast_estimation,
            "chow-lin-opt": self.models.chow_lin_opt_estimation,
            "litterman-opt": self.models.litterman_opt_estimation,
            "chow-lin-ecotrim": self.models.chow_lin_minrss_ecotrim,
            "chow-lin-quilis": self.models.chow_lin_minrss_quilis,
            "denton-cholette": self.models.denton_cholette_estimation,
            "uniform": self.models.uniform_estimation
        }

一些真实数据的案例：

import statsmodels.api as sm
from tempdisagg import TempDisaggModel

# Load macroeconomic dataset (quarterly)
macro = sm.datasets.macrodata.load_pandas().data
macro["Index"] = macro["year"].astype(int)
macro["Grain"] = macro["quarter"].astype(int)
macro["X"] = macro["realcons"]

# Aggregate GDP to annual level
gdp_annual = macro.groupby("Index")["realgdp"].mean().reset_index()
gdp_annual.columns = ["Index", "y"]

# Merge back into full frame
df = macro.merge(gdp_annual, on="Index", how="left")[["Index", "Grain", "y", "X"]]

# Fit model and predict
model = TempDisaggModel(method="chow-lin-opt", conversion="average")
model.fit(df)

# Get high-frequency estimates
y_hat = model.predict(full=False)

# Optional: post-estimation adjustment
y_adj = model.adjust_output(full=False)

# Summary and plot
model.summary()
model.plot()

同时也可以一次性跑了所有模型

model = TempDisaggModel(method="ensemble", conversion="sum")
model.fit(df)

model.summary()
model.plot()