从预测中识别新闻冲击

从预测中识别新闻冲击 约翰逊·J·亚当斯，菲利普·巴雷特WP/23/208 国际货币基金组织工作论文描述研究内容作者（们）的进步并发表到引发评论并鼓励辩论。所表达的观点均属于国际货币基金组织工作报告。那些作者(s)的，不一定必定代表国际货币基金组织、其执行董事会的观点或国际货币基金组织管理。 2023九月份 国际货币基金组织工作论文 西半球部门 识别由 Jonathan J. Adams 和 Philip Barrett 准备的预测中的新闻冲击 由Nigel Chalk分发授权：2023年9月 国际货币基金组织工作论文描述作者（们）正在进行的研究，并公开发表以征集评论和促进讨论。国际货币基金组织工作论文中表达的观点是作者（们）的个人观点，并不一定代表国际货币基金组织、其执行董事会或基金管理层的观点。 摘要：我们提出了一种方法来识别结构向量自回归（VAR）中宏观经济冲击的预期成分。我们在VAR中包含了每个时间序列的经验预测。这引入了足够的线性约束来识别每个结构冲击，并将每个冲击进一步分解为“新闻”和“惊喜”冲击。我们使用来自SPF、CBO、联邦储备和资产价格的预测数据，对美国时间序列进行了VAR估计。我们识别出的未预期到的财政刺激和利率冲击具有典型的效应，与现有证据相符。在我们的新闻-惊喜分解中，我们发现新闻驱动了大约四分之一的美国经济周期波动。新闻解释了由于财政冲击造成的方差比货币政策冲击更大的份额。最后，我们使用冲击的新闻结构来估计反事实政策规则，并比较财政政策和货币政策调节产出和通货膨胀的能力。我们发现协调一致的财政和货币政策比单独使用任何一种工具都更为有效。 1 引言 预期宏观经济冲击的影响与意外冲击时的情况不同。在一般设置中，是否可能将新闻的影响与意外因素区分开来？估计这些不同的影响对于得出结论至关重要，尤其是关于政策有效性的结论。在本文中，我们介绍了一种一般方法，以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）中包含关于宏观经济时间序列的预测数据。预测是有价值的，因为它们揭示了仅靠宏观经济时间序列本身无法揭示的未来信息。我们通过对一系列结构性冲击驱动的标准结构向量自回归（SVAR）进行修改，假设每个冲击都有一个预期的组成部分——即“新闻”——以及一个未预期的组成部分——“惊喜”。这一数据生成过程与一类标准宏观经济模型相符。我们通过跨方程约束识别冲击，这些约束使得预测与VAR的预测保持一致性。我们证明，在相对较弱的条件之下，向VAR中加入每个时间序列的预测可以识别出新闻和惊喜成分。每个结构性冲击 我们的方法不仅适用于从意外中隔离新闻：它还是一种识别结构冲击本身的方法。结构向量自回归模型通常假定冲击在相互正交，以便从观测时间序列的简化形式创新中识别它们。如果它们的新闻和意外成分也相互正交，那么我们的方法就可以识别它们。整个集合关于结构性冲击，包括其新闻和意外成分。因此，我们的方法为识别VARs中的全部结构性冲击的多种其他策略提供了一个替代方案。1 我们通过估计美国时间序列的向量自回归（VAR）来应用我们的方法。我们使用来自专业预测者调查（SPF）、联邦储备绿皮书预测的数据，并从资产价格中构建一些预期。在我们的VAR中，我们估计了各种类似于已充分理解的冲击，包括财政和货币政策冲击。我们的估计冲击具有现实的可预测效果，包括与文献中其他估计相匹配的财政乘数，以及与高频识别工具暗示相似的定量现实的货币政策冲击。 我们关键地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大部分被预期，新闻成分暗示比意外成分更大的政府支出乘数，这与Ramey（2011）的研究发现相呼应。相比之下，货币政策冲击的效果主要是意外。 通过识别所有冲击的新闻和意外成分，我们可以计算一个方差分解，这使得我们可以就预期和未预期的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中起到一个适度作用：四分之一的生产波动归因于新闻冲击。