经济统计著作系列推文将深入浅出的解读国际上具有影响力的经济统计著作。除出版社出版的经济统计著作以外，也包括国际组织（OECD、UN、WorldBank、IMF、EU等）出版的部分经济统计方法论手册和专题论文集，经济统计学主题的博士论文，经济研究机构的部分WorkingPaper（工作论文）。

著作信息：

Greenaway-McGrevy,Ryan. 2011. Is GDP Or GDI a Better Measure of Output?: A StatisticalApproach. BEA.

一、研究背景与问题提出

    在国民经济核算体系中，国内生产总值（GDP）与国内总收入（GDI）被视为同一概念的两种估计方式，旨在反映经济活动的总体产出与增长。然而在实际编制中，二者依托的数据来源与统计流程并不一致。GDP主要依据生产与支出数据，GDI则侧重收入来源与企业报表，这种差异导致二者短期走势经常出现偏离，形成长期存在的“统计差额”。如何判断哪一项指标更能反映真实经济产出，成为国民核算理论中的核心问题。

    RyanGreenaway-McGrevy的研究发表于美国经济分析局（BEA）工作论文系列中，题为《IsGDP or GDI a Better Measure of Output? A StatisticalApproach》。作者以时间序列的统计框架为基础，构建可识别潜在真实产出的动态模型，旨在回答理论上等价的GDP与GDI在实践中哪一项更接近经济真实状态的问题。研究覆盖1983年至2009年的季度数据，这一时期经济波动相对温和，为模型估计提供了稳定数据环境。作者通过状态空间建模与卡尔曼滤波方法，在不依赖特定经济假设前提下，纯粹基于统计结构推断潜在产出信号，具高度独立性与可重复性。

二、理论框架与研究方法

    研究的起点是检验GDP与GDI的长期关系。作者首先对两者差额序列进行平稳性分析，发现该序列为均值为零的平稳过程，表明GDP与GDI在长期趋势上共享同一潜在变量。这一结果为模型构建提供统计依据，也意味着可将二者视为对同一真实产出的两个噪声观测。

设观测方程为：

    其中，表示潜在真实产出增长，与分别代表各自的测度误差。

潜在产出动态过程假定为一阶自回归模型：

    在此框架下，GDP与GDI变化由真实产出波动与测度误差共同驱动。通过卡尔曼滤波，可递归估计不可观测的，同时分离各自误差项。模型以均方误差最小化为准则，逐期更新潜在产出估计，实现对经济真实状态的动态识别。

    这种方法区别于以往研究，不依赖奥肯定律或失业率、利率等外部变量，而完全从数据内部结构出发。Greenaway-McGrevy以统计信号提取替代传统经济假设推理，实现了由理论假定向经验识别的转变。

三、主要实证发现

1.长期趋势一致性与短期差异

    研究结果显示，GDP与GDI长期趋势基本一致，但短期变化存在显著差异。卡尔曼滤波估计表明，GDP误差方差约为GDI的六成，平均而言GDI测度误差为GDP的1.7倍。GDP误差与潜在真实产出几乎不相关，而GDI误差与真实产出呈正相关，说明其波动受经济周期影响较大。换言之，GDP在捕捉经济增长趋势时噪声更少，信号更稳定。

2.回归分析

    进一步的回归结果显示，以潜在产出增长为因变量，GDP增长的决定系数约为0.88，GDI约为0.80。当两者同时纳入回归时，GDP系数显著高于GDI，说明GDP包含信息量更多。统计差额主要来源于GDI误差积累，其长期方差约为GDP的六倍，与统计差额的相关系数高达0.95。这表明收入端数据波动是差额形成主要原因，而非支出端偏差。

3.经济周期与信号质量

    对不同经济阶段分析显示，无论扩张期还是衰退期，GDP信号质量优于GDI。在NBER认定的三次衰退期内，GDP增长与潜在产出拟合度仍保持高水平，而GDI波动更剧烈。同时，早期GDI版本在实时预测中具有一定先行性，能较早反映经济转折；随着数据修订，GDP精确度提升，在最终版本中表现最佳。

