Диссертация (1138264), страница 12

Просмтор этого файла доступен только зарегистрированным пользователям. Но у нас супер быстрая регистрация: достаточно только электронной почты!

Текст из файла (страница 12)

обрабатывающие производства;4. Реальное потребление Ct . (Очищенный от сезонности индекс). (Росстат).(2003-2012) – в ценах 2008 года; (2001-2003) – в ценах 2003 года.5. Реальные государственные расходы Gt . (Очищенный от сезонностииндекс). (Росстат). (2003-2012) – в ценах 2008 года; (2001-2003) – в ценах2003 года.706. Реальная заработная платаWt. (Очищенный от сезонности индекс).Pt(Росстат)7. Номинальный курс иностранной валюты S t . (International FinancialStatistics (МВФ)). Обратная величина индекса номинального эффективногокурса рубля.8.

Международные резервы IRt* . (International Financial Statistics (МВФ)). Измеждународных резервов было исключено монетарное золото.9. Цены на экспортируемое сырьеPX* ,t(Банк России). Индекс цен,учитывающий цены (в USD) на нефть, нефтепродукты и газ.10. Импорт в текущих ценах Pt *  YF ,t (Банк России). Из платежного балансаРФ, в млрд. USD.11. Ставка рефинансирования iref ,t (Банк России)12. Ставка по кредитам it (Банк России)13. Реальный ВВП мировой экономики Yt * (International Financial Statistics(МВФ)). Агрегат реального ВВП стран EU-27 (основного торговогопартнера РФ).14. Денежная масса (М2) M t (Банк России)Все показатели были пересчитаны в терминах процентного отклонения отдолгосрочного тренда52.

На рис. 2.1 приведена динамика наблюдаемыхпеременных.52Для международных резервов отклонение от долгосрочного тренда соотносилось с трендом квартальногоимпорта. Это было сделано для того, чтобы сгладить «эффект низкого старта»: на этапе бурного ростамеждународных резервов, который начался в 2000-х, процедура фильтрации преувеличивает процентноеотклонение резервов от долгосрочного уровня.71.6.4.08.12.10.06.08.08.04.2.02-.060204060810120406081012.10.08.06.04.02-.01-.02.00-.02-.03-.04-.040804101206081012.01.00-.01-.0206Y*081012020406C08101202.20.16.016.15.12.012.08.008.04.004.10.05.000-.05-1-.10-2-.150204060810120406IR (as share of steady state IM).010.008.00.000-.04-.004-.0802081012081012060810121012IM=P*Yf3104G4206.5.4.3.2.1.0-.1-.2-.3-.4.020404Yn.030202Ym-.0606-.0402Y.04.03.02.01.0004-.02-.1202Px*02.00-.08-.04-.4.02-.04-.02-.2.04.00.00.0.06.04-.00802M0406081012S02040608i.12.08.006.004.002.04.00.000-.002-.04-.004-.006-.0802040608i ref1012020406081012W/PРис.

2.1 Наблюдаемые переменные модели.Примечание: Все переменные приведены в процентном отклонении от отфильтрованных с помощьюфильтра Ходрика-Прескотта значений. Графики для ставок процента ( it и iref ,t ) рассчитаны какразность между фактической и отфильтрованной ставками процента.Источник: Международная финансовая статистика МВФ (IFS), Росстат, Банк России.2.2.3 Априорные распределения параметровСписок оцениваемых параметров приведен в табл. П1.Априорные распределения оцениваемых параметров выбирались такимобразом, чтобы, с одной стороны минимизировать влияние на функциюапостериорной плотности (что стимулирует использование неинформативныхаприорных распределений), с другой стороны получить максимально робастныеоценки параметров модели (что стимулирует использование информативныхаприорных распределений).

Последнее связано с тем, что в теоретической моделиимеется несколько альтернативных механизмов определения персистентности72эндогенных переменных, идентификация которых на данных затруднена53. Такимобразом, информативные априорные распределения использовались в том случае,когда это требовалось для разрешения проблемы идентификации параметров. Втабл. П6 приведены оценки модели для альтернативных наборов априорныхраспределений, иллюстрирующие описанный выше компромисс.Стандартныеотклоненияшоковимеютравномерноеаприорноераспределение, что характеризует «скудность априорных знаний» о данныхпараметрах (см. Айвазян, 2008).Используем следующее априорное распределение для коэффициентов i :бета распределение: E ( i )  0.6 ,  ( i )  0.1 , где i  b, H , M , L, AM , AN , rpCR, i* , P* ,что предполагает умеренную персистентность латентных шоков.В работе предполагаются умеренные значения коэффициента привычек впотреблении h , который имеет априорное бета распределение с E (h)  0.5 , (h)  0.2 , и коэффициентов индексации на предыдущую инфляцию, которыетакже имеют априорное бета распределение с E (  j )  0.5 ,  (  j )  0.2 , гдеj  W , M , N , F .При оценке параметров для механизма ценообразования по Кальвоиспользуется априорное бета распределение с E ( j )  0.75 ,  ( j )  0.1 .

