滞后变量模型WebApp实验室：跨期传导、乘数效应与动态计量
经济与社会系统中的影响往往不是即时发生的，而是随着时间逐步传递。今天的投资可能影响未来的产出，当前的收入会延续影响后期消费，一次政策冲击也可能经过多个时期才释放完整效应。滞后变量与动态计量模型实验室以“时间中的影响”为核心，将滞后变量、动态回归、乘数效应、自相关诊断与动态响应融入交互式实验。学习者可以通过二维沙盒调整滞后结构，通过响应演播观察冲击传播，通过案例、代码和AI分析理解模型结果，从而实现从公式认知到动态机制理解的跨越。
关键词：滞后变量、分布滞后模型、动态回归、滞后效应、动态乘数、响应分析、自相关诊断、Python代码、AI分析、动态预测、交互式实验
📌 《计量经济学可视化实验室》系列之（六）
滞后变量模型实验平台https://hh9309.github.io/Lagged-Variable-lab/
本地部署蓝奏云下载链接https://wwbvh.lanzoum.com/iWUU448gdngb
平台为动态计量模型学习提供直观交互环境，围绕滞后变量、动态回归与时间序列建模构建完整分析流程。用户可自由调整滞后阶数、模型参数与数据情景，动态观察变量滞后效应及模型结果变化，系统实时呈现回归系数、拟合效果与预测表现，使抽象的动态关系可视化。同时融合AI分析与智能诊断，实现“数据处理—模型构建—动态检验—结果解释”的统一，帮助深入理解滞后效应、动态响应与计量建模机制。
============================================================
时间序列数据的核心特征在于跨期依赖——今日的经济变量往往受昨日乃至更早状态的影响，经济增长、消费行为与政策传导均无法在当期瞬间完成。传统静态回归模型 \(Y_t=\beta_0+\beta_1X_t+\varepsilon_t\) 假设即时响应，但现实中政府投资扩张、价格调整或利率变动都需要多个时期才能完全释放影响，静态分析难以完整捕捉经济系统的动态传导机制。
滞后变量与动态计量模型实验室正是为此而构建的交互式学习平台。它以滞后变量、分布滞后模型、动态乘数、自相关诊断为主线，通过二维滞后沙盒、乘数响应演播、自相关诊断和六大经典案例，让学习者直观观察冲击如何跨期传播、效应如何累积衰减。平台进一步融合代码引擎、AI对话窗口、适用条件检查与报告导出，形成从理论建模、动态实验、统计诊断到案例验证、代码复现、AI解释的完整计量学习闭环，使滞后变量从教材符号转化为可操作、可验证的动态分析工具。
一、引言：从静态关系走向动态关系
在传统回归分析中，我们经常使用 \(Y_t=\beta_0+\beta_1X_t+\varepsilon_t\) 来描述 \(X\) 对 \(Y\) 的影响。这种模型具有结构简单、解释直接等优点，因此成为计量经济学学习的重要起点。但现实中的经济变量通常并不会表现出"即时反应"。例如，当政府增加财政支出时，当期GDP可能只产生部分变化，随后几个季度还会继续受到影响；当企业提高产品价格时，消费者需求可能不会马上下降，而是经过一段时间逐渐调整；当央行改变利率时，投资、消费和房地产市场同样需要一定时间才能产生完整响应。
因此，真正值得研究的问题不是"X是否影响Y？"而是"X在什么时候影响Y？影响持续多久？不同滞后期的影响有多大？最终累计影响是多少？"这就是动态计量分析与静态计量分析的重要区别。滞后变量提供了一种最直接的表达方式：\(Y_t=\alpha+\beta_0X_t+\beta_1X_{t-1}+\beta_2X_{t-2}+\varepsilon_t\)，其中 \(X_t\) 为当期变量，\(X_{t-1}\) 为一期滞后变量，\(X_{t-2}\) 为二期滞后变量，\(\beta_0\) 为当期影响，\(\beta_1,\beta_2\) 为不同滞后期影响。
从这个角度看，滞后变量并不是简单地"把变量向后移动一格"，而是在回答一个更加重要的问题：现实世界中的影响究竟如何沿着时间轴传播？滞后变量模型实验室希望将这一问题从教材公式中解放出来，让学习者真正看到动态效应如何产生、传播、衰减和累积。
二、理论建模：理解滞后变量与动态计量模型
