employed_trend calculation

Author: spring-haru

13_random_TFP.ipynb

@@ -55,7 +55,8 @@
   {
    "cell_type": "markdown",
    "metadata": {
-    "heading_collapsed": true
+    "heading_collapsed": true,
+    "jp-MarkdownHeadingCollapsed": true
    },
    "source": [
     "## ランダム変数の役割"
@@ -704,8 +705,7 @@
   {
    "cell_type": "markdown",
    "metadata": {
-    "heading_collapsed": true,
-    "jp-MarkdownHeadingCollapsed": true
+    "heading_collapsed": true
    },
    "source": [
     "## 全要素生産性"
@@ -715,8 +715,7 @@
    "cell_type": "markdown",
    "metadata": {
     "heading_collapsed": true,
-    "hidden": true,
-    "jp-MarkdownHeadingCollapsed": true
+    "hidden": true
    },
    "source": [
     "### 説明"
@@ -791,8 +790,7 @@
    "cell_type": "markdown",
    "metadata": {
     "heading_collapsed": true,
-    "hidden": true,
-    "jp-MarkdownHeadingCollapsed": true
+    "hidden": true
    },
    "source": [
     "### 労働時間と雇用の特徴"
@@ -804,7 +802,10 @@
     "hidden": true
    },
    "source": [
-    "平均労働時間`hours`，就業者数`employed`，総労働時間`total_hours`の特徴を考えてみる。まずサイクルを計算し，それぞれの変数を図示しよう。（`employed`については対数化した就業者数のトレンドを計算しても良いが，結果は大きく変わらないため，ここでは対数を使わずに計算する。）"
+    "平均労働時間`hours`，就業者数`employed`，総労働時間`total_hours`の特徴を考えてみる。まずサイクルを計算するが、次の点に留意し計算方法が異なる。\n",
+    "* `hours`は上限があり、長期間持続的に上昇もしくは減少しない。\n",
+    "* `employed`は長期間持続的に上昇もしくは減少することは可能な変数。\n",
+    "* `total_hours`は、`hours`と`employed`の掛け算となっているため、長期間持続的に上昇もしくは減少することは可能な変数。"
    ]
   },
   {
@@ -818,11 +819,11 @@
     "df['hours_trend'] = py4macro.trend(df['hours'])\n",
     "df['hours_cycle'] = 100 * np.log( df['hours']/df['hours_trend'] )\n",
     "\n",
-    "df['employed_trend'] = py4macro.trend(df['employed'])\n",
-    "df['employed_cycle'] = 100 * np.log( df['employed']/df['employed_trend'] )\n",
+    "df['employed_trend_log'] = py4macro.trend( np.log(df['employed']) )\n",
+    "df['employed_cycle'] = 100 * ( np.log( df['employed'] ) - df['employed_trend_log'] )\n",
     "\n",
-    "df['total_hours_trend'] = py4macro.trend(df['total_hours'])\n",
-    "df['total_hours_cycle'] = 100 * np.log( df['total_hours']/df['total_hours_trend'] )"
+    "df['total_hours_trend_log'] = py4macro.trend( np.log(df['total_hours']) )\n",
+    "df['total_hours_cycle'] = 100 * ( np.log( df['total_hours'] ) - df['total_hours_trend_log'] )"
    ]
   },
   {
@@ -834,17 +835,6 @@
     "最初に，平均労働時間を考えよう。"
    ]
   },
-  {
-   "cell_type": "code",
-   "execution_count": null,
-   "metadata": {
-    "hidden": true
-   },
-   "outputs": [],
-   "source": [
-    "py4macro.data('jpn-q',description=True)"
-   ]
-  },
   {
    "cell_type": "code",
    "execution_count": null,
@@ -874,7 +864,8 @@
    },
    "outputs": [],
    "source": [
-    "df.plot(y=['employed','employed_trend'])\n",
+    "ax_ = df.plot(y='employed')\n",
+    "np.exp( df['employed_trend_log'] ).plot(ax=ax_)\n",
     "pass"
    ]
   },
@@ -884,7 +875,13 @@
     "hidden": true
    },
    "source": [
-    "一方，雇用者数は増加傾向にある。女性の労働市場参加率の増加や，雇用形態の変化（非正規など）の影響と考えられる。上の２つの変化を反映したのが総労働時間の変化である。"
+    "```{admonition} コードの説明\n",
+    "`df['employed_trend_log']`は、トレンドを対数化した値となる。指数化し元の数値に戻すために`np.exp()`を使っている。また、`np.exp(df['employed_trend'])`は`Series`を返すことになり、そのメソッド`plot()`を使って図示している。\n",
+    "```\n",
+    "\n",
+    "一方，雇用者数は増加傾向にある。女性の労働市場参加率の増加や，雇用形態の変化（非正規など）の影響と考えられる。\n",
+    "\n",
+    "上の２つの変化を反映したのが総労働時間の変化である。"
    ]
   },
   {
@@ -895,7 +892,8 @@
    },
    "outputs": [],
    "source": [
-    "df.plot(y=['total_hours','total_hours_trend'])\n",
+    "ax_ = df.plot(y='total_hours')\n",
+    "np.exp( df['total_hours_trend_log'] ).plot(ax=ax_)\n",
     "pass"
    ]
   },

18_ADAS-2.ipynb

@@ -1463,7 +1463,8 @@
   {
    "cell_type": "markdown",
    "metadata": {
-    "heading_collapsed": true
+    "heading_collapsed": true,
+    "jp-MarkdownHeadingCollapsed": true
    },
    "source": [
     "### 予測誤差"
@@ -1573,7 +1574,9 @@
   },
   {
    "cell_type": "markdown",
-   "metadata": {},
+   "metadata": {
+    "jp-MarkdownHeadingCollapsed": true
+   },
    "source": [
     "### GDPの％乖離"
    ]