《肖临骏:计量经济学研究方法的演进与比较》由会员分享,可在线阅读,更多相关《肖临骏:计量经济学研究方法的演进与比较(6页珍藏版)》请在金锄头文库上搜索。
1、回顾经济学尤其是数理经济学的发展历程,可以认为,经济理论的演进同时伴随着实证研究新技术的推陈出新,新颖巧妙的数理模型为经济思想的阐述和表达提供了舞台。比如广义矩阵估计(GMM)方法在“单位根运动”和附加理性预期的时间序列经济学中成为一种主要的分析工具;结构向量自回归模型(SVAR)为经济学家思考动态经济系统提供了大量可供参考的模型;由Kydland & Prescott(1982)开创的真实经济周期模型(RBC)使得宏观经济研究更加关注外部冲击以及政策制定在熨平经济波动方面的效果。因此,宏观经济学的研究命题与宏观计量的研究方法是紧密联系在一起的。本文的任务是对宏观计量经济学研究领域内的新成果做
2、非技术性的综述和比较,说明RBC模型在宏观结构计量经济学研究方法中所处的地位、优势及其不足。一、宏观计量经济学研究方法的演进:从简约式到结构式宏观经济数据多以低频、加总的时间序列形式出现,这就决定了宏观和微观经济分析所采用的计量方法存在明显的区别。在20世纪30年代,宏观计量经济学的诞生离不开考尔斯经济研究委员会(Cowles Commission)的工作,其中包括资助计量经济学会创办计量经济学(Econometrica),以及对计量经济学基本方法论和学科规范等重要课题所进行的系统性研究,从而奠定了计量经济分析的概率方法基础,形成了一整套连贯而有效的方法体系,如对计量模型的设定、识别、估计和检
3、验进行研究,引入假设检验技术,建立联立方程组,区分外生变量和内生变量,对基于模型的短期动态性加入限制条件,提出间接最小二乘法、工具变量法(IV)、有限信息最大似然估计的技术。这些工作形成了传统计量经济分析的完备框架和精确的计量经济分析方法论,亦称“CC方法论”。在“CC方法论”的推动下,传统计量分析从小型的市场均衡模型发展到大型的宏观经济模型;从一国模型发展到多国联网的LINK计划;从线性回归分析发展到非线性回归分析。但随着研究目标的扩大,“CC方法论”显含或隐含的假设与现实情况不符的弊端也逐渐显现,同时,基于简约化方程(Reduced Form Equation)的计量模型也不能反映行为主体
4、的最优化过程,“CC方法论”被更适合处理时间序列数据的“BJ方法论”(Box & Jenkins,1976)所取代,简约化方程向自回归移动平均随机过程模型(ARIMA)过渡和发展。随后出现的三篇经典论文(Sims,1980; Engle & Granger,1987; Johansen,1988)为向量自回归模型(VAR)的成功奠定了基础,这是一种处理宏观非平稳数据的模型化方法,它把ARIMA模型发展到多个时间序列向量,用模型中所有当期变量对所有变量的若干滞后变量进行回归。但正如Cooley & LeRoy(1985)所指出的,VAR模型从本质上讲,仍具有简约化方程的性质,它只刻画了数据的动态
5、表现,而没有涉及任何消费者偏好、生产技术和最优化行为等经济结构方面的信息,单纯由数字驱动的参数估计难以得到经济理论的合意解释。20世纪80年代初,一种被称为“RBC方法”的结构模型(Structure Form Equations)出现了,它是一种基于宏观经济理论的结构计量模型,真实经济周期理论(Real Business Cycle)为研究各类外生冲击,以及冲击在经济体内部的传导方式提供了可能。在Lucas & Prescott(1989)看来,RBC模型就类似于阿罗德布鲁(Arrow-Debreu)范式的一般均衡模型,因为它不仅考虑到理性消费者的跨期最优决策,而且还考虑到生产者的投入产出决