Выбранноесреднее соответствует наиболее часто встречающемуся в литературе по бизнесциклам значению, согласно которому среднее время коррекции цены (заработнойплаты) составляет 1 год.Априорные распределения параметров реальной жесткости (издержекподстройки капитала K ,i и инвестиций I ,i , где i  M , N , X ), а также параметровфункции полезности  С ,  H и  M имеют равномерное распределение, что такжесвидетельствует о скудности априорных знаний.Для оценки доли дохода владельцев природных ресурсов в общем доходе Хсектора  X используется бета распределение E ( X )  0.9 ,  ( X )  0.05 . Данное53Подробнее о проблеме идентификации параметров при оценке DSGE-моделей см.

Iskrev (2008)73распределение призвано ограничить оценку данного параметра естественнымирамками  X  1 .Авторегрессионные коэффициенты процессов для наблюдаемых переменныхPX* ,t , Yt * и Gt при оценке модели фиксируются:  PX  0.758 ; Y *  0.864 ;  G  0.956 ,что соответствует оценкам данных коэффициентов для обычной AR(1) моделидля соответствующего ряда.Из-за скудности априорных знаний при оценке DSGE модели с правиломТэйлора используется равномерное априорное распределение коэффициентов kY ,k , k S ,  PR .2.2.4 Оценка правил монетарной политикиОсобенность оценки правила валютной политики (1.110)-(1.111) состоит втом, что данное правило оценивается с учетом изменения параметра гибкостивалютного курса k IR , произошедшего в 4 квартале 2008 года, когда Банк Россииначал контролируемую девальвацию рубля для долгосрочной стабилизацииплатежного баланса54. Для этого перепишем (1.110) в виде:St  SIR*  IR* (k IR1 (1  Dt )  k IR 2 Dt ) t  S ,t ,SPF  YF 0,1,где Dt  (2.6)Q1 : 2001  Q3 : 2008Q 4 : 2008  Q 4 : 2012(2.7) S  (0, 1) S , t   S  S , t 1   S , t(2.8)Таким образом, в период Q1:2001-Q3:2008 параметр гибкости валютногокурса составляет k IR1 , а в период Q4:2008-Q4:2012 данный параметр составляетk IR 2 .Оценка DSGE модели со структурным сдвигом параметра затруднена.Например, линеаризация правила (2.6) около стационарного состояния дает:54В работе Шульгин, Хвостова (2011) на недельных данных было продемонстрировано, что изменение параметрагибкости валютного курса можно связать с колебанием международных резервов: потеря значительной долимеждународных резервов при защите курса рубля от ослабления во второй половине 2008 г.

могло стать причинойувеличение гибкости валютного курса в конце 2008 г.74St  SIR*  IR* (k IR1 (1  D )  k IR 2 D ) t  S ,tSPF  YF(2.9)Условие (2.9) показывает, что при оценке DSGE модели, включающейуравнение (2.6) и при отсутствии априорной информации о коэффициентах k IR1 иk IR 2 ,возникает проблема идентификации данных параметров. Наилучшаястратегия оценки (2.6) состоит в оценке DSGE модели для временных интервалов(2.7) по отдельности. Однако в данном случае из-за ограниченности числанаблюденийтакоерешениеневозможно,поэтомудалееиспользуетсякомпромиссный алгоритм оценки (2.6).1.

Уравнения (2.6) и (2.8) оцениваются отдельно от остальных с помощьюметода наименьших квадратов (МНК). При этом линеаризация правила (2.6)непроизводится,и,следовательно,проблемаидентификациикоэффициентов k IR1 и k IR 2 не возникает.2. Полученные МНК оценки коэффициентов k IR1 , k IR 2 и  S используются длязадания априорных распределений данных параметров при оценке DSGEмодели.Результат МНК оценки системы (2.6) и (2.8):St  SIRt*  IR**** (0.00392(1  Dt )  0.1579 Dt )  S ,t( 0.00584 )( 0.0167 )SPFYF[ 0.672 ][ 9.455 ]*** S ,t  0.8368  S ,t 1   S , t( 0.0857 )[ 9.765 ]75R 2  0.80DW  1.79(2.10)Рис.

2.2 МНК оценка зависимости валютного курса от динамикимеждународных резервов.Примечание: значения приведены в процентных отклонениях от стационарных уровней.Источник: Банк России и расчеты автора.В круглых скобках приведены стандартные отклонения; в квадратныхскобках t-статистика оценок коэффициентов; DW - статистика Дарбина-Уотсона.Нарис.2.2показанасовместнаядинамикавалютногокурсаимеждународных резервов за 2001-2012 гг., а также линии, соответствующие МНКоценкам правила валютной политики.При оценке DSGE модели будут использоваться следующие параметрынормального априорного распределения коэффициентов:E (k IR1 )  0.00392 ,  (k IR1 )  0.1 ;E (k IR 2 )  0.1579 ,  (k IR 2 )  0.1 ;E (  S )  0.8368 ,  (  S )  0.1 .Здесь средние значения соответствуют МНК оценкам (2.10), а высокиестандартныеотклонениявносятминимальныеискажениявфункциюправдоподобия L(θ, Y) при оценке данных параметров байесовским методом.2.3Результаты оценкиНа первом этапе производится оценка модели для 4 вариантов правилмонетарной политики, из которых выбирается наилучший по критерию76максимизации оценки маржинальной плотности вероятности методом Лапласа(далее: критерий LA).

Характеристики

Список файлов диссертации