近段时间，美国总统大选引起了世界各国的关注。
共和党候选人唐纳德·特朗普和民主党候选人乔·拜登将角逐总统。
两党候选人在金融贸易、经济金融治理以及防控措施等重点发展领域有着不同的立场和纲领。
不同的立场的候选人对美国甚至全世界的经济发展有着一定的影响，本文结合具体数据，定量分析不同候选人对美国经济发展的影响。
解决方案
任务/目标
根据美国各指标数据以及两位候选人的不同 政策，分析出对美国经济的影响。
数据源准备
在美国政府公开数据集上搜索数据，共 26 类， 并且用 GDP 来反映美国经济。得到数据后， 由于是时间序列数据，因此通过拉格朗日插值 法补充空值。并且，由于是美国政府公开的数 据集，因此默认异常值，即较大较小值是由实 际历史因素导致的，不作处理。
特征抽取
首先经过观察特征间的相关矩阵以及和因变量的相 关性，初步剔除 7 个与因变量相关性非常低且指标 间相关性较高的指标，使用剩余１９个自变量作为 回归分析的指标。（剔除掉的指标：’美国个人收入 中位数’,’个人所得税（最高）’,’个人所得税（最低） ‘,’商品和服务出口’,’金融资产净收购’,’劳动力市场状 况指数’,’失业率’）
Yuanchang Luo
建模
多元线性回归，一般应用与多个特征指标的回 归问题。 在多元线性回归的过程中，除了考虑模型的 AIC 最小外，还需考虑模型间自变量相互的关 系对因变量的影响，即多重共线性，通过 VIF 来剔除相关自变量。 ARIMA，一般应用在时间序列领域上。 ARIMA 模型是指将非平稳时间序列转化为平 稳时间序列，然后将结果变量做自回归（AR） 和自平移（MA）。
视频
在Python和R语言中建立EWMA，ARIMA模型预测时间序列
视频
逻辑回归Logistic模型原理和R语言分类预测冠心病风险实例
视频
时间序列分析模型 ARIMA-ARCH GARCH模型分析股票价格数据
模型优化
1.通过 VIF 准则剔除相关的自变量：
上图为 VIF 最初结果和最终结果。进一步筛选 7 个指标进行预测。
2.通过 AIC 准则选择最优模型
结合各因素的 t 检验以及模型的 AIC，通过向 前向后选择的方法，选择出最优的回归模型。
结合上图，确信此回归模型表现良好。
3.时间序列预测自变量
由于美国政府公开的数据截至到 19 年，而我 们需要 21 年 1 月份自变量的数据以次来预测 不同候选人当选对经济的影响，因此通过时间 序列对 5 个指标往后预测 5 季度的数值。
4.不同政策对特征的定量影响
结合不同候选人的政策，可以人为定性的分析 出对各特征的影响是增大还是减小，然后通过 平均 20 年的数据，算出各特征增大以及减小 的百分比均值，以此来估计影响的具体数值。 这样一来，对历史数据通过 ARIMA 模型得到 20 年的的数据，然后通过各候选人的不同政 策对指标的影响以及历史变动均值，就得到了 21 年四个季度各指标的具体数值，然后通过 多元回归所得方程，预测 21 年 4 个季度的 GDP 具体数值。
随时关注您喜欢的主题
项目结果
多元回归方程：ｙ＝ − ０．３４７８ − ０．０８５４８ｘ ２＋１．５７９ × １０ −７ ｘ １０ ＋４．６５３ × １０ −５ ｘ １４＋１．５６５ × １０ −５ ｘ１５＋１．１５６ｘ １９
结合对各指标的预测值，计算出不同候选人当 选对经济的影响：
可以看到，两位候选人的当选都会对美国经济有一定的提升，但拜登的当选无疑提升更大， 因此可以估计，拜登有更大的可能赢得此次大 选。评估效果不能只看经济影响，要综合考虑， 需要参考不同候选人的具体政策带来的影响， 以及不同党派不同群体对两位候选人的不同 态度。因此预测结果仅作为参考。
关于作者
Yuanchang Luo
在此对Yuanchang Luo对本文所作的贡献表示诚挚感谢，他在西北大学完成了应用统计硕士学位，专长数据挖掘、数据分析、机器学习等。
R语言混合模型回归GBTM群组轨迹模型绘图可视化研究
Python混合注意力机制-多变量-LSTM神经网络分析PM2.5、光伏电站、温度时间序列数据及RNN、ARIMAX、XGT、随机森林对比
Python、R循环神经网络RNN、指数平滑ETS、ARIMA模型预测网络流量、ATM机取款、旅游需求时间序列数据
