核心观点
- 局部投影（LP）估计的透明度问题：尽管局部投影在宏观经济学中被广泛用于估计政策干预的脉冲响应，但其结果往往缺乏透明度，难以理解背后的机制或历史事件对结果的影响。
- 历史事件分解方法：本文提出了一种新的分解方法，将LP估计分解为历史事件的贡献总和，每个贡献是权重和每个时间点响应变量的乘积。
- 权重的双重解释：在最小二乘法的情况下，权重具有两种解释：一是代表经过纯化和标准化的冲击，二是代表预期政策干预与样本中过去干预之间的邻近度得分。
- 非线性方法的适用性：该方法不仅适用于传统的线性LP方法，还适用于机器学习（ML）模型，从而能够解释更灵活的模型结果。
- 集中度统计量：本文提出了LP集中度统计量，用于衡量总权重（或贡献）中前10%权重（或贡献）所占的比例，以评估估计的外部有效性。
关键数据和研究结论
- 货币政策：使用Cholesky分解识别的冲击往往导致价格谜题，而Romer and Romer冲击则主要受1970年代政治动机的货币宽松政策驱动。非线性模型进一步细化了识别事件，并突出了1970年代初对美联储的政治干预。
- 财政政策：Ramey and Zubairy估计的财政乘数几乎完全由第二次世界大战驱动，集中度非常高，引发对外部有效性的担忧。
- 气候冲击：全球温度冲击对世界GDP的长期影响似乎主要受少数极端天气事件驱动，例如1964年阿贡火山爆发，而中期影响则更为稳健。
- 金融冲击：与非线性行为相比，线性模型的权重结构更加密集，而随机森林的非线性模型提供了更稀疏的邻近度得分，从而提高了可解释性。
研究意义
- 诊断工具：该方法可以作为诊断工具，揭示估计是否由广泛的历史事件支持或仅由少数关键事件驱动，并提供外部有效性的评估。
- 解释机器学习结果：通过将权重解释为邻近度得分，该方法可以帮助解释机器学习模型的脉冲响应，并将其与传统线性方法进行比较。
- 政策分析：通过揭示历史事件对估计结果的影响，该方法可以帮助政策制定者更好地理解模型结果，并提高政策分析的可靠性。
