我率先从Chow-Lin方法中对相关系列进行插值/外推，并利用了就业和工资季度普查(QCEW)中涵盖的总就业系列与非农就业系列之间的总运动之间的密切关系。具体来说，我是这样做的:
- 估计关系2001-2019年登记中涵盖的非农就业与总就业的对数之间的Nship。
- 利用这个关系nship用于预测NFP函数，包括样本内和样本外
- 验证NFP招聘在样本外期间预测良好。
- 解释
为了让统计上有障碍的人能够理解这个过程(例如，不知道置信区间是什么的人)，我将按步骤展示我正在做的事情。
- 升值
我采用了NFP (FRED PAYNSA系列)和2001-2022年QCEW的总覆盖就业数据(QCEW数据始于公元12年的2000年)。QCEW数据来自人口普查，因此不应受到抽样误差的影响(QCEW数据用于衡量基于CES更新调查的估计)。不幸的是，QCEW在季节性调整期间没有报告总覆盖就业人数。因此，我很欣赏记录中非季节性调整连锁店之间的关系。该数据如图1所示。
图1:非农就业人数(蓝色)，总覆盖就业人数(褐色)，单位为千人，未经季节调整。非农就业系列是FRED PAYNSA系列;所涵盖的总系列是BLS系列ENUUS00010010。美国国家经济研究局(National Bureau of Economic Research)用灰色标出了从高峰到低谷的衰退日期。资料来源:美国劳工统计局。
请注意，相关性非常高。当进行回归时(截至2019年)，统计拟合非常好，调整后的R2为0.997。
常数非常小，系数接近(但与)单位。然而，我们感兴趣的是预测，所以这一点不是一个问题。为了防止错误相关，我使用约翰森的最大似然方法测试了协整。我拒绝了10%的零协整向量(一个常数，协整向量没有方向)。
为什么要到2022年才能估计全部样本?这提供了一个类似的良好匹配。然而，使用递归残差评估结构断裂的测试表明，断裂发生在2020M07年，支持使用在疫情开始前结束的样本;如图2所示。
图2:从PAYNSA日志回归到覆盖QCEW招聘的总日志的迭代残差。在LHS量表上的P值。
- 预测
我使用2001-19年期间估计的方程来预测未经季节性调整的NFP (PAYNSA)。如图2所示。
拟合符合报告系列相当好。这是意料之中的，因为BLS字符串是使用QCEW数据更新的。
图3:非农就业报告，未经季节性调整(蓝色)，拟合(褐色)。美国国家经济研究局(National Bureau of Economic Research)用灰色标出了从高峰到低谷的衰退日期。样本周期用浅绿色表示。资料来源:BLS, NBER，作者帐户。
- 不适合样品
用于拟合模型的方程是在截至2019M12的一段时间内估计的。这意味着2020-2022M06期间是可以评估的样本外时期(因为QCEW数据结束于2022M06)。这些预测如图4所示。绿色表示采样周期。
图4:报告的非农就业，季节性未调整(蓝色)，拟合(褐色)，95%预测区间(灰色线)。美国国家经济研究局(National Bureau of Economic Research)用灰色标出了从高峰到低谷的衰退日期。样本周期用浅绿色表示。资料来源:BLS, NBER，作者帐户。
在大流行封锁期间，平均误差为50k(记住，NFP招聘目前约为153k)，最大值为1.9m，最小值为-866k，标准差为582k。
- 讨论的意义
有趣的是，在样本后时期，该模型往往不预测报告的就业情况。换句话说，如果历史相关性成立，那么隐含的NFP应该高于报告的。截至3月份，非农就业数据本应高出29.1万;截至6月，报告的非农就业人数比预期高出15.5万，因此只有在6月，我们才有一些高估的证据。虽然上述报告预测了非农就业数据，但这一数字远低于费城联邦储备银行预测的近100万。
这不是一个季节性调整的系列。为了将预测值转换为与经季节调整的常规序列(PAYEMS)一致的值，我将BLS (PAYEMS- paynsa)估计的季节成分添加到图4所示的预测值中。我在图5中显示了这个隐含的和实际的系列。
图5:报告的经季节性调整的非农就业人数(蓝色)、适当就业人数(棕色)和初始基准评估暗示的非农就业人数(浅蓝色)，单位均为000，灰色为nber定义的衰退日期。样本周期用浅绿色表示。构建这篇文章中描述的隐式规范回顾系列。资料来源:BLS, NBER，作者帐户。
经季节调整的NFP的拟合值非常接近隐含的基准修正值，使用3月份NFP数字计算——更新了QCEW和其他数据，因此这并不太令人惊讶。
我详细介绍了最新的数据，以及BLS为NFP概念(绿线)调整民事就业系列(家庭调查)的研究系列，以及费城联邦储备银行调整QCEW数据以适应NFP(红色方块)，如图6所示。
图6:报告的非农就业人数，季节性调整(蓝色)，装备(褐色)，BLS研究系列，根据NFP概念调整的平民就业人数(绿色)和费城联邦系列(红色方块)，均以千为单位，根据nber指定的高峰至低谷日期。资料来源:美国劳工统计局、费城联邦储备银行和作者帐户。
我的3月份NFP数据与美国劳工统计局(BLS)的系列数据非常接近，包括nsa和sa(因为我使用了BLS的季节性调整)。我要注意的第一点是，这是一种快速而肮脏的方法。这并不是对未修订标准系列的详尽辩护。当然，基础系列偏离轨道是有原因的。在他们的“整体”评估中，House和Pugliese/Wells Fargo强调了一个事实，即诞生/死亡模型可能提供了太多的新公司被创建，从而提高了NFP数字。但是，我使用QCEW进行跟踪，它不受这种估计误差的影响。
我的第二个观察是，费城联邦储备银行(Philadelphia Fed)系列报告显示，全国非农就业人数大幅下降，但这并不意味着其他某个方法是错误的。这可能意味着季节性调整会扭曲结果(要么是在劳工统计局方面，要么是在费城联邦储备银行方面，记住如何在工程误差和增量误差之间切换)，或者费城联邦储备银行在QCEW报价和企业调查测量误差之间标准化州/部门数据的方式。在这种情况下，时间会证明一切。我不会说忽略费城联邦系列赛;在评估报告的NFP系列的可接受性时，只需考虑其他查看数据的方法。现在，平民招聘系列的表现一直优于官方的BLS系列。这可能表明，家庭序列比机构和季度就业和工资普查提供了更好的就业信号(记住，这是一次人口普查)，但这对我来说很难理解，尤其是考虑到家庭序列中的巨大差异(见图表)。