Диссертация (1138603), страница 19

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

Текст из файла (страница 19)

Эти знаки по сути представляютсобой знаки элементов функций импульсных откликов, поэтому необходимоввести некоторые априорные предположения о том, каковы они будут(разумеется,невсе,анекоторыеизних).Введениеаприорныхпредположений делается либо на основании некоторой уже существующей20В качестве примера рассмотрим случай с одним лагом в модели.114модели общего равновесия (как, напр., сделано в работе [Sanchez, 2007]),либоисходяизобщеэкономическойлогикизависимостеймеждупеременными. Кроме того, накладывание знаковых ограничений как раз ипозволяет сделать шоки идентифицируемыми, различимыми. Наглядныйпример содержится в работе Дерюгиной и др. [2015]: как шок предложения,так и шок спроса на кредиты ведут к росту кредитного агрегата, и ихневозможно было бы отделить друг от друга без дополнительногоограничения, которое накладывается на реакцию процентной ставки, котораяснижается в случае шока предложения и растет в случае шока спроса.

В этоми состоит смысл идентификации шоков с помощью знаков.Наборортогональныхматриц,которыебудутудовлетворятьограничениям на знаки откликов переменных, формируется в результатегенерирования множества матриц случайных чисел, т.е. оцениваниеосуществляется в байесовской парадигме. С точки зрения вычислений,получить такой набор матриц при их большом размере является достаточнозатруднительным, однако для обеспечения лучших свойств оценок мыполучаем 5000 удачных для нас экземпляров. Мы будем использоватьмедианное значение откликов для даного набора матриц, а границами«убедительного интервала» в нашем случае будут выступать результатымодели, наиболее удаленной от медианной (с отсечением 70% из удачныхпроб21).

Таким образом, наш «убедительный интервал» это границы,полученные на основании постериорного эмпирического распределениямоделей.15%-й и 85%-й квантили постериорного распределения. Такой подход частоиспользуется в исследованиях с использованием SR-SVAR (напр., [Enders et. al., 2011;Jääskelä, Smith, 2013; Mallick, Sousa, 2013]).21115Построение модели в форме векторной авторегрессии подразумевает,чтопотенциальноможетсуществоватьстолькоидентифицируемыхструктурных шоков, сколько переменных-векторов присутствует в нашеймодели (ведь мы не можем изменить размерность вектораtпо сравнениюс ut ). В нашей работе мы исследуем шесть переменных и четыре шока.Перейдем сперва к описанию переменных, то есть данных:1) инвестиции в основной капитал, логарифм индекса физическогообъема (INV);2) выпуск на уровне экономики (ВВП), логарифм индекса физическогообъема (GDP);3)величинакредитов,выданныхнефинансовымкорпорациямроссийским банковским сектором, в рублях, в реальном выражении за счетделения на дефлятор ВВП, в логарифмах (L_lc, local loans).

Мы не берем врасчет займы финансовых корпораций, т.к. они велики, но в очень малойстепени имеют отношение к инвестиционными проектам в реальном секторе;4) внешний долг российских нефинансовых корпораций в долларахСША, логарифмированный. Для того, чтобы сделать его также реальнойвеличиной, используем показатель инфляции в США (L_fx, foreign loans);5) реальный обменный курс рубля по отношению к корзине доллара иевро, в логарифмах. Величина считается с использованием номинальныхкурсов, инфляции в России, США и еврозоне. Мы используем прямой курс,то есть его снижение означает реальное ослабление рубля, а рост –укрепление (reer);6) цена на нефть (цена фьючерса на нефть марки Brent), в долларахСША (oil), экзогенная по отношению ко всем остальным переменным, влогарифмах.116Цена на нефть изначально является дневным индикатором ипреобразована в квартальный на основе простых средних за период.Реальный обменный курс является ежемесячной переменной и считается наоснове среднемесячных номинальных обменных курсов (после чегомесячный индекс преобразуется в квартальный).В силу того, что перечень индикаторов выбран нами на основепредположенийоканалах,покоторыминтересующиенасшокитранслируются в динамику инвестиций, в нашей модели не принимается вовнимание ряд других переменных, чье влияние может быть опосредованными трудно идентифицируемым.Источники данных – Росстат и Bloomberg.

Временные ряды сезонносглажены и фигурируют в модели в форме первых разностей.Перед тем, как перейти к разностям, мы проверили наши временныеряды на нестационарность, и она подтвердилась для всех из них, а затем накоинтеграцию. Несмотря на то, что тест Йохансена показал наличиекоинтеграции, мы все же оцениваем VAR-модель в разностях. Дело в том,что тест на единичные корни показал, что наша VAR-модель в уровняхявляется нестабильной (unstable VAR), т.е.

