Диссертация (1138264), страница 14

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

Текст из файла (страница 14)

‘Random walk PX , t ’ – априорные распределения выбраны аналогично Basepriors, но авторегрессионный коэффициент  PX  1 , что предполагает81непредсказуемые колебания цен на нефть, которые следуют процессуслучайного блуждания60.Данный анализ преследует несколько целей: во-первых, будут полученыоценки параметров для различных модификаций модели, что позволяетпроанализировать робастность оценок к изменению предпосылок; во-вторых,анализируется адекватность альтернативных вариантов оценки модели.Результаты оценки параметров модели приведены в Приложении Г.Варианты 1-4 демонстрируют близкие оценки параметров, в то время как оценкиварианта 5 довольно сильно расходятся с первыми четырьмя.Оценка варианта модели Random walk PX , t приводит к значительнымискажениям в оценках параметров модели: в несколько раз по сравнению сдругими вариантами возрастают стандартные отклонения шоков  b,H ,M , а такжеоценки параметров функции полезности  C ,H ,M .

Данные изменения в оценкахпараметров происходят из-за того, что появляется необходимость компенсироватьпреувеличенное влияние шоков цен на нефть  PX , t на переменные модели. Вработе Шульгин (2014а) рассчитаны функции импульсного отклика эндогенныхпеременных на шок цен на нефть. Вариант Random walk PX , t имеет самыеперсистентныефункцииимпульсногооткликадлявсехизображенныхэндогенных переменных, которые сильно расходятся как с остальнымивариантами оценки DSGE модели, так и с IRF для VAR моделей. Для другихшоков такого расхождения нет, но, в итоге, шок цен на нефть имеетпреувеличенное значение при объяснении эндогенных переменных, поэтомудалее вариант Random walk PX , t не является основным, и предполагается, чтоцены на нефть следуют стационарному процессу авторегрессии первого порядкаВарианту со случайным блужданием цен на нефть уделено особое вниманиепотому, что ряд исследований рынка нефти доказывают наличие единичногокорня в динамике цен на нефть (см., например, Maslyuk, Smyth, 2008, Pindyck,60Наличие единичного корня приводит к существованию стохастического стационарного состояния модели.Данное усложнение в расчетах игнорируется, и линеаризация модели проводится около стационарной точки, вкоторойPX*  1 .821999).

Однако на коротком интервале 2001-2012, после процедуры фильтраХодрика-Прескотта мощность теста на наличие случайного корня очень низка,что может привести к неадекватной оценке DSGE модели, основанной напотенциально ложной предпосылке наличия единичного корня в динамике цен нанефть. Отметим, что введение предпосылки AR(1) процесса для цен на нефтьявляется довольно стандартной практикой (см. Lama, Medina, 2012, Leduc, Sill,2004).IRFдлявариантаInvestmentsadjustmentcostsобладаютбольшейперсистентностью, чем IRF остальных вариантов, основанных на функциииздержек подстройки капитала, что снижает качество описания данных.Рассматриваемая DSGE модель содержит достаточное количество элементов,объясняющих имеющуюся в данных персистентность, поэтому функция издержекподстройки капитала является более подходящим инструментом заданияреальной жесткости, чем функция издержек подстройки инвестиций61.Увеличениеаприорныхсреднихзначенийавторегрессионныхкоэффициентов шоков с 0.6 до 0.85 в варианте High persistence приводит кувеличениюсреднейраспределении смодыданных0.61 до 0.73.коэффициентовЭто означает,вапостериорномчто моды большинстваавторегрессионных коэффициентов искусственным образом смещены за счетвысоких априорных средних значений.

В результате оценка интегральнойфункции апостериорной плотности ухудшается, что справедливо свидетельствуето том, что данное изменение снижает качество описания данных.Вариант оценки модели No indexation отличается от Base priors , преждевсего, оценками мод параметров функции полезности:  С , увеличивается в 2 разас  С  1.062 до  С  2.123 , а  M , увеличивается на 50% с  M  5.86 до  M  8.95 .Также на 10% увеличивается среднее геометрическое мод стандартныхотклонений шоков с 0.0302 до 0.0334. У варианта No indexation повышаетсяперсистентность IRF потребления и инвестиций, что соответствует более61В рамках оценки рассматриваемой модели нельзя сделать окончательный вывод о том, какая модель реальнойжесткости лучше описывает российские данные. Выводы данного исследования основаны на данных, в которые невключены переменные инвестиций и капитала, содержащие максимум информации о данном вопросе.83высокому значению  С , но снижается персистентность IRF других переменных(например, St , IRt* ) за счет отсутствия эффекта индексации.Из-за трудностей сравнения двух данных вариантов по каким-либообъективным критериям, сохраним данный эффект в модели при дальнейшихвычислениях62.2.3.3 Оценка средних значений и доверительных интервалов параметровмодели с помощью алгоритма Метрополиса-ХастингсаАлгоритм Метрополиса-Хастингса в рамках метода цепи Маркова с МонтеКарло итерациями (Markov Chain Monte-Carlo Metropolis Hastings – далееMCMCMH алгоритм) – это алгоритм, позволяющий генерировать конечнуювыборку для параметров модели из апостериорного распределения с функциейплотности f ( θ Y ) 63.Для модели с двумя правилами 2 rules: TR+ERR с базовым наборомаприорных распределений Base priors рассчитываются 2 цепи MCMCMHалгоритма (для анализа сходимости) по 1000000 итераций каждая.Результаты расчетов приведены в табл.

