根据 R 中的逐月变化计算基础效应答案

【问题标题】：Calculate base effect based on month to month changes in R根据 R 中的逐月变化计算基础效应
【发布时间】：2021-10-11 01:02:16
【问题描述】：

假设我们有一个示例数据框df，它是具有date 和MoM 列的假CPI 数据，我需要根据它们计算base_effect 和new_price_effect：

       date    MoM  base_effect  new_price_effect
0   2019-01  1.010          NA               NA
1   2019-02  1.010          NA               NA
2   2019-03  1.010          NA               NA
3   2019-04  1.010          NA               NA
4   2019-05  1.010          NA               NA
5   2019-06  1.010          NA               NA
6   2019-07  1.010          NA               NA
7   2019-08  1.010          NA               NA
8   2019-09  1.010          NA               NA
9   2019-10  1.010          NA               NA
10  2019-11  1.010          NA               NA
11  2019-12  1.010          NA               NA
12  2020-01  1.015     1.115668          1.015000
13  2020-02  1.015     1.104622          1.030225
14  2020-03  1.015     1.093685          1.045678
15  2020-04  1.015     1.082857          1.061364
16  2020-05  1.015     1.072135          1.077284
17  2020-06  1.015     1.061520          1.093443
18  2020-07  1.015     1.051010          1.109845
19  2020-08  1.015     1.040604          1.126493
20  2020-09  1.015     1.030301          1.143390
21  2020-10  1.015     1.020100          1.160541
22  2020-11  1.015     1.010000          1.177949
23  2020-12  1.015     1.000000          1.195618

或者：

structure(list(date = c("2019-1-1", "2019-2-1", "2019-3-1", "2019-4-1", 
"2019-5-1", "2019-6-1", "2019-7-1", "2019-8-1", "2019-9-1", "2019-10-1", 
"2019-11-1", "2019-12-1", "2020-1-1", "2020-2-1", "2020-3-1", 
"2020-4-1", "2020-5-1", "2020-6-1", "2020-7-1", "2020-8-1", "2020-9-1", 
"2020-10-1", "2020-11-1", "2020-12-1"), MoM = c(1.01, 1.01, 1.01, 
1.01, 1.01, 1.01, 1.01, 1.01, 1.01, 1.01, 1.01, 1.01, 1.015, 
1.015, 1.015, 1.015, 1.015, 1.015, 1.015, 1.015, 1.015, 1.015, 
1.015, 1.015)), class = "data.frame", row.names = c(NA, -24L))

base_effect的计算基于以下公式：

即：计算2020-06 的基本效果，我们使用MoM(2019-07) * MoM(2019-08) * MoM(2019-09) * MoM(2019-10) * MoM(2019-11) * MoM(2019-12) = 1.061520，对于2020-09，MoM(2019-10) * MoM(2019-11) * MoM(2019-12) = 1.030301

new_price_effect 基于：

ie：计算2020-04的新价格效应，我们使用MoM(2020-01) * MoM(2020-02) * MoM(2020-03) * MoM(2020-04) = 1.061364；对于2020-06、MoM(2020-01) * MoM(2020-02) * MoM(2020-03) * MoM(2020-04) * MoM(2020-05) * MoM(2020-06) = 1.093443等

我们可以看到，对于base_effect，上一年的December 的MoM 是固定的，而对于new_price_effect，今年的January 的MoM 是固定的。还有the base effect of for each December is always 1.00.

我如何用 R 计算它们？谢谢。

参考：

Calculate base effect based on month to month changes in Pandas

【问题讨论】：

对于 2020-09，不是 1.015 ^ 3 = 1.0456 不是 1.030301 吗？您确定 MoM 会在 2020 年从 1.01 更改吗？
base_effect 是根据上一年的MoMs 计算出来的，所以2020-09 的值是MoM(2019-10) * MoM(2019-11) * MoM(2019-12) = 1.030301，而new_price_effect 是由MoMs 计算出来的当前年份。

标签： r dplyr tidyverse

【解决方案1】：

下面的代码给出了想要的结果。它基于cumprod(MoM) 按年份分组，还有一些额外的技巧

library(tidyverse)
library(lubridate)

df = df %>%
  as_tibble() %>%
  mutate(date=as.Date(date), year=year(date), month=month(date)) %>% 
  arrange(year,month)

warning("This only works if df is complete (no missing month). If not, first tidyr::complete()")
df = df %>% mutate(MoM_prev_year=lag(MoM, 12))

df = df %>% 
  group_by(year) %>% 
  mutate(
    new_price_effect = cumprod(MoM), 
    base_effect = rev(cumprod(rev(MoM_prev_year)))/MoM_prev_year
  ) %>% 
  ungroup()

【讨论】：