所谓滞后变量，就是当前时期之前某一时期变量的观测值。例如 \(X_{t-1}\) 表示 \(X\) 在上一期的取值，\(X_{t-2}\) 表示 \(X\) 在前两期的取值。如果数据按年度记录，那么 \(X_{t-1}\) 就是上一年的数据；如果数据按季度记录，那么它表示上一季度的数据。平台首先通过理论建模模块建立这种时间结构，学习者可以从 \(X_t\) 逐渐扩展到 \(X_t,X_{t-1},X_{t-2},\cdots,X_{t-p}\)，从而理解所谓"滞后阶数" \(p\) 的实际含义。
最基本的分布滞后模型可以写成 \(Y_t=\alpha+\beta_0X_t+\beta_1X_{t-1}+\cdots+\beta_pX_{t-p}+\varepsilon_t\)。该模型表达的核心思想是当前 \(Y_t\) 不仅受到当前 \(X_t\) 的影响，还受到过去若干时期 \(X\) 的影响。其中 \(\beta_0,\beta_1,\ldots,\beta_p\) 共同构成一个滞后系数序列。例如 \(\beta_0=0.5,\beta_1=0.3,\beta_2=0.15\) 意味着一个 \(X\) 的变化并不是一次性完成作用，而是在多个时期逐步产生影响。平台将这种"系数—时间"的关系进行可视化，使学习者能够直接观察影响发生→影响延迟→影响衰减→影响累计的动态过程。
在更进一步的模型中，不仅解释变量可以滞后，被解释变量本身也可以滞后：\(Y_t=\alpha+\rho Y_{t-1}+\beta X_t+\varepsilon_t\) 或 \(Y_t=\alpha+\rho Y_{t-1}+\beta_0X_t+\beta_1X_{t-1}+\varepsilon_t\)。这类模型能够描述一种更加典型的经济动态机制：过去的状态会影响现在，现在又会影响未来。因此动态模型实际上是在描述一个不断迭代的系统。平台通过动态演播与响应实验，让学习者理解 \(Y_{t-1}\) 的存在为什么会使模型从"静态关系"转变为"动态系统"。
动态模型的重要概念之一是乘数效应。假设 \(Y_t=\alpha+\beta_0X_t+\beta_1X_{t-1}+\beta_2X_{t-2}+\varepsilon_t\)，当 \(X\) 增加一个单位时，当期影响为 \(\beta_0\)，下一期影响为 \(\beta_1\)，第二期影响为 \(\beta_2\)，累计影响为 \(M=\beta_0+\beta_1+\beta_2\)。因此动态分析不能只看某一个回归系数，而应该进一步研究即时效应→滞后效应→累计效应，这也是平台"乘数/响应演播"模块的重要理论基础。
三、实验室设计理念：让动态计量真正"动起来"
传统计量经济学教学经常存在一个问题：模型是动态的，但学习过程却是静态的。教材给出 \(Y_t=\alpha+\beta X_t+\gamma X_{t-1}+\varepsilon_t\)，然后告诉学习者 \(\gamma\) 表示 \(X\) 对 \(Y\) 的滞后一期影响。学习者虽然能够记住这个定义，却很难形成真正的动态直觉。
平台的核心设计并不是让学习者机械地学习几个滞后变量公式，而是将“时间”本身转化为可以实验和观察的对象。通过参数拖动、滞后阶数切换、动态曲线演播和自相关诊断，学习者能够看到一个变量的变化如何从当期逐步传递到未来时期，并比较不同动态结构下模型响应的差异。在此基础上，代码引擎负责将可视化实验转化为可重复的计量计算，AI对话窗口则进一步解释参数含义、诊断模型问题并辅助理解实验结果。由此，平台形成了从“看模型”到“动模型”、从“得结果”到“懂结果”的学习过程，让原本抽象的滞后效应、自相关关系和动态乘数真正变成可观察、可操作、可验证的计量经济学知识。
滞后变量模型实验室平台采用不同的设计思路。平台把动态计量学习拆解为多个可交互实验：整个系统不是简单的"模型计算器"，而是一个完整的动态计量实验环境。学习者可以改变参数→观察数据→调整滞后→观察响应→进行诊断→运行代码→AI解释→输出报告。这意味着计量经济学中的时间结构第一次从静态公式变成了一个可以直接操作的"动态对象"。
四、2D滞后沙盒：让滞后效应变得可观察
