从预测中识别新闻冲击

从预测中识别新闻冲击 乔纳森·J·亚当斯，菲利普·巴雷特 WP / 23 / 208 基金组织工作文件中表达的观点是作者的观点，不一定代表基金组织、其执行董事会或基金组织管理层的观点。 2023SEP IMF工作文件 西半球部 从Jonathan J. Adams和Philip Barrett编写的预测中识别新 闻冲击 授权由Nigel Chalk分发2023年9月 货币基金组织工作文件描述了作者正在进行的研究，并发表了这些论文，以引起评论并鼓励辩论。基金组织工作文件中表达的观点是作者的观点，不一定代表基金组织、其执行董事会或基金组织管理层的观点。 摘要：我们提出了一种方法来识别结构性VAR中宏观经济冲击的预期成分。我们在VAR中包括了关于每个时间序列的经验预测。这引入了足够的线性限制来识别每个结构性冲击，并将每个结构性冲击进一步分解为“新闻”和“意外”冲击。我们使用SPF、CBO、美联储和资产价格的预测数据估计美国时间序列的VAR。我们发现的意外财政刺激和利率冲击具有与现有证据相符的典型影响。在我们的新闻惊喜分解中，我们发现新闻驱动了美国商业周期波动的四分之一左右。新闻解释说，与货币政策冲击相比，财政冲击造成的差异份额更大。最后，我们使用冲击的新闻结构来估计反事实政策规则，并比较财政和货币政策调节产出和通货膨胀的能力。我们发现，协调的财政和货币政策比任何一种工具都要有效得多。 1Introduction 预期的宏观经济冲击的影响不同于意外的冲击。在一般情况下，是否有可能将新闻的影响与意外隔离开来？估计这些不同的影响对于得出结论至关重要，尤其是在政策有效性方面。在本文中，我们介绍了一种通用方法来分别识别宏观经济冲击的预期和非预期成分。 我们的策略是在向量自回归（VAR）中包含有关宏观经济时间序列的预测数据。预测之所以有价值，是因为它们揭示了有关未来的信息，而这些信息并不是仅靠宏观经济时间序列所揭示的。我们修改了由一系列结构性冲击驱动的标准结构性VAR（SVAR），假设每个冲击都有一个预期的组成部分- “新闻” -和一个意外的组成部分。 - “惊喜”。此数据生成过程与一大类标准宏观经济模型一致。我们从交叉方程限制中识别出冲击，这些限制强加了预测与VAR预测的一致性。我们证明，在相对较弱的条件下，在VAR中添加关于每个时间序列的预测可识别每一个结构性冲击。 我们的方法不仅可用于将新闻与惊喜隔离开来：它是一种识别的方法结构性冲击本身。结构性VAR通常假设冲击是相互正交的，以便从观察到的时间序列中的减少形式创新中识别它们。如果它们的新闻和惊喜成分也相互正交，那么我们的方法识别整套of structural sharps,including their news and surprising components. Thus our method is an alternative to the large varietyof other strategies for identify the full set of structural shards in VAR.1 我们通过估计美国时间序列的VAR来应用我们的方法。我们采用预测数据从专业预测调查（SPF），美联储的绿皮书预测，并从资产价格构建一些预期。在我们的VAR中，我们估计了各种类似于众所周知的对象的结构性冲击，包括对财政和货币政策的冲击。我们估计的冲击具有现实的意外影响，包括与文献中其他估计相符的财政乘数，货币政策冲击的定量现实影响，类似于高频识别的指令所隐含的影响。 1一种经典的方法是对一个时期内冲击的因果顺序进行假设，并将Cholesy分解应用于方差矩阵（Sims，1980）。其他线性限制可以通过对长期效应的假设（Shapiro和Watso，1988），对冲击迹象的限制（Uhlig，2005）或对短期效应的幅度的外部证据（Blachard和Perotti，2002）来识别结构冲击。最近，人们的注意力一直集中在使用高阶矩和异方差来识别结构冲击的集合 上。具有动态异方差性的示例包括Setaa和Fioretii（2001），Rigobo（2003），Lae等人。（2010）和刘易斯（2021）。L é tepohl和Nettra Sajev (2017)进一步回顾了这篇文献。其他论文更普遍地依赖于非高斯性，包括Hyv - arie等人。(2010)和Gori 'erox等人。(2017)。 至关重要的是，我们可以将每个冲击分解为新闻和意外成分。例如，我们发现财政冲击对产出的影响在很大程度上是可以预期的，新闻成分意味着比意外成分大得多的政府支出乘数，这与Ramey（2011）的发现相呼应。相比之下，货币政策冲击的影响大多是意外。 通过确定所有冲击的新闻和意外成分，我们可以计算方差分解，使我们能够对预期和非预期冲击在宏观经济波动中的作用做出一般性陈述。我们发现新闻在解释商业周期方面的作用不大：四分之一的产出波动是由于新闻冲击造成的。这与大量文献的发现相呼应，这些文献研究了新闻冲击与宏观经济的相关性。这些论文中的许多都集中在有关技术的新闻上。2但是我们加入了一个相当大的团体研究关于政策冲击的新闻，讨论如下。事实上，许多论文遵循一个概念- 与我们的方法几乎相似，方法是在他们的VAR中包含一个预测，以隔离有关预测变量的意外或新闻。3但是，只有在预期会出现单个结构性冲击的情况下，包括单个预测才能识别特定的新闻冲击。否则，似乎 是 关 于 诸 如 财 政 政 策 之 类 的 冲 击 的 新 闻 也 包 括 关 于 供 应 ， 需 求 等 冲 击 的 新 闻 。This is the maiadvatage of or approach relative - ative to existig VAR stdies of ews: by icldig predictios abot every timeseries, we ca distigig the effects of ews to differet strctral shards i a sigle framewor.