Диссертация (1138264), страница 15
Текст из файла (страница 15)
Табл. П3 показывает, что средние значения параметровпредпочтений выше, чем их соответствующие моды:Mode max f ( Y ) ( C ) 1.06 Mean MCMCMH ( C ) 3.03Mode max f ( Y ) ( H ) 3.20 Mean MCMCMH ( H ) 7.95Mode max f ( Y ) ( M ) 5.86 Mean MCMCMH ( M ) 9.72Это приводит к тому, что IRF на основе средних значений параметров дляпеременных Ct , M t ,Wt, становятся более персистентными, чем IRF данныхPtпеременных на основе мод параметров (см. Шульгин, 2014а).2.4Сильная эконометрическая интерпретация оцененной моделиРассмотрим возможности сильной эконометрической интерпретации поGeweke (1999) оцененной DSGE модели.
Данная интерпретация предполагает, чтомодель претендует на объяснение всех особенностей бизнес-цикла в стране,может быть использована для прогнозирования, а также дает ответы на вопрос обисточниках колебаний в экономике. Оцененная модель не соответствует сильнойинтерпретации, но при этом может быть использована в целях анализамонетарной политики Банка России. Продемонстрируем это.66Из-за нелинейности влияния параметров на IRF, средние по методу Монте-Карло IRF не совпадают с IRF,рассчитанными на основе средних значений параметров. Однако, имеющиеся между ними расхождениязначительно меньше, чем расхождения между IRF на основе средних значений (MCMCMH) и IRF на основе модпараметров.87Первый тест на адекватность импульсных откликов модель проходит – всеанализируемые эндогенные переменные имеют разумные отклики на шок цены нанефть PX ,t (рис.
2.5) и шоки монетарной политики S ,t и PR ,t (Шульгин, 2014а).2.4.1 Корреляции на реальных и имитированных данныхРассмотримспособностьоцененноймоделиобъяснятькорреляцииэндогенных переменных. Для этого рассчитаем корреляции фактических, а такжеполученных при имитационном моделировании оцененной модели переменных свыпуском и ценами на товары X-сектора. Результаты расчетов приведены в табл.2.3.Грубых ошибок модель не содержит, так как знаки корреляций для всехимитированных и исторических наблюдаемых переменных совпадают, однакомодельные корреляции реальных переменных с ценами на товары X-сектора ивыпуском оказались ниже по модулю, чем фактические.
Данная проблемавозникла из-за избыточной по сравнению с фактической персистентностипеременной потребления Ct , в DSGE модели, что не позволяет объяснитьвысокую корреляцию фактического потребления с ценами на товары X-сектора(фактическая 0.67, модельная 0.26) и выпуском (фактическая 0.9, модельная 0.54).Вслед за потреблением через канал совокупного спроса (и другие каналы модели)снижаются модельные корреляции с ценами на товары X-сектора и выпускомдругих реальных переменных.Первый способ объяснения данного феномена связан с тем, что предпосылкаоб отсутствии ограничений на оптимизацию во времени потребления домашниххозяйств, может не соответствовать действительности.
Введение в модельпредпосылки о существовании агентов, не имеющих возможности и/или желанияпроизводить межвременную оптимизацию потребления, увеличит корреляциюряда потребления с рядами выпуска и ценами на нефть, так как потреблениенеоптимизирующих домашних хозяйств определяется его текущим, а неперманентным доходом67.
Вторым возможным объяснением данного феномена67Из российских работ данная предпосылка введена в работах (Sosunov, Zamulin, 2007, Полбин, 2014).88может являться недостаточная реакция премии за риск на соотношение внешнийдолг/ВВП .
Положительная зависимость стоимости заимствования от уровнявнешней задолженности агентов позволяет избавиться от проблемы единичногокорня, но в результате потребление Ct может остаться излишне персистентнымрядом, медленно реагирующим на изменение текущего дохода и низким темпомсходимости (см. Lubik, 2007). Параметр 0.0155 , как и в работах (Dib, 2008) и(Semko, 2013) калибруется на базе статей платежного баланса и международнойинвестиционной позиции, что не позволяет подстроить модель под данные вполной мере.Оба предложенных выше способа объяснения низких корреляций реальныхпеременных с переменными текущего дохода предполагают возникновениепроблемы избыточной персистентности реальных переменных в оцененной DSGEмодели (далее проблема персистентности).
Эмпирическое подтверждениесуществования данной проблемы можно найти при сравнительном анализе DSGEи VAR моделей, оцененных на тех же данных (см. Шульгин, 2014а). IRF реальныхпеременных VAR модели затухают быстрее, чем аналогичные IRF оцененнойDSGE модели, а корни характеристического полинома VAR модели меньше помодулю, чем соответствующие корни характеристического полинома длясведенной формы DSGE модели (Шульгин, 2014а).Таблица 2.3. Фактические и модельные корреляции эндогенных переменныхКорреляция с ценами натовары X-сектораФактЦены на товары X-сектораВыпускВыпуск N-сектораВыпуск M-сектораИмпортПотреблениеГосрасходыКурс иностранной валютыМеждународные резервыДенежная масса1.000.730.690.730.830.670.29–0.640.700.62Имитац.