2D滞后沙盒是平台的重要实验模块。传统的滞后变量往往通过数据表格表示，这种方式虽然准确，但学习者很难直观理解"滞后"究竟意味着什么。平台将时间维度和变量维度同时展开，在二维空间中展示 \(X_t, X_{t-1}, X_{t-2},\ldots\)，随着时间向前推进，学习者可以观察不同滞后序列之间的变化关系。
用户调整 \(p=0,1,2,3,\ldots\)，系统同步改变模型中的滞后结构。当 \(p=0\) 时 \(Y_t=\alpha+\beta_0X_t+\varepsilon_t\)，模型属于静态关系。当 \(p=2\) 时 \(Y_t=\alpha+\beta_0X_t+\beta_1X_{t-1}+\beta_2X_{t-2}+\varepsilon_t\)，学习者能够直接看到模型信息量增加之后动态结构发生了什么变化。
平台还可以观察不同滞后系数 \(\beta_0,\beta_1,\beta_2\) 的变化。例如 \((0.8,0.4,0.2)\) 表现为快速衰减型影响，而 \((0.2,0.5,0.7)\) 则表现出明显的延迟型影响。通过这种实验，可以帮助学习者理解滞后系数不仅告诉我们"有没有影响"，还告诉我们"影响什么时候发生"。滞后沙盒还支持"系数路径"叠加显示——学习者可以在同一坐标系中同时观察多组滞后系数对应的响应路径，直观比较不同滞后结构对动态传导模式的差异，为后续的乘数分析打下视觉基础。
五、乘数/响应演播：观察冲击如何穿越时间
如果说2D滞后沙盒解决的是"滞后变量是什么"，那么乘数/响应演播解决的就是一个冲击进入系统之后会发生什么。这是动态计量学习中非常重要的环节。假设 \(X_t\) 在某一期突然增加一个单位，那么模型可能产生 \(\Delta Y_t=\beta_0\)，\(\Delta Y_{t+1}=\beta_1\)，\(\Delta Y_{t+2}=\beta_2\)，\(\cdots\)。平台将这些变化按照时间顺序进行动态演播，学习者可以看到一个"冲击"从当期进入系统，然后逐期传播。
第一阶段观察即期乘数 \(m_0=\beta_0\)，即当前冲击产生的即时影响。随后观察滞后乘数 \(m_1=\beta_1\)，\(m_2=\beta_2\)，表示冲击在未来时期的影响。最终计算累计乘数 \(M_k=\sum_{i=0}^{k}\beta_i\)，学习者可以直观看到累计效应如何随着时间不断增加。这对于理解财政政策、货币政策、价格冲击、广告投入以及投资变化等现实问题非常重要。
平台通过响应曲线进一步展示冲击的动态传播路径，曲线形态可以表现为快速衰减、延迟响应、持续累积、波动响应或长期趋稳。学习者因此能够建立"动态响应函数"的直观认识。乘数演播模块还支持"冲击幅度调节"和"多期冲击叠加"——学习者可以连续施加多次冲击，观察系统在多重冲击下的累积响应路径，模拟现实中连续政策干预或持续市场变化的动态效果，使乘数分析从单次冲击扩展到完整的政策情景模拟。
六、2D自相关诊断：发现时间序列内部的记忆结构
动态模型分析不能只关注解释变量，还必须观察时间序列本身是否存在相关结构。例如 \(Y_t\) 可能与 \(Y_{t-1}\) 存在相关性，这就是自相关。平台设置"2D自相关诊断"模块，将时间序列与不同滞后期之间的相关关系进行可视化。
首先考察一阶自相关 \(\rho_1=Corr(Y_t,Y_{t-1})\)，如果 \(\rho_1>0\) 说明当前值与上一期具有正向关联，如果 \(\rho_1<0\) 则可能存在反向关系。继续观察 \(\rho_1,\rho_2,\rho_3,\ldots\) 可以帮助判断时间依赖持续多久、相关性是否快速衰减、是否存在周期结构、是否存在明显的动态记忆。如果回归残差仍然具有明显自相关 \(Corr(\varepsilon_t,\varepsilon_{t-k})\neq0\)，那么模型可能没有充分解释数据中的动态结构。
因此自相关诊断不仅是一个"画图模块"，而是动态计量模型检验的重要环节。平台通过二维交互方式把时间→滞后→相关性→模型诊断连接起来，让学习者理解为什么动态模型需要考虑时间依赖。自相关诊断模块还提供了"残差对比视图"——在同一界面中同时显示原始序列、模型拟合值和残差的自相关图，帮助学习者直观判断模型是否充分提取了数据中的动态信息，使诊断从"看一个图"升级为"比较三个图"的综合判断。