П3 64.Все оцениваемые параметры модели имеют разумные, интерпретируемыезначения. От  M  0.567 до W  0.869 оценены средние значения вероятностииндексации цены (заработной платы). От  N  0.407 до  F  0.567 оцениваетсястепень индексации на предыдущую инфляцию. Параметры функции издержекподстройки капитала находятся в пределах от KX  21.36 до KN  83.21 . Среднеезначение эластичности производственной функции сектора X по природнымресурсам составляет величину X  0.927 .62При оценке данной величиныСитуация с эффектом индексации аналогична ситуации с моделями реальной жесткости: данное исследованиене проливает свет на вопрос о наличии или отсутствии данного эффекта в данных, так как в списке наблюдаемыхпеременных отсутствуют индексы цен отраслей (или значения инфляции данных индексов), которые содержатмаксимум информации о процессе ценообразования.63Подробнее см. Gamerman (1999)64Диагностика полученного решения приведена в работе Шульгин (2014a): статистики Брукса и Гелмана (Brooks,Gelman, 1998) демонстрирует неплохую сходимость двух цепей MCMCMH алгоритма, но при этом модыполученных распределений параметров, не сходятся к модам, рассчитанным при максимизации функцииапостериорной плотности.

Данное свойство является следствием слабой совместной идентификации параметров(Iskrev, 2008, Шульгин, 2014).84использовалось ограничивающее априорное распределение со средним значением0.9, поэтому данная оценка делает сектор X близким по своим свойствам ксектору, создающему чистую ренту для владельцев природных ресурсов (как вSosunov, Zamulin, 2007, Konorev, 2011). Однако дальнейший анализ показывает,что высокое значение  X свидетельствует о том, что в рамках модели выгодноиметь как можно более полную компенсацию влияния шоков цен на нефть  PX ,t нареальную часть экономики России. Поэтому полученные оценки параметра  X непроливают свет на свойства производственной функции сектора X.Среднее значение коэффициента, характеризующего степень гибкостивалютного курса в правиле ERR k IR , оценено на более высоком уровне, посравнению с его оценкой методом МНК для обоих временных промежутков (см.рис.

2.4):k IR1 OLS  0.004  k IR1 DSGE  0.100Q1 : 2001  Q3 : 2008k IR 2 OLS  0.158  k IR 2 DSGE  0.211Q 4 : 2008  Q 4 : 2012 .Рис. 2.4 Фактические и оцененные с помощью МНК и DSGE зависимостивалютного курса от динамики международных резервовПримечание: значения приведены в процентных отклонениях от стационарных уровней.Источник: Банк России и расчеты автора.85Оценка DSGE модели показывает, что курсообразование в России болеегибкое, чем можно было бы заключить только на основе данных о валютномкурсе и международных резервах. Полученные оценки коэффициентов k IR1 и k IR 2 ,не содержат новой информации о структурном сдвиге параметра гибкостивалютногокурсапосравнениюсаприорнойинформациейоданныхкоэффициентах, полученной при МНК оценке правила (2.10) 65.На рис.

2.4 приведены линии, соответствующие оцененному правилу ERRметодом МНК и при байесовской оценке DSGE модели.ВыпускРеальная зарплатаПотребление0.0350.0140.0120.030.0120.010.0250.010.0080.020.0080.0150.0060.010.0040.0050.00200.0060.0040.0020014710 13 16 19114771013 16 191Международные резервыКурс иностранной валюты04471013 16 19Ставка рефинансирования0.250.00150.20.0010.150.000510 13 16 19-0.005-0.01-0.0150.10-0.0210.054710 13 16 19-0.0005-0.0250-0.031 3 5 7 9 11 13 15 17 19-0.001Рис. 2.5 Функции импульсного отклика на шок цен на товары X-сектора  PX ,t длямодели с двумя правилами 2 rules: TR+ERR.Примечание: значения приведены в процентных отклонениях от стационарных уровней.65DSGE оценки параметров k IR1 и k IR 2 показывают лишь то, каким образом при используемых априорныхраспределениях, достигается среднее значение параметра гибкости валютного курса в (2.9):(k IR1  (1  D )  k IR 2  D ) .86На рис.

2.5 показаны рассчитанные функции импульсного отклика (IRF)основных эндогенных переменных на шоки цен на нефть  PX ,t . Данные МСМСМНалгоритма позволяют рассчитать IRF методом Монте-Карло: значения IRFрассчитываютсядляразличныхкомбинацийпараметров,взятыхизапостериорного распределения MCMCMH алгоритма. На рис. 2.5 приведенысредние значения IRF (сплошная линия), а также границы доверительного 90%ного интервала (штриховые линии). Для сравнения в Шульгин (2014а) рассчитаныIRF для оцениваемой модели, параметры которой установлены на уровне мод,максимизирующих f ( θ Y ) , а также на уровне средних значений апостериорногораспределения66.

Характеристики

Список файлов диссертации