核心观点
- 局部投影法（LP） 是一种广泛应用于实证宏观经济学的工具，用于估计政策干预的脉冲响应。然而，LP 估计往往像黑箱一样，不清楚是什么机制或历史事件导致了特定的估计结果。
- 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之和，每个贡献是权重和响应变量在每个时间点的实现在乘积。
- 在最小二乘法的情况下，这些权重有两种解释：首先，它们代表纯净和标准化的冲击；其次，它们作为预期政策干预与样本中过去干预之间的邻近度得分。
- 这种邻近度解释也使该框架自然地扩展到机器学习方法，许多机器学习方法产生的脉冲响应虽然预测变量是非线性的，但仍然通过基于邻近度的权重线性地汇总过去的结果。
关键数据和研究结论
- 货币政策：使用 Cholesky 分解识别的冲击经常显示出所谓的“价格谜题”，即货币紧缩导致通货膨胀上升。本文发现，这些估计结果主要受 1970 年代滞胀时期的影响。使用 Romer 和 Romer (2004) 的冲击产生的脉冲响应则完全不同，它们主要受 1970 年代政治动机的货币宽松政策的影响。
- 财政政策：分析政府支出对经济影响估计的结果表明，它们几乎完全由两个历史事件驱动：第二次世界大战和朝鲜战争。使用军事支出冲击识别的财政乘数在衰退情景下几乎完全由第二次世界大战驱动。
- 气候冲击：全球温度冲击对世界 GDP 的长期影响似乎存在差异。中期影响在很大程度上是稳健的，并得到了样本中各种事件的支撑，而长期经济影响主要由少数极端天气事件驱动，例如 1964 年的阿贡火山爆发。
- 金融冲击：比较线性模型和非线性模型（随机森林）的结果，发现大型负面金融冲击对经济产生广泛影响，其影响程度大于线性模型预测的。随机森林模型提供了更大的可解释性，其邻近度得分更加稀疏，更容易理解。
方法论
- 权重分解：本文提出的分解方法将 LP 估计分解为历史贡献之和，每个贡献是权重和响应变量在每个时间点的实现在乘积。
- 邻近度解释：在最小二乘法的情况下，权重可以被解释为预期政策干预与样本中过去干预之间的邻近度得分。
- 集中度统计量：本文提出了两种集中度统计量来衡量脉冲响应估计的集中程度：权重集中度（前 10% 的权重占总权重的比例）和贡献集中度（前 10% 的贡献占总贡献绝对值的比例）。
研究意义
- 本文提出的分解方法为理解 LP 估计的历史基础提供了新的视角，增强了透明度和可解释性。
- 该方法有助于评估 LP 估计的外部效度，并识别可能导致结果出现偏差的历史事件。
- 该框架可以应用于各种类型的冲击，包括货币政策、财政政策、气候冲击和金融冲击。
- 该方法可以扩展到非线性机器学习模型，为解释这些更灵活的方法提供了与传统 LP 相同的透明度水平。