七、六大案例：从模型公式走向真实问题
为了避免动态计量模型停留在数学公式层面，平台设计了六大典型案例。
案例一：消费与收入的滞后关系。 消费不仅受到当前收入影响，还可能受到过去收入影响 \(C_t=\alpha+\beta_0Y_t+\beta_1Y_{t-1}+\beta_2Y_{t-2}+\varepsilon_t\)，学习者可以观察收入变化如何逐期影响消费。
案例二：投资与经济增长。 投资对GDP的影响往往存在时间延迟 \(GDP_t=\alpha+\beta_0I_t+\beta_1I_{t-1}+\beta_2I_{t-2}+\varepsilon_t\)，通过案例可以理解为什么经济政策效果经常不能用"当期数据"立即判断。
案例三：价格与需求。 价格变化对需求的影响可能不是即时完成 \(Q_t=\alpha+\beta_0P_t+\beta_1P_{t-1}+\varepsilon_t\)，平台可以通过调整价格冲击观察需求的动态响应。
案例四：广告投入与销售。 广告具有典型的滞后传播特征 \(Sales_t=\alpha+\beta_0Ad_t+\beta_1Ad_{t-1}+\beta_2Ad_{t-2}+\varepsilon_t\)，通过案例可以理解"广告今天投放，为什么销售可能下个月甚至更晚才体现"。
案例五：政策冲击与经济响应。 政策变量往往具有明显的动态效应 \(Y_t=\alpha+\beta X_t+\gamma Y_{t-1}+\varepsilon_t\)，政策冲击发生后经济变量不会立即达到新的均衡状态，而是经过若干时期逐渐调整，帮助学习者建立政策评估中的动态思维。
案例六：时间序列预测。 最终将滞后变量用于预测 \(Y_t=\alpha+\beta_1Y_{t-1}+\beta_2Y_{t-2}+\varepsilon_t\)，学习者可以比较不同滞后阶数下的预测效果，由此形成滞后变量→动态建模→模型估计→预测分析的完整过程。六大案例共同说明滞后变量并不是一个孤立的数学技巧，而是理解经济变量跨期传导的重要工具。
八、代码引擎：让动态计量进入Python实验
理论和可视化解决"理解"，代码则解决"验证"。平台提供代码引擎，使学习者可以将网页中的实验过程进一步转化为程序计算。
例如，一个简单的滞后变量构造可以表示为：
import pandas as pd
df["X_lag1"] = df["X"].shift(1)
df["X_lag2"] = df["X"].shift(2)
随后构造动态回归模型：
import statsmodels.api as sm
X = df[["X", "X_lag1", "X_lag2"]]
X = sm.add_constant(X)
model = sm.OLS(df["Y"], X).fit()
print(model.summary())
学习者可以进一步观察回归系数、t统计量、p值、\(R^2\)、残差、滞后系数和模型预测。这样就建立了网页实验→数学模型→Python代码→统计结果的验证链条。
代码引擎的价值不仅是提供代码，更重要的是让学习者理解网页中的每一个动态效果背后都可以转化为真实的数据计算。代码引擎还支持"代码-图形联动"——当学习者在代码窗口中修改滞后阶数并重新运行后，网页中的响应曲线同步更新，反之在网页界面调整参数时，代码窗口中的对应参数值也自动修改。这种双向联动设计使学习者能够在"点击操作"和"代码编写"两种模式之间自由切换，逐步从依赖图形界面过渡到独立编写计量程序。
九、AI对话窗口：从"得到结果"走向"理解结果"
传统计量软件最大的局限之一，是能够告诉用户 \(\beta_1=0.42\)，却不会主动回答"这个0.42到底意味着什么？"平台通过AI对话窗口进一步解决这一问题。
用户可以直接询问"为什么需要加入滞后变量？"，AI可以结合当前实验参数解释当前变量只描述即时关系、滞后变量描述跨期影响、多个滞后项能够刻画动态传播、滞后阶数过高又可能带来参数冗余。用户可以继续询问"我的模型为什么使用两个滞后期？"，AI可以从理论机制、数据频率、样本规模、自相关结构和模型复杂度等角度进行解释。