这一点与大量研究新闻冲击对宏观经济相关性的文献结果相呼应。许多这些论文都集中在关于技术新闻的研究上。2但我们也加入了研究政策冲击新闻报道的一个较大群体，下文将有讨论。实际上，许多文献通过在他们VAR（向量自回归）模型中加入预测以隔离对预测变量意外或新闻来采用与我们类似的方法。3然而，只包括一个预测只会在存在单一可预见结构性冲击的情况下识别出特定新闻冲击。否则，所谓的有关财政政策等冲击的新闻也可能包含有关供应、需求等的新闻。这是与现有关于新闻的VAR研究方法的主要优势：通过包含关于每个时间序列的预测，我们可以在单一框架中区分新闻对不同结构性冲击的影响。我们发现，多个冲击的新闻混合是一个非平凡的担忧，因为几乎所有冲击的新闻成分都与至少一个时间序列相关。 将冲击分解为新闻和惊喜的有益之处在于能够估计反事实政策的效应。Wolf和McKay（2022）证明了在某些假设下，关于不同时点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。我们利用对新闻和惊喜冲击的脉冲响应识别方法，进行了几项反事实实验。我们发现，财政政策可以在商业周期中对稳定产出有效，但代价是：税收和通胀变得更加波动。而且当前财政政策已经起到了一定的稳定作用；当我们考虑固定政府支出的反事实情况时，实际活动 通货膨胀都是更加波动的。有一些冲击是财政政策无法有效缓和的，但货币政策在缓和这些冲击方面更加有效，这表明财政和货币协调的作用。在考虑反事实货币政策时，我们得出与Wolf和McKay相似的结论。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不如财政刺激有效，而利率锚定不会导致更波动性的通货膨胀，并在短期内使产出对冲击更加有弹性。 其他相关文献：我们为研究财政政策新闻效应的大量文献做出了贡献。Ramey（2011年）运用叙事方法来识别由军事事件驱动的当前和未来政府支出变化，并认为由结构向量自回归方法识别出的许多财政冲击实际上是预期的。Fisher和Peters（2010年）利用防务承包商的财务回报来识别包括有关未来国防开支新闻在内的冲击。Ben Zeev和Pappa（2017年）将Barsky和Sims（2012年）的方法应用于在5年期限内确定包含有关政府国防开支最多新闻的冲击维度。此外，许多论文使用专业预测者的一些预测更新指标来推导财政新闻的衡量指标，包括Ricco（2015年）、Ricco等人（2016年）、Cimadomo等人（2016年）和End和Hong（2022年）。这些论文的共同主题是，关于政府支出的新闻导致的财政乘数很大。 财政收入政策方面也受到了类似的对待。Leeper等人（2009）认为，当税收变化被预期时，基于VAR的冲击估计将是误导性的。Romer和Romer（2010）采用叙述方法构建了一系列预期的税收变化，并估计相对外生性的税收增加的立法具有较大的紧缩效应。Mertens和Ravn（2012）将Romer-Romer系列分解为预期和非预期部分，并表明它们在短期内对产出具有相反的影响。House和Shapiro（2006）在研究2000年代初期的税收改革时得出了类似的结论。Ramey（2019）调查了更多的证据。 2 一个简单示例：货币政策新闻 我们在一个简单示例中介绍我们的识别策略，然后再探讨一般情况。该示例允许包括货币政策的新闻，展示了新闻的存在如何使得在标准向量自回归模型中估计货币政策冲击变得复杂，以及如何将预测包括在向量自回归模型中正确识别冲击及其影响。 2.1 带有货币政策新闻的新凯恩斯模型 考虑到以下三个方程的新凯恩斯模型： 新凯恩斯菲利普斯曲线：π=β[π] +κy+xtEt t+1 t t欧拉方程：0 = [z+γ(y − y) +我：$i - \\pi$]Et tt t+1 t t+1泰勒规则：我：i=ϕ π+htπ t t 在哪里π,y，并且i通货膨胀、产出缺口和名义利率分别是。