而且我们发现，关于多次冲击的新闻混为一谈是一个无关紧要的问题，因为几乎所有冲击的新闻成分至少与一个时间序列相关。 将冲击分解为新闻和惊喜的一个有价值的好处是能够评估反事实政策的影响。Wolf和McKay（2022）证明，在某些假设下，对不同地区的冲击新闻的脉冲响应函数足以在替代政策规则下构建反事实脉冲响应函数。我们使用对新闻和意外冲击的脉冲响应识别来实施他们的方法，并进行了一些反事实实验。我们发现，财政政策可以有效地稳定整个商业周期的产出，但有成本：税收和通货膨胀变得更加不稳定。当前的财政政策已经有些稳定；当我们考虑与固定政府支出相反的事实时，实际活动。 −2例子包括Beadry和Portier（2006），Barsy和Sims（2012），Schmitt-Groh'e和Uribe（2012），Blachard等人。(2013)，以及Chahror和Jrado(2022)。最密切相关的论文是利用预测数据来识别有关技术的新闻的论文：Hirose和Krozmi（2021）在新凯恩斯主义DSGE模型中包含预测数据，以识别新闻冲击并估计技术新闻驱动近一半的产出波动;Cascaldi-Garcia（2022）使用经济增长的预测修正来应对技术新闻冲击，这导致11%26%的产出波动，这取决于地平线。 3包括预测以确定财政意外的论文包括Ramey（2011），Auerbach和Gorod - nichenko（2012）和Born等人（2013）。使用预测和额外结构假设来确定财政新闻的VAR方法包括Caggiano等人（2015），Ricco（2015），Ricco等人（2016 和通货膨胀都更加不稳定。有一些冲击认为，财政政策不能有效缓和，但货币政策恰恰在缓和这些冲击方面更有效，这表明了财政和货币协调的作用。在考虑反事实的货币政策时，我们得出的结论与沃尔夫和麦凯相似。我们可以构建的最佳反事实货币政策规则在稳定产出方面的效果不如财政刺激，而利率挂钩不会导致更不稳定的通货膨胀，并导致产出在短期内对冲击更具弹性。 其他相关文献：我们为研究有关财政政策的新闻影响的大量文献做出了贡献。Ramey（2011）使用叙事方法来识别当前和未来由军事事件驱动的政府支出的变化，并认为结构性VAR识别的许多财政冲击实际上是可以预期的。Fisher和Peters（2010）利用国防承包商的财务回报来识别冲击，其中包括有关未来国防开支的新闻。Be Zeev和Pappa（2017）应用Barsy和Sims（2012）方法来确定包含5年内政府国防开支最多的新闻的冲击维度。此外，许多论文使用专业预报员的预测更新来得出财政新闻的度量，包括Ricco（2015），Ricco等人。(2016)，Cimadomo等人。（2016），以及Ed adHog（2022）。这些论文中的一个共同主题是，由于有关政府支出的新闻而产生的财政乘数很大。 财政政策的收入方面也得到了类似的待遇。Leeper等人。(2009)认为，当预计税收变化时，基于VAR的冲击估计将具有误导性。Romer和Romer（2010）采用叙事的方法构建了一系列预期的税收变化，并估计相对外生增税的立法具有较大的收缩效应。Mertes和Rav（2012）将Romer - Romer系列分解为预期和未预期的组件，并表明它们在短期内对产出产生相反的影响。Hose和Shapiro（2006）在2000年代初期研究税收改革时得出了类似的结论。Ramey (2019)调查了更多证据。 2一个简单的例子：货币政策新闻 在探索一般情况之前，我们在一个简单的例子中介绍了我们的识别策略。该例子允许有关货币政策的新闻，显示了新闻的存在如何混淆了标准VAR中对货币政策冲击的估计，以及如何在VAR中正确识别冲击及其影响。 2.1新凯恩斯模型与货币政策新闻 考虑以下三方程新凯恩斯模型： 新凯恩斯菲利普斯曲线:πt=βEt[πt+]κyt+xt欧拉方程:0Et[zt+γ(yt−yt+)it−πt+]泰勒规则:it=φππt+ht whereπt,yt, andit分别是通货膨胀、产出缺口和名义利率，xt是I. I. D.成本推动冲击，ztis an i. i. d.demand shock. The critical part of this example is the introduction of a shock with separate news andsurpose components. The persistent policy residenceht，由 政策创新在哪里：ut+vt−1有两个组成部分。一个是身份证惊喜，ut，当时完全没有预料到t。另一个是i.i.d.新闻震惊，vt−1，在期间已知t−1.这些不同的组成部分抓住了这样一个事实，即货币政策变化往往signalledinadvance.Forexample,ifamonetarypolicmakercommunicatedinperiodt−1那个时期t他们将通过提高利率来偏离通常的政策规则25个基点，然后vt−1= 0.25. If in periodt然后他们实际上偏离了他们通常的政策规则50个基点，然后ut=.25也是如此，对于全面的政策冲击ut+vt−1=.5.因为新闻震惊vt−1是在t−1个信息集，此框架允许在时间的预期效果t−1用于预先宣布的政策决定。 这个模型的解可以写成如下形式： πt=bπht+brivt+bπxt+bπzthvxzyt=由ht+byvt+byxt+byzthvxzit=biht+bivt+bixt+bizthvxz 对于标准校准，图1显示了对新闻的相应脉冲响应和对政策规则的意外冲击。从质量上讲，它们对影响有很大不同的影响。明天加息的消息意味着代