Novinky ve

Bayesovská analýza IRF a FEVD

K popisu výsledků vícerozměrných modelů časových řad, jako jsou modely VAR a DSGE, se běžně používají funkce impulzní odezvy (IRF), dynamické multiplikační funkce a rozklady rozptylu prognózy a chyby (FEVD). Tyto modely mohou mít mnoho parametrů, jejichž interpretace může být obtížná. IRF a další funkce spojují vliv více parametrů do jednoho souhrnu (za časové období). IRF například měří vliv šoku (změny) v jedné proměnné, jako je míra inflace, na danou výslednou proměnnou, jako je míra nezaměstnanosti.

V programu Stata 17 můžete provádět bayesovskou analýzu IRF pomocí nového příkazu bayesirf.

Bayesovské IRF (a další funkce) se počítají z „přesného“ posteriorního rozdělení IRF, které se nespoléhá na předpoklad asymptotické normality. Mohou také poskytovat stabilnější odhady pro malé soubory dat, protože zahrnují předběžné informace o parametrech modelu.

IRF a další funkce můžete získat po fitování bayesovského VAR modelu pomocí bayes: var. A bayesovské IRF můžete získat po fitování bayesovských lineárních a nelineárních DSGE modelů pomocí bayes: dsge a bayes: dsgenl.

bayesirf poskytuje několik dílčích příkazů pro vytváření, vykreslování grafů a tabelování IRF a souvisejících funkcí. Můžete vytvořit více výsledků IRF a kombinovat je v tabulkách a grafech. Můžete dokonce zahrnout výsledky IRF z klasické frekvenční analýzy pro srovnání.

Nejdůležitější informace

  • Funkce impulzní odezvy
  • Dynamické multiplikátory
  • Rozklady rozptylu předpovědi a chyby
  • Vytváření grafů a tabulek funkcí a jejich ukládání do aktuálních dat
  • Zadejte horizont předpovědi
  • Posteriorní průměry nebo mediány funkcí
  • Posteriorní směrodatné odchylky
  • Posteriorní věrohodné intervaly
  • Vytváření a kombinování více výsledků IRF

Podívejme se, jak to funguje

V Bayesovských modelech VAR jsme ukázali základní Bayesovskou analýzu IRF s použitím makrodat USA, což jsou čtvrtletní údaje od prvního čtvrtletí roku 1954 do čtvrtého čtvrtletí roku 2010. Zde si ukážeme další příklady bayesovské IRF a FEVD analýzy.

Chceme studovat vztahy mezi inflací, mezerou výstupu a sazbou federálních fondů. Zejména nás zajímá vliv sazby federálních fondů na ostatní výsledky v modelu.

Zde jsou data.

. webuse usmacro
(Federal Reserve Economic Data - St. Louis Fed)

. tsset

Time variable: date, 1954q3 to 2010q4
        Delta: 1 quarter

. tsline inflation ogap fedfunds

Použili jsme bayesovský VAR model se třemi zpožděními. Výstup z něj zde potlačíme, ale více informací o příkazu si můžete přečíst v části Bayesian VAR model.

. quietly bayes, rseed(17) saving(bvarsim): var inflation ogap fedfunds, lags(1/3)

Nový příkaz bayesirf poskytuje několik dílčích příkazů pro bayesovskou analýzu IRF a FEVD. Tři hlavní jsou bayesirf create, bayesirf graph, a bayesirf table. bayesirf create vypočítá IRF a další funkce a uloží je do datové sady IRF, bayesirf graph je vykreslí a bayesirf table je zobrazí v tabulce. Další dílčí příkazy umožňují kombinovat grafy a tabulky více funkcí a spravovat výsledky IRF; viz [BAYES] bayesirf.

V klasické analýze je IRF (a další funkce) jedinou funkcí pro dané proměnné odezvy a impulsu. V bayesovské analýze získáme celý MCMC vzorek IRF simulovaný z posteriorního rozdělení. Tento vzorek je shrnut tak, aby vznikla jediná statistika, například posteriorní střední IRF nebo posteriorní medián IRF.

Začneme vytvořením IRF a dalších funkcí. Naše výsledky IRF pojmenujeme jako birf a uložíme je do datové sady Stata birfex.irf.

. bayesirf create birf, set(birfex)
(file birfex.irf created)
(file birfex.irf now active)
(file birfex.irf updated)

Dále vykreslíme IRF s fedfunds jako impulsní proměnnou.

. bayesirf graph irf, impulse(fedfunds)

Šok na sazbu federálních fondů má sám o sobě pozitivní vliv, který se v čase snižuje, ale po osmi čtvrtletích je stále pozitivní. Šok ze sazby federálních fondů má malý vliv na mezeru výstupu a malý pozitivní vliv na inflaci, který po dvou čtvrtletích mizí.

