2016年-BIS国际清算银行_Intuitive_and_reliable_estimates_of_the_output_gap_from_a_Beveridge-Nelson_filter_43页_2mb

报告摘要

总结：Intuitive and Reliable Estimates of the Output Gap from a Beveridge-Nelson Filter

核心内容

本文探讨了如何通过改进的Beveridge-Nelson (BN) 分解方法，得到更符合直觉和实际经济周期特征的产出缺口估计。传统的BN分解基于自回归（AR）模型，其结果往往与人们普遍认为的产出缺口的振幅、持续性和符号不一致。作者提出了一种新的BN分解方法，称为“BN滤波器”，通过设定较低的信号-噪声比（signal-to-noise ratio），使产出缺口估计更加直观和可靠。

主要观点

传统BN分解的问题：基于AR模型的BN分解在估计产出缺口时，往往表现出较小的振幅和较低的持续性，与NBER的经济周期参考不一致。这是因为AR模型的估计参数导致较高的信号-噪声比，使趋势冲击的方差占总预测误差方差的比例较大。
BN滤波器的引入：BN滤波器通过设定较低的信号-噪声比，使得产出缺口估计具有更大的振幅和更高的持续性，同时更贴近NBER参考周期。这种方法在实现实时估计时也表现出较小的修订，优于其他趋势-周期分解方法。
信号-噪声比的定义与影响：信号-噪声比（$\delta$）定义为趋势冲击方差与总预测误差方差的比值。对于AR(p)模型，$\delta = (1 - \rho)^{-2}$，其中$\rho$是自回归系数之和。设定较低的$\delta$可以增加产出缺口的振幅，但会降低模型拟合度。因此，需要在振幅和拟合之间进行权衡。
实证结果：使用美国季度实际GDP对数数据进行实证分析，结果显示BN滤波器在振幅、持续性和符号上均优于传统BN分解。此外，BN滤波器的估计结果在实时修订中表现稳定，且在样本外预测中优于其他方法，如确定性去趋势、HP滤波器和BP滤波器。
模型选择与实现：作者选择AR(12)模型进行估计，并采用贝叶斯方法引入收缩先验，以防止过拟合，同时保持模型的动态特性。这种方法在保持模型灵活性的同时，提高了估计的可靠性。
与现有方法的比较：BN滤波器在实时修订的稳定性、预测能力和与NBER参考周期的一致性方面优于其他趋势-周期分解方法，如UC模型、HP滤波器和BP滤波器。这些方法在实时修订中表现较差，往往因样本期选择或端点问题导致较大的估计变动。

关键信息

信号-噪声比：是BN分解中一个关键参数，决定了趋势冲击在总预测误差中的比重。设定较低的信号-噪声比可以提升产出缺口估计的直观性和一致性。
BN滤波器的优势：
- 估计结果具有较大的振幅和较高的持续性；
- 在实时估计中修订较小，预测能力较强；
- 更好地匹配NBER参考经济周期；
- 具有较好的稳健性，不受多变量信息或长期增长率结构变化的影响。
模型实现方法：
- 使用AR(p)模型进行预测；
- 通过设定$\rho$的值来控制信号-噪声比；
- 采用贝叶斯估计方法，并引入收缩先验以防止过拟合。
实证评估：
- 使用1970Q1-2012Q4的数据进行评估；
- 通过标准差、均方根误差（RMS）和符号一致性等指标衡量估计的准确性；
- BN滤波器在这些指标上均表现优异，尤其是与实际估计的高相关性。

方法论与理论依据

BN分解的理论基础：BN分解基于时间序列的长期条件期望，减去确定性漂移，从而提取趋势和周期成分。其理论前提是趋势为随机游走，而周期成分为可预测的波动。
信号-噪声比的设定：作者认为，信号-噪声比应设定为0.25（即趋势冲击解释25%的预测误差方差），这可以产生更符合经济直觉的产出缺口估计。
与现有方法的对比：
- 确定性去趋势：对样本期高度敏感，且在实时估计中修订较大；
- HP滤波器和BP滤波器：虽然易于实现，但存在端点问题，且在实时修订中表现不佳；
- UC模型：通常假设趋势和周期成分相互独立，但数据表明这种假设不成立，BN分解更合适。