t tt x是独立同分布的成本推动型冲击，z这是一个独立的同分布需求冲击。这个例子的重 要部分是...tt h = ρh + u + v * t * t−1 * t * t−1是引入具有独立新闻和意外成分的冲击。持续的政策残留h由...给出t 这些不同的组成部分捕捉到这样一个事实，即货币政策的变化通常预先发出信号。例如，如果一个货币政策制定者在第T期进行了沟通，t−第1期t他们将通过提高25个基点的利率，偏离他们通常的政策规则。v= 0.25. 如果在期间t他们随后实际上偏离了他们的t−1在政策创新您提供的内容“u”似乎不是一个完整的句子或可翻译的内容。请提供完整的英文文本以便进行翻译。+v有两个组成部分。一个是独立同分布的意外，您提供的内容“u”似乎不是一个完整的句子或可翻译的内容。请提供完整的英文文本以便进行翻译。,tt−1 t完全出乎意料，在那时t.另一种是独立同分布的新闻冲击，v，在时期内已知t−1.t−1 通常政策规则增加50个基点，然后您提供的内容“u”似乎不是一个完整的句子或可翻译的内容。请提供完整的英文文本以便进行翻译。= 0.25也如此，总的政策冲击为t 该模型的解可以写成以下形式。您提供的内容“u”似乎不是一个完整的句子或可翻译的内容。请提供完整的英文文本以便进行翻译。+v= 0.5. 因为新闻冲击v is in thet−1 信息集，该框架tt−1 t−1允许在时间上产生预期效应t−1. 针对预先宣布的政策决策。 相应的政策规则对新闻和政策意外冲击的响应在图1中展示，针对标准校准进行了分析。从定性角度看，它们对影响有着非常不同的效果。明天利率上涨的消息意味着代理人预计下一个时期将会出现经济衰退。由于消费平滑化，他们会减少今天的支出，降低产出和价格。央行通过其泰勒规则对此做出响应，通过降低利率来缓解经济下行。 图1展示了简单新凯恩斯模型中新闻和货币政策意外冲击的脉冲响应，以及未进行预测的VAR（“天真VAR”）的IRFs。模型参数设置为每月校准的标准值，大部分采用Galí（2008）季度校准的值：β= 0.997,κ=0.2,γ= 1，并且φ= 1.然而，我们选择较低的持久性ρ= 0.6比Gali，π 并将所有冲击方差设为1。 2.2 在简单示例中识别冲击 如我们所见，新闻和意外冲击的影响相当不同。计量经济学家能否从（ ）数据中识别它们。π, y, i)?t t t 总体而言，不：存在四个结构性冲击（u, v, x, z）但只有三个时间序列。t t t t 由于四个冲击的影响不是共线的，即使结构系数确实已知，这仍不足以提供足够的信息。然而，模型中的代理者确实拥有足够的信息；他们知道模型中的所有冲击。当然，假设计量经济学家可以直接询问代理者有关冲击的情况——这完全规避了问题。一个更现实的假设是，代理者会对内生变量做出公开预测。 通过将代理人的预测纳入VAR模型，我们可以识别出所有结构冲击，前提是我们知道生成时间序列的模型。在这个简单示例中，包含一个预测就足够了，因此考虑通货膨胀预测fπ≡[π]:Et t+1t h = i − ϕπ t t tth现在，四个时间序列（fπ，π，y，i) 可以识别结构性冲击。h由...发现t t ttt 利用预测，政策新闻冲击v通过t被识别。 6fπv=t负密度梯度ttbπ h 该模型识别政策意外冲击 u 在时间 t 的值。 剩余的冲击可以通过以下方式识别： 除了在不可逆的边缘情况下，需求推动和成本推动的冲击对产出和通货膨胀有同向效应。πb x bxππz负号πh − bπv 如果在我们简单的例子中，计量经济学家没有正确地将新闻和意外事件分别考虑在内？“朴素向量自回归模型”（坚固的蓝色曲线）绘制了无预测的SVAR所隐含的IRFs；曲线是政策残差预测误差的响应h这可以通过适当的因果排序（Sims, 1980）来计算。这将是tt tttt=v txzh yy 持续识别货币政策意外影响的效果您提供的内容“u”似乎不是一个