4.最优加权组合
    基于此，作者提出最优加权组合：

    其期望均方误差为：

    求 λ的最优值：

    实证结果显示最优权重=0.6，即以六成权重赋予GDP、四成权重赋予GDI，可获得最接近真实产出的加权指数，这一结果在修订误差检验中同样表现最佳。

四、学术贡献与现实意义

    Greenaway-McGrevy的研究在方法与理论上均具有突破性。首次在BEA框架引入状态空间模型与卡尔曼滤波，系统识别GDP与GDI的共同趋势与误差结构，提出以信号强度为核心的真实产出测度思路。该方法后来广泛应用于潜在产出、通胀核心趋势及商业周期同步指标研究，成为宏观统计重要工具。

    研究通过经验数据验证GDP与GDI长期一致性，为“同源假设”提供实证支持，从统计层面巩固两项指标作为共同信号源的解释框架。现实意义在于提出基于最优权重的组合测度思想，前者稳健、后者敏感，将二者加权整合能更准确反映经济运行状态。对政策部门而言，早期决策可参考GDI警示信号，而年度评估与结构分析更适合GDP，通过综合指数可提升宏观判断的及时性与准确性。

    总体而言，研究结果表明，GDP与GDI在长期趋势上高度一致，但在短期波动与误差结构上存在差异。GDP的信号相对稳定，能够较好反映经济增长的总体趋势；而GDI对经济周期变化更为敏感，在实时监测中具有一定先行特征。二者从不同侧面揭示了经济活动的变化规律，在政策与分析应用中各具参考价值。通过综合利用两项指标，可以在稳健性与灵敏性之间取得平衡，从而更全面地识别经济运行的真实状态。

五、作者介绍

Ryan Greenaway-McGrevy

    Ryan Greenaway-McGrevy是新西兰奥克兰大学经济学副教授，现任经济政策中心主任，并领导城市与空间经济学研究中心。他的研究聚焦计量经济学、城市经济学和住房经济学，尤其关注土地使用与交通政策对住房和城市发展的影响。代表作包括与Peter C.B. Phillips合作发表在《Journalof Urban Economics》的论文《TheImpact of Upzoning on Housing Construction inAuckland》，通过准自然实验方法实证分析奥克兰上调（upzoning）政策对住房建设的促进作用。此外，他的研究领域还涉及区域动态、劳动份额变化和住房价格波动等问题，研究成果已在《RegionalScience and Urban Economics》《EconomicInquiry》等学术期刊发表，既对学术界产生影响，也为政策制定提供了重要参考。

六、名词与方法解释

GDP（GrossDomestic Product）：国内生产总值，通过生产、支出或收入方法测度一个国家在一定时期内生产的最终产品和服务的市场价值。

GDI（GrossDomestic Income）：国内总收入，通过收入来源测度同一经济活动产生的总收入，包括工资、利润、利息和税收。

统计差额（statisticaldiscrepancy）：GDP与GDI理论上应相等，但由于数据来源和方法差异，实际统计中存在差值。

状态空间模型（state-spacemodel）：将观测数据与潜在变量联系起来的时间序列模型，用于提取不可观测的经济信号。

卡尔曼滤波（Kalmanfilter）：递归算法，用于动态系统中估计不可观测变量，同时分离测度误差，常用于潜在产出、经济信号提取。

潜在真实产出（TrueOutput）：经济理论上存在的、去除统计噪声后的真实经济增长水平。

一阶自回归模型（AR(1)）：假设当前变量值与其前一期值线性相关的一种时间序列模型，用于描述潜在产出的动态过程。

图片链接

https://www.lewis.ucla.edu/wp-content/uploads/sites/17/2023/03/Ryan-Greenaway-McGrevy-scaled-1.jpg