高盛发布高能预警:经济寒冬来临 快躲吧!(组图)

　　天气与就业报告

　　我们通过评估天气条件对就业的影响来得出结论。由于对于就业参考周的精确定时很重要，所以天气对就业报告的影响更加精妙。我们建立了一个关于就业与每周采暖度日数的国家模型。为了评估出每周天气观察的最佳相对权重，我们在一个预回归分析中纳入了当前月和之前月的所有周变量。我们发现参考周比其他州要重要两倍，并且如图6所示，我们利用回归系数计算出了当前及之前月份的采暖度日数的最佳概要变量。

　　图6：工资也受天气的影响

　　接下来我们在模型中添加了其他天气数据，从而看看这些数据系列是否也很重要。我们发现尽管降雪变量再次对经济及数据统计有着显著的影响，但一种叫制冷度日数的平行温度测量指数却没这么重要。我们还发现，冰雹天气对数据统计的影响很大，对经济的影响却很小。

　　国家级就业数据的丰富性使我们能够解决更多微妙的问题，而这些问题通过总计全国时间序列数据是很难给出令人信服的答案的：

　　1.天气的影响是全年存在的吗?我们发现采暖度日数标准差的影响对6到10月的单月样本的影响并不显著。

　　2.比往年暖的月份和比往年冷的月份所造成的影响一样吗?通过分离样本，我们发现更冷一度所造成的影响是更热一度的两倍。

　　3.该影响是线性的吗?我们发现一个二次元日数项在统计上的影响并不显著。尽管有无穷的方法可以用来列举临界值，但我们认为假设线性影响是合理的。

　　4.天气的影响是相反的吗?在无约束回归分析中，同时期及两个滞后的天气项中的这些系数通常加起来大致为0，这表明一个几乎完全的反弹通常发生在几个月内。

　　尽管这些结论并不一定要应用在所有的经济指标中，但我们认为它们给我们上了意义更广泛的一课。基于这些发现，我们利用采暖度日数最佳加权标准差以及根据就业参考周定时而调整的降雪指数版本，来构建了总体以及分产业的模型。图表7总结概述了这些模型评估。

　　图7：天气对工资的影响原则

　　在总计产业影响以得出这种总体影响的一个自下而上的评估时，我们只纳入了那些温度及降雪对其统计影响十分显著的产业。我们发现，偏冷月标准方差1(大约70 采暖度日数)关乎到就业增长约3万5千人的削减，而参考周期间降雪标准差1则关乎2万4到4万5的削减。再说一次，天气影响有着相似的模式，主要对建筑、旅游休闲住宿、零售及批发贸易的就业有着主要的影响。

　　在进入11月参考期的这几周，温度微变的更加适宜，这应该有助于对本月的就业产生一个小的积极影响。目前为止，商业调查中的就业部分已经被“混合”在了这些微小变化中，并且纳入在消费者信心报告中的劳动差异也有所下降。因此我们预计11月的就业增长为20万人，远不及之前6个月21.5万的均值。

　　是的，高盛的团队真的花了好几天的时间写了以上这些话。

　　列出了这近2000字无意义的废话之后，现在说点妙语：如果2014年和2015年第一季度的惨淡都归咎于寒冷的天气，那么异常温暖的天气会影响到2016年的第一季度(以及2015年的第四季度)多少点的国内生产总值呢?

　　如果美联储在发现自己几乎忽视了过去两年里自己分析得十分仔细的天气影响后，考虑到天气正在回转并且“提振”了经济，从而认为经济正在好转所以实行加息，那这会不会成为货币政策史上前所未有的先例?(双刀)

　　耶伦：怪天气咯!