Výsledky si můžeme prohlédnout v tabulce.

. bayesirf table irf, response(ogap) impulse(fedfunds)

Results from birf

(1) (1) (1)
Step irf Lower Upper
0 0 0 0
1 .018505 -.062511 .10086
2 -.013814 -.141146 .116743
3 -.038081 -.193427 .117507
4 -.060205 -.238349 .118354
5 -.078581 -.275435 .120713
6 -.093737 -.307345 .126362
7 -.105821 -.328061 .126226
8 -.115108 -.344162 .127231
Posterior means reported. 95% equal-tailed credible lower and upper bounds reported. (1) irfname = birf, impulse = fedfunds, and response = ogap.

Účinky šoku můžeme sledovat v delším časovém horizontu zadáním více časových období v parametru step() příkazu bayesirf create. Nahradíme aktuální výsledky a navíc uložíme vzorek IRF MCMC do souboru birfsim.dta.. (Výsledky IRF MCMC potřebujeme, pokud chceme vypočítat jiné věrohodné intervaly než výchozí 95% intervaly s rovným chvostem pomocí dílčích příkazů bayesirf, což si ukážeme později).

. bayesirf create birf, set(birfex) step(25) mcmcsaving(birfsim) replace
(file birfex.irf now active)
file birfsim.dta saved.
(file birfex.irf updated)

. bayesirf graph irf, impulse(fedfunds)

Přidání dalších časových období nám umožňuje dále zkoumat dynamiku sazby federálních fondů. Šok na sazbu federálních fondů má sám o sobě pozitivní vliv po dobu prvních 14 čtvrtletí. V předchozím příkladu s kratším horizontem jsme tento efekt nemohli pozorovat. Naše závěry o vlivu sazby federálních fondů na ostatní proměnné zůstávají stejné.

Můžeme se podívat na další funkce a vykreslit je vedle sebe pomocí bayesirf cgraph. Vykreslíme ortogonální IRF a FEVD.

. bayesirf cgraph (birf fedfunds fedfunds oirf) (birf fedfunds fedfunds fevd)

Ortogonální IRF (OIRF) popisují impulzní odezvu na šok o jedné standardní odchylce. FEVD měří podíl rozptylu chyby, který je vysvětlen šokem sazby federálních fondů. OIRF podporují naše předchozí závěry založené na IRF. FEVD ukazuje, že šok fedfunds převažuje v prvním kroku, ale pak se v průběhu času snižuje.

Více výsledků můžeme také zobrazit v tabulce pomocí bayesirf ctable. Pro stručnost uvádíme pouze první tři kroky.

. bayesirf ctable (birf fedfunds fedfunds oirf) (birf fedfunds fedfunds fevd), step(3)

(1) (1) (1)
Step oirf Lower Upper
0 .793208 .72369 .870942
1 .781637 .686623 .886267
2 .713651 .594886 .848175
3 .652003 .518588 .808557
(1) (1) (1)
Step fevd Lower Upper
0 0 0 0
1 .825878 .731612 .909342
2 .765772 .661851 .86463
3 .709687 .593096 .823202
Posterior means reported. 95% equal-tailed credible lower and upper bounds reported. (1) irfname = birf, impulse = fedfunds, and response = fedfunds.

Místo výchozích posteriorních průměrů a rovnoměrných věrohodných intervalů můžeme uvádět posteriorní mediány a HPD věrohodné intervaly. (Můžeme to udělat, protože jsme již dříve uložili výsledky IRF MCMC pomocí bayesirf create.)

. bayesirf ctable (birf fedfunds fedfunds oirf) (birf fedfunds fedfunds fevd), step(3) median hpd

(1) (1) (1)
Step oirf Lower Upper
0 .79167 .720032 .86681
1 .780219 .686243 .884995
2 .7111 .590842 .842952
3 .648349 .512718 .799466
(1) (1) (1)
Step fevd Lower Upper
0 0 0 0
1 .827376 .737115 .913222
2 .766713 .664094 .865899
3 .710221 .593963 .823788
Posterior medians reported. 95% HPD credible lower and upper bounds reported. (1) irfname = birf, impulse = fedfunds, and response = fedfunds.

Pomocí volby clevel() můžete také změnit výchozí 95% hladinu věrohodnosti.

Po analýze odstraníme soubory vytvořené pomocí bayes: var a bayesirf create, pokud je již nepotřebujeme.

. erase bvarsim.dta
. erase birfsim.dta
. erase birfex.irf