2011年-IMF国际货币组织全球_Data_50页_1mb

报告摘要

文档总结：Data-Rich DSGE 和 Dynamic Factor Models 的比较

核心内容

本文比较了数据丰富的DSGE模型（Data-Rich DSGE）与经验动态因子模型（Empirical Dynamic Factor Model, DFM）在解释美国宏观经济和金融数据方面的表现。作者使用Stock和Watson（2008）提供的丰富面板数据，通过贝叶斯MCMC方法对两种模型进行估计，并分析其隐含因子空间的相似性。

主要观点

动态因子模型（DFM）和DSGE模型都用于宏观经济学的实证研究，但它们在结构和方法上有所不同：
- DFM通过少数共同因子捕捉大量宏观和金融数据的共动性。
- DSGE模型则通过少量状态变量和外生冲击（如偏好和技术创新）来解释经济动态。
数据丰富的DSGE模型将DSGE的状态变量视为因子，并通过DSGE模型的结构限制来规范因子的动态行为。这种模型能够更好地捕捉数据的结构性特征，同时提供对非核心宏观变量的预测能力。
因子空间的相似性：
- 作者发现，DFM的因子空间与数据丰富的DSGE模型的状态空间非常接近。
- 这种接近性意味着可以通过DFM的因子来预测DSGE模型的状态，反之亦然。
模型预测能力的提升：
- 利用因子空间的相似性，作者能够在非结构化的DFM中传播结构性冲击（如货币政策和技术创新），从而获得对更多宏观变量的预测，包括实际活动、价格指数、劳动力市场指标、利率利差、货币和信贷存量以及汇率等。
模型的经济解释性：
- 当因子空间接近时，DFM的因子可以与DSGE模型的状态变量相对应，从而增强DFM的经济解释力。

关键信息

模型结构

DFM：
- 一般形式：$ X_t = \Lambda F_t + e_t $
- 因子动态：$ F_t = G F_{t-1} + \eta_t $
- 误差动态：$ e_t = \Psi e_{t-1} + v_t $
- 假设因子与误差项不相关，且误差项为独立同分布的正态分布。
数据丰富的DSGE模型：
- 以New Keynesian核心为基础，包含资本、名义刚性、投资调整成本等要素。
- 通过状态空间表示：$ S_t = G(\theta) S_{t-1} + H(\theta)\varepsilon_t $，其中$ \varepsilon_t \sim iid N(0, Q(\theta)) $
- 测量方程：$ \tilde{X}_t = \Lambda(\theta) S_t + \tilde{e}_t $

数据集

使用Stock和Watson（2008）提供的美国季度宏观和金融数据面板。
时间范围：1984:Q1 - 2005:Q4（避免Great Moderation时期的影响）。
数据集包括：
- 12个核心系列：用于DSGE模型概念的测量或DFM归一化。
- 77个非核心系列：反映经济整体状态，加载在所有DSGE状态（即DFM因子）上。

估计方法

采用贝叶斯MCMC方法对两种模型进行估计。
对DFM使用Gibbs采样器，通过条件后验分布进行迭代估计。
对数据丰富的DSGE模型，采用Kryshko（2011）中描述的MCMC算法，包括因子负载的先验选择。

因子归一化

为了区分因子和因子负载，作者采用以下归一化假设：
- $ \mathbf{Q} = \mathbf{I}_N $：固定因子的尺度。
- 每个因子要求一个正的因子负载（符号限制）。
- 使用块对角归一化方案，根据核心数据的结构对因子负载进行归一化。

实证结果

因子空间接近：
- DFM的因子与数据丰富的DSGE模型的状态变量所生成的因子空间非常接近。
- 通过线性回归，可以准确预测DFM因子从DSGE状态变量中。
模型预测能力：
- 利用因子空间的接近性，作者能够将结构性冲击（如货币政策和技术创新）传播到非结构化的DFM中，从而生成对更多宏观变量的预测。
- 例如，紧缩的货币政策会导致住房开工率和住宅投资下降，失业率呈现倒U型响应，商品价格通胀下降，利率利差扩大，消费者信贷收缩，美元升值等。
因子识别问题：
- DFM中的因子和因子负载无法单独识别，因此需要通过归一化来区分。