содержит корни за пределамиединичного круга. Нестабильность модели предполагает необходимостьоценки VECM-модели, однако мы отказались от нее по ряду причин. Вопервых, рассматриваемый нами период является достаточно коротким дажедля оценки параметров приведенной VAR из шести переменных, а VECMтребует оценки еще большего количества параметров, что может ухудшитьстатистические свойства результирующих оценок. Во-вторых, спецификароссийской экономики такова, что даже в рамках короткого периодавероятно изменение структурных взаимосвязей между макроэкономическимипеременными (завершение в конце 2000-х гг. подъема, последовавшего за117трансформационными спадом, изменение режима валютного курса БанкомРоссии), а это также может привести к несостоятельным оценкам VECMмодели (см., напр., [Ca’ Zorzi et al., 2007]). Еще один аргумент в пользуоценки модели в разностях, а не в уровнях – это то, что знаковыеограничения, налагаемые нами, в терминах разностей являются болеежесткими (то есть, например, ухудшение условий финансирования не простоведет к сокращению выпуска, а именно замедление роста заимствованийведет к замедлению роста ВВП), что нам кажется более соответствующимпоставленной задаче изучения того, какие именно факторы объяснялидинамику реального накопления.VAR-модель содержит два лага.

Критерии Акаике (AIC) и Шварца(BIC), чьи значения приведены в табл. 4.1, дали различные результаты: BICсчитает наилучшей модель с 1 лагом, в то время как AIC – модель с 2 лагами.LM-тест на отсутствие автокорреляции в модели с одним лагом ссоответствующей нулевой гипотезой дает значение p-value = 0.099, т.е.

науровне значимости 5% гипотеза не отвергается, а на уровне 10% – ужеотвергается. Чтобы избавиться от автокорреляции остатков, было приняторешение оценивать модель с двумя лагами. LM-тест для модели с двумялагами дал p-value = 0.193. Впоследствии все остатки, полученные вспецификациях модели, были проверены с помощью коррелограмм, иавтокорреляции также обнаружено не было. Однако помимо двух моделей сдвумя лагами, мы оценим и их более простые спецификации с одним лагом,они вынесены в приложение (подробнее см.

далее).Таблица 4.1. Значения критериев Акаике (AIC) и Шварца (BIC) для SVAR-моделей сразным числом лаговМодель с 1Модель с 2Модель с 3лагомлагамилагамиAIC13.6612.9213.14118BIC15.0415.4716.89Для оценки модели мы используем квартальные данные за период с 1го кв. 2003 г. по 4-й кв. 2016 г., то есть длина временного ряда составляет 56точек.Количествовариантовматрицы,удовлетворяющейзаданнымзнаковым ограничениям, то есть необходимых удачных симуляций, равно5000. Оценка была произведена с помощью IRIS Toolbox – пакета соткрытымкодомдлямакроэкономическогомоделированияипрогнозирования в среде Matlab.4.3. Структурные шоки и их идентификацияЧетыре шока, которые, по нашему мнению, содержатся и могутоказывать заметное влияние на динамику инвестиций, это:1) шок условий торговли, то есть шок цен на нефть;2) шок изменения зарубежного финансирования (доступа к глобальнымрынкамкапитала)вформеизменениявеличинывнешнегодолганефинансовых корпораций, формируется в уравнении для корпоративноговнешнего долга.

Этот шок схож по смыслу с шоком внешней премии за риск,которая меняется как в результате снижения/роста политических имакроэкономических рисков России, пересмотра рейтингов отечественныхэмитентов международными рейтинговыми агентствами, так и изменениястепени склонности международных инвесторов к риску, и которыйприводит к росту/сокращению финансирования из-за рубежа. Однакотрадиционный шок риск-премии является ценовым фактором влияния, в товремя как в случае российских реалий мы хотим расширить его за счетвключения неценовых факторов, то есть санкций, ограничивающих доступкомпаний к иностранному капиталу. Это означает, что изменение внешнихзаимствований российскими экономическими агентами происходило не119только в результате изменения его цены (риск-премии), но и в результатенеценовых факторов, в первую очередь, санкций, ограничивающих доступ кглобальным рынкам капитала;3) шок внутренних финансовых условий – формируется в уравнении дляобъема кредитования компаний со стороны российских банков.

Мынамеренно отказались от использования процентной ставки по ряду причин:во-первых, на протяжении основной части рассматриваемого нами периодаБанк России не использовал процентную ставку в качестве основнойпеременной политики, а во-вторых, неясно, какой из индикаторов корректнееиспользовать–номинальнуюилиреальнуюпроцентнуюставку.Центральный банк воздействует на номинальную процентную ставку, ареальная процентная ставка подвержена шокам инфляции, и в этом смыслепервая является более подходящей переменной. С другой стороны,использование номинального индикатора в модели, где все остальныепеременные являются реальными, тоже не совсем корректно;4)шокспросавформе государственныхинвестиционных иинфраструктурных расходов.

Характеристики

Список файлов диссертации