New In 
Локальные проекции для функций импульсного отклика
С помощью функций импульс-реакция можно выяснить, как шок одной переменной влияет на другие переменные с течением времени. С помощью локальных проекций вы можете оценить функции импульс-реакция напрямую, используя многошаговые регрессии. Используйте новую команду lpirf для оценки локальных проекций, а также для построения графиков или таблиц с помощью пакета irf.
Давайте посмотрим, как это работает
У нас есть ежеквартальные данные по инфляции, разрыву выпуска и ставке по федеральным фондам.
Мы начинаем с оценки функции импульсного отклика одномерной модели разрыва выпуска.
Каждый коэффициент представляет собой реакцию на импульс (шок), воздействующий на разрыв выпуска на определенное количество периодов вперед. В момент удара эффект от шока составляет одну единицу. Через один период (F1.ogap) разрыв выпуска еще больше увеличивается до 1,29. Затем во втором периоде он достигает пика в 1,44. Через восемь периодов после шока реакция падает до 0,70.
Более интересные модели возникают при наличии нескольких переменных, и в этом случае мы можем оценить влияние шока одной переменной на другую. Мы комбинируем команду lpirf с набором команд irf, чтобы оценить, а затем построить график ортогонализированных функций импульсного отклика.
. quietly lpirf inflation ogap fedfunds, lags(1/12) step(24) . irf set myirfs.irf, replace . irf create model1 . irf graph oirf, yline(0)
В первой строке показана реакция на шок ставки по федеральным фондам, во второй — на шок инфляции, а в последней — на шок разрыва выпуска. Неожиданное повышение процентных ставок приводит к падению инфляции и выпуска в течение последующих кварталов, причем реакция инфляции достигает минимума примерно через 12 шагов (3 года) после импульса, а реакция выпуска — через 8 шагов (2 года) после импульса. Инфляционный шок толкает инфляцию и выпуск в противоположных направлениях, и процентная ставка в ответ слабо повышается. Шок выпуска приводит к росту инфляции и процентной ставки.
Давайте посмотрим, как это работает снова.
В данном примере у нас есть ежемесячный набор данных по логарифму индекса промышленного производства, логарифму индекса потребительских цен и показателю экзогенных монетарных шоков из Romer and Romer (2004) и обновленного в Wieland and Yang (2020).
Нас интересует реакция промышленного производства и инфляции на монетарный шок. Мы рассматриваем промышленное производство и инфляцию как эндогенные факторы, а монетарный шок — как экзогенный. Мы используем две модели: модель локальной проекции и модель векторной авторегрессии (VAR).
. irf set comparemodels.irf, replace . quietly lpirf indpro inflation, lags(1/12) exog(L(0/12).money_shock) . irf create lpmodel . quietly var indpro inflation, lags(1/12) exog(L(0/12).money_shock) . irf create varmodel . irf graph dm, impulse(money_shock) irf(lpmodel varmodel)
Динамические мультипликаторы, полученные с помощью моделей локальной проекции и VAR, представляют собой
В верхней строке показаны результаты локально-проекционной модели. В нижней строке показаны результаты VAR-модели, в которой денежный шок рассматривается как экзогенный.
И локальная проекция, и VAR-модель показывают небольшой рост уровня цен после монетарного шока, который достигает максимума примерно через 24 месяца после шока и затем снижается. Обе модели показывают, что промышленное производство падает после денежного шока, причем впадина наблюдается примерно через 24 месяца после шока. ИРФ локальных прогнозов и ИРФ моделей VAR дают схожие результаты на коротких горизонтах, но начинают расходиться на более длинных горизонтах. Локальные прогнозы обеспечивают большую гибкость долгосрочных реакций, поскольку оценивают их напрямую. Кроме того, локальные прогнозы гораздо быстрее вычисляются.
Ссылки
Ромер, К. Д., и Д. Х. Ромер. 2004. Новая мера монетарных шоков: Derivation and implications. Американский экономический обзор 94: 1055-1084.
Wieland, J. F., and M. Yang. 2020. Финансовое демпфирование. Journal of Money, Credit, and Banking 52: 79-113.