当模型产生 \(\beta_0=0.5,\beta_1=0.3,\beta_2=0.1\) 时，AI可以进一步解释当前冲击主要在当期产生影响，同时存在明显的跨期传导，第三期影响已经明显减弱，累计效应为0.9。这样学习者看到的就不再只是数字，而是一个具有经济含义的动态故事。当用户不知道应该使用静态回归、分布滞后模型、动态回归还是自回归模型时，可以直接通过AI对话进行分析。AI对话窗口的提示词中嵌入了当前实验的完整状态——包括滞后阶数、系数估计值、样本量和自相关诊断结果——使得AI的回答始终基于当前实验上下文。因此平台中的AI不是简单的"聊天机器人"，而是一个动态计量学习助手、模型解释器和实验诊断助手，帮助学习者从"会算"进一步走向"会解释"。
十、适用条件：什么时候应该使用滞后变量模型
滞后模型并不是任何数据都适合使用。因此平台特别设置"适用条件"模块，引导学习者建立正确的模型使用边界。
滞后模型首先要求数据具有时间顺序，例如月度数据、季度数据、年度数据或日度数据。如果数据完全没有时间结构，滞后变量就缺乏实际意义。并不是看到时间序列就必须加入滞后变量，应该首先回答为什么过去的 \(X\) 会影响现在的 \(Y\)，如果存在合理的经济机制，滞后变量才具有解释价值。当滞后阶数增加时 \(X_t,X_{t-1},X_{t-2},\ldots,X_{t-p}\) 模型参数也会增加，如果样本量太小就可能产生参数不稳定、多重共线性、自由度下降和过拟合，因此滞后阶数不是越大越好。
时间序列分析还需要关注平稳性。如果两个变量都具有明显趋势 \(X_t\uparrow,Y_t\uparrow\)，即使它们之间不存在真实经济关系，也可能产生很高的回归拟合度。因此在真实分析中需要根据数据特征进一步考虑平稳性、单位根、差分、协整和残差诊断。滞后关系并不自动意味着因果关系，即使 \(X_{t-1}\) 能够显著解释 \(Y_t\)，也不能仅凭这一点断言 \(X\) 对 \(Y\) 存在严格因果作用。因此平台强调动态相关≠自动因果，模型结果必须结合经济理论、识别策略和数据特征进行综合判断。平台的"适用条件"模块正是为了避免学习者形成"只要加滞后变量就能解决时间序列问题"的错误认识。
十一、数据与报告：从实验过程到成果沉淀
一个真正完整的实验平台不能只负责"展示图形"，还应该能够保存和输出实验成果。平台的数据与报告模块承担这一任务。
用户可以围绕实验进行数据准备、变量管理和结果查看。动态计量分析通常需要至少明确时间变量（确定数据顺序）、被解释变量 \(Y\)（研究对象）、核心解释变量 \(X\)（主要影响因素）、滞后变量（描述跨期影响）和样本区间（确定研究范围）。平台可以围绕实验过程记录滞后阶数、模型参数、响应参数、自相关结果、案例设置、代码实验和AI分析，保证实验过程具有可追溯性。
最终可以将数据→模型→参数→图形→检验→AI解释→结论整合成为完整实验报告。其基本结构可以概括为：实验背景→数据说明→模型设定→滞后结构→参数估计→动态响应→自相关诊断→模型解释→AI分析→实验结论。报告支持导出为Markdown、JSON或PDF格式，方便学习者在外部工具中继续编辑或与团队共享。这使平台从一个"教学演示网页"进一步成为一个可以支持学习、实验和成果整理的动态计量分析工具。报告还包含了"实验日志"——自动记录学习者在实验过程中的每一次参数调整和对应的模型变化，使教师能够评估学习者的探索深度和问题诊断能力。
十二、知识导引：建立从概念到模型的完整知识体系
知识导引模块承担整个实验室的理论导航功能。滞后变量看似简单，但背后涉及多个计量经济学知识体系：
使用滞后算子 \(LX_t=X_{t-1}\) 可以更加紧凑地表达动态模型，例如 \(Y_t=\alpha+(\beta_0+\beta_1L+\beta_2L^2)X_t+\varepsilon_t\)，这为进一步学习动态计量模型奠定数学基础。学习者随后可以理解 \(X_t\rightarrow Y_t\) 逐渐扩展为 \(X_t\rightarrow Y_t\rightarrow Y_{t+1}\rightarrow Y_{t+2}\)，最终建立动态系统思维。
