详细内容或原文请订阅后点击阅览
使用 Chat GPT4 进行时间序列回归分析
下图是我在 Pantheon Macroeconomics 担任首席欧元区经济学家期间日常使用的数百张图表之一。它绘制了德国新制造业订单调查的标准化 Z 分数指数，以及工厂订单（不包括主要订单）的同比增长。有必要阐明这张图表在经济研究和预测领域的含义。工厂订单数字是所谓的硬数据，在这种情况下，这意味着它们是统计局报告的实际活动的官方数字。相比之下，PM 新订单指数是我自制的所谓软数据指数。具体来说，这些是调查数据，由欧盟委员会、IFO、标准普尔和国家统计局等机构编制。我们对这些数字的兴趣只在于它们能告诉我们一些关于官方/硬新订单数据的信息，而这些数据反过来又可以帮助我们确定工业生产、出口、GDP 增长、就业等趋势。从图表上看，这两个系列似乎是一致的，但请注意，调查是在官方数据发布之前发布的，因此我们的调查数据总是比官方数据提前一到两个月。换句话说，当需要预测 12 月份的新订单时，我们已经有当月的调查数据了。理论上，这应该有助于我们更好地预测官方的实际新订单数据。
来源:Alpha Sources我将这些数据上传到我为帮助我分析和预测时间序列而创建的 GPT（AS 时间序列和预测 GPT），并要求它对这些数据运行一些分析和模型。我在下面包含了整个输出，以及 GPT 创建的附带图表。您可以在此处查看没有图表的输出。我对该过程和输出的想法总结如下
此处- 这是我第二次使用该数据集进行分析，第一次更容易获得我想要的图表。正如您在下面的输出中看到的，GPT 对我在 x 轴上使用“yy”标签的请求感到困惑，并且数据的顺序也错了——从右到左而不是从左到右。不过我要说的是，让 GPT 更改图表的布局、标签和其他方面非常容易和直观。我认为创建一个单独的 GPT 来制作更多定制图表可能有意义，而将时间序列 GPT 留给简单的图表。实际的时间序列分析非常容易运行，并且可以轻松快速地让 GPT 运行具有不同参数（例如省略变量、平滑因变量等）的不同模型。这是这项技术真正赋予分析师权力的地方。我本可以借助 Excel 或统计分析软件完成所有这些工作，但远没有我在这里做得这么快。还要记住，正如我之前所展示的，GPT 可以将结果和估算结果导出到 CSV 文件中，这非常强大。
您应该阅读下面的整个输出，以真正了解您可以使用 GPT 4 进行哪种分析，以及您在进行过程中与它进行的对话，但如果您只是对最终结果感兴趣，这里是我的 GPT，总结了我要求它做的工作。
当然，这里是按判定系数（R 平方）排序的回归分析摘要：
完整的 GpT 4 输出
匿名