модел.Средние1.000.550.180.230.750.260.28–0.470.620.4689Моды1.000.560.160.260.740.210.28–0.460.630.47Корреляция с выпускомФакт0.731.000.910.830.900.900.37–0.720.810.81Имитац. модел.Средние0.551.000.750.320.450.540.18–0.570.530.09Моды0.561.000.750.360.520.560.15–0.540.530.11Ставка рефинансирования–0.300.02–0.04–0.19–0.13–0.01Ставка процента–0.51–0.15–0.22–0.43–0.19–0.06Зарубежный выпуск0.740.590.590.930.390.41Реальная зарплата0.300.310.230.590.550.52Выпуск X-сектора0.13–0.81–0.82–0.03–0.36–0.39Экспорт0.940.810.820.740.600.58Инфляция0.240.190.190.350.010.06Примечание: Средние – результат имитационного моделирования на основе средних значенийпараметров; Моды – результат имитационного моделирования на основе мод параметров.Источник: расчеты автора на базе статистики Банка России, Росстата, IFS.УтверждениеНаличие проблемы персистентности не повлияло на вывод о том, что пара правилмонетарной политики (2 rules: TR+ERR) является лучшим способом описанияповедения Банка России в рамках оцененной DSGE модели.Доказательство:1.Рассмотрим, как изменится ранжирование пар правил монетарной политикипри появлении проблемы персистентности.
Для этого выясним, какое влияние дваправила монетарной политики (1.109) и (1.110) оказывают на персистентностьреальныхпеременных,предположив,чтостохастическиепроцессыдляинструментов монетарной политики (1.112) и (1.113), никакого влияния наперсистентность реальных переменных не оказывают.2.Правило корректировки валютного курса (1.110) ограничивает колебаниявалютного курса, что увеличивает персистентность реальных переменных посравнению со стохастическим процессом для международных резервов (1.112).Правило Тэйлора (1.109) оказывает стабилизирующий эффект на реальныепеременные, что снижает персистентность реальных переменных по сравнениюсо стохастическим процессом для эмитированных облигаций (1.113).
Данныеутверждения доказываются поведением IRF реальных переменных (потребления,реальной заработной платы и выпуска) на рис. 2.5.3.Ранжирование пар (2 rules: TR+ERR) и (1 rule: TR+ARIR) не изменится, таккак, несмотря на более высокую персистентность реальных переменных, вариантс двумя правилами оказался предпочтительнее по критерию LA.904.Ранжирование пар (2 rules: TR+ERR) и (1 rule: ERR+ARRef) можетизмениться, так как правило Тэйлора снижает избыточную персистентностьреальных переменных, в результате чего модель с двумя правилами получаетпреимущество перед моделью с одним правилом.a.Оценим масштаб этого преимущества.
Модель с двумя правиламиимеет значение критерия LA на 10.3 больше, чем модель с одним правилом(1 rule: ERR+ARRef), то есть приблизительно в exp(10.3) ≈ 30000 разбольшую вероятность того, что данная модель описывает фактическиеданные.b.Появлениепроблемы персистентности приведет ктому,чтооцененные коэффициенты в правиле Тэйлора будут являться компромиссоммеждукорректнымописаниемфактическихрядовставкирефинансирования, ВВП, валютного курса и максимальным увеличениемперсистентности реальных переменных в модели. Так как оцененнаямгновенная реакция ставки процента на инфляцию (1 PR )k 0.039 иразрыв ВВП (1 PR )kY 0.034 оказались малы, то эффект, который проблемаперсистентности оказывает на оценку правила Тэйлора невелик.
Этоозначает, что и преимущество модели с правилом Тэйлора (1.109) посравнению с моделью со стохастическим процессом (1.110), полученное засчет частичного снижения персистентности реальных переменных, такженевелико.Это означает, что за счет эффекта влияния на персистентность реальныхпеременных получить такое значительное преимущество в описании данных (10.3в терминах критерия LA) невозможно, то есть ранжирование пар (2 rules:TR+ERR) и (1 rule: ERR+ARRef) при появлении проблемы персистентности неизменится.5.Аналогично п.4 доказывается то, что ранжирование пар (2 rules: TR+ERR) и(0 rules: ARIR+ARRef) не изменится.916.Таким образом, вывод о том, что модель (2 rules: TR+ERR) являетсялучшим способом описания поведения Банка России в рамках оцененной DSGEмодели, не изменяется при появлении проблемы персистентности.2.4.2 Анализ источников российского бизнес-циклаОцененная DSGE модель позволяет произвести декомпозицию эндогенныхпеременных на шоки.
В модели имеются четыре шока, определяющие экзогенныепроцессы: цен на нефть PX ,t , зарубежного спроса Y *,t , госрасходов G,t и премииза кредитный риск CR ,t ; а также 10 латентных шоков, отвечающих занеобъясненную волатильность наблюдаемых переменных.На рис. 2.6 изображена декомпозиция динамики наблюдаемых эндогенныхпеременных на шоки внутренние: b,t , H ,t , M ,t , L,t , AM ,t , AN ,t , G ,t , CR,t ; внешние:Y *,t , i*,t , PX ,t , P*,t ; политики: S ,t , PR ,t .Проблема представленной декомпозиции состоит в том, что большая частьдинамики реальных переменных отнесена на латентные шоки, в то время каккорреляция данных переменных с ценами на нефть очень велика (см. табл. 2.3).Это означает, что за счет комбинации латентных шоков дублируется действие ценна нефть на реальные переменные российской экономики, в то время каксмоделированный канал воздействия цен на нефть на реальный сектор непозволяет объяснять динамику реальных переменных.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