知识导引最终不是为了让学习者记住更多公式，而是帮助其回答三个问题：为什么要滞后？因为现实经济行为存在调整时间。滞后意味着什么？意味着当前结果可能受到过去信息的影响。如何判断滞后结构是否合理？需要结合理论、数据、自相关、模型检验和预测表现综合判断。因此知识导引最终形成概念理解→数学表达→动态实验→统计诊断→经济解释的完整知识链条。知识导引还支持"概念回溯"功能——当学习者在实验模块中遇到陌生术语（如"乘数"或"自相关"）时，可以一键跳转到知识地图中该概念的位置，查看其定义、前置知识和后续应用，避免在实验过程中因概念断层而中断学习流。
总结：从"滞后变量"走向"动态计量实验室"
滞后变量的本质并非数据平移技巧，而是对经济传导规律的真实刻画——现实中的影响从不瞬间完成，消费依赖过去收入，投资存在延迟，价格调整逐步改变需求，政策冲击需多期才能完全释放。动态计量模型的核心议题并非“变量是否相关”，而是“关系如何随时间传播、衰减与累积”。平台正是围绕这一逻辑构建的可交互学习环境：通过理论建模建立数学基础，经2D滞后沙盒观察滞后结构与系数变化，借乘数/响应演播追踪冲击的跨期传导路径，再以2D自相关诊断揭示序列内部记忆结构，配合六大案例连接现实场景，形成从模型设定到动态解释的完整链条。
平台同时注重边界认知与成果沉淀——通过适用条件强调时间顺序、样本量、平稳性与因果解释的局限，借助代码引擎将实验转化为可复现的 Python 验证，利用AI对话窗口提供智能诊断与建模建议，并以数据与报告输出完整分析档案，最终由知识导引串联全局概念。整条学习路径清晰连贯：理论建模→滞后沙盒→乘数演播→自相关诊断→案例应用→代码验证→AI解释→条件判断→报告输出。平台最终希望传递的不再是孤立的系数符号，而是一种理解“过去如何塑造现在、现在如何影响未来”的动态计量思维方式——这正是动态模型超越静态回归的真正价值所在。
附录：分析流程与WebApp模块的适配
| 流程阶段 | 上图核心内容 | 对应的博文模块 | 模块中的具体实现 |
|---|---|---|---|
| ① 数据准备 | 时间序列对齐、滞后变量构建、数据清洗与缺失值处理 | 2D滞后沙盒 代码引擎 数据与报告 |
通过2D滞后沙盒拖动与设置滞后阶数；使用代码引擎构建滞后项；在数据与报告模块中完成时间变量对齐与数据集整理。 |
| ② 理论建模与设定 | 设定分布滞后模型(DL)、自回归分布滞后模型(ARDL)、向量自回归模型(VAR)、确定滞后阶数(AIC/BIC) | 理论建模 实验室设计理念 知识导引 |
利用理论建模模块理解从静态回归向动态系统的扩展；通过知识导引掌握滞后算子与结构设定；根据AIC/BIC指标确定最优滞后阶数。 |
| ③ 模型估计 | 参数最小二乘法(OLS)估计、广义最小二乘法(GLS)或其他方法、计算长期与短期乘数 | 理论建模 乘数/响应演播 代码引擎 |
利用代码引擎运行程序进行参数求解；在乘数/响应演播模块中即时计算并演示即期乘数、滞后乘数与累计乘数。 |
| ④ 统计与诊断检验 | 序列相关性检验(Durbin-Watson, LM)、平稳性与单位根检验(ADF)、模型异方差性检验、参数稳定性检验(CUSUM) | 2D自相关诊断 适用条件 |
在2D自相关诊断模块中观察残差与自相关图表(ACF/PACF)；利用适用条件模块对数据平稳性、样本量及自相关性进行综合诊断。 |
| ⑤ 动态响应与效应分析 | 脉冲响应函数(IRF)模拟、方差分解、累积乘数分析 | 乘数/响应演播 AI对话窗口 |
通过乘数/响应演播演示冲击在不同时期的动态传递路径；结合AI对话窗口对动态响应曲线的经济含义进行智能解读。 |
| ⑥ 实证应用与决策报告 | 样本外预测、政策模拟分析、结果解释与政策建议、自动生成报告导出(PDF/Web) | 六大案例 AI对话窗口 数据与报告 |
在六大案例模块中进行真实场景模拟与多期预测；借助AI对话窗口提炼政策启示；在数据与报告模块一键生成并导出分析报告。 |
浙公网安备 33010602011771号