6、策。起初这类模型只能分析技术冲击对实际变量的影响,因而属于新古典经济学的阵营。但随着研究的深入,一些更深层次的冲击,如政府支出的需求冲击和货币供给冲击等也都被纳入到这个动态随机一般均衡(DSGE)模型中来,新凯恩斯主义逐渐把它发展成为一种政策研究的工具。前瞻性的研究包括:货币冲击、工资和价格粘性,新兴国家或市场,开放经济、国际贸易和汇率,干中学,内生增长以及波动造成的福利损失等等。模型的发展已远远超出RBC理论先驱者们的预计,不仅融入了物价和工资等名义和实际的非瓦尔拉斯内容,而且还出现了研究经济增长的DSGE模型。在实际应用方面,比利时国家银行等一系列国外商业金融机构也正在通过建立DSGE模型
7、强化信贷政策方面的研究。与此同时,为弥补VAR模型缺乏经济理论基础而不能进行结构分析的缺陷,Sims(1980、1986)、Shapiro & Watson(1988)和Bernanke(1986)提出了结构向量自回归(Structure VAR)模型。Blanchard & Quah(1989)率先在SVAR中添加长短期识别约束条件,用于分析经济变量对结构冲击的响应,同时还可以减少模型的待估参数。尽管经济学家们往往不能就模型的真实结构达成共识,但是20世纪90年代以来,对SVAR的广泛研究涉足货币冲击和实际冲击的各个领域。即使是在RBC理论盛行的年代,SVAR及其扩展模型依旧能够与RBC模型
8、共同分享宏观结构计量经济学的美誉,这不仅是因为RBC模型的代表性变量同样可以在SVAR模型中通过建模得到参数空间的估计,而且RBC模型中各类外生冲击也可以在SVAR模型中得以实现。但RBC模型更强调,只有对深层次的参数空间作出正确估计,具有微观基础的模型才可通过校准(calibration)而用于相关的政策分析。二、RBC模型在宏观结构计量经济学研究方法中的地位RBC和SVAR模型的相似性使得越来越多的研究聚集到对这两种模型预测结果的比较,由于RBC模型(或DSGE模型)一般通过校准法得到模拟结果,而SVAR模型(或VAR模型)则多以计量法(OLS方法)对参数空间进行估计,所以比较的范围也从预
9、测结果延伸到模型方法上。在预测结果的比较方面,多数研究认为两类模型存在不同,但没有任何一类模型对另一类模型而言具有压倒性的优势。Cooley & Dwyer(1998)发现SVAR模型的结论对结构冲击的识别假设(identification assumption)非常敏感,并且可能产生与RBC模型不一致的预测结果;Breitung & Heinemann(1998)使用德国的数据发现两类模型在预测宏观经济变量的变化方向上是一致的,但在变化量上存在差异;Kim(2000)则认为DSGE模型和VAR模型之间没有显著的区别;Fernndez-Villaverde & RubioRamrez(2004
10、)比较了各类DSGE模型和VAR模型,认为RBC模型优于不加任何约束的VAR模型,但却不及一个带先验概率的BVAR模型。Ireland(2004b)在简单RBC模型中融入互相不独立的外生冲击,由于简单RBC模型所引入的静态阶数和动态阶数都相对较少,而且还能够反映消费者偏好和生产技术方面的信息,所以在经济预测方面的表现优于VAR模型,Ireland把这样的模型称为混合的RBC-VAR模型。在校准和计量方法的比较方面,黄赜琳(2008)认为校准方法的优势在于,首先由于参数值是在微观经济证据的基础上选择出来的,所以除通常采用的信息外,校准法还可使大量其他信息得到应用,因此模型可建立在更高的标准之上。
11、其次,按计量法估计的模型在统计上被拒绝或不能被拒绝,其在经济上的重要性通常很难解释,而校准法则不存在类似的问题。然而校准法也存在相应的缺点,如对参数进行校准时,是在没有其他因素影响模型内生变量值的假设下作出的,而且在将来任何时候也不会影响,这显然是一个很强的假设。另一方面的指责来自缺乏对模型稳健性及其参数的检验,如果参数用校准法得到,那么参数对基期的选择相当敏感;如果参数是从其他相关研究中得到,那么模型中变量的取值范围可能会存在偏误,比如其他模型可能是基于局部均衡而非一般均衡。因此,在运用校准法时应当结合计量法,不仅要充分利用政府统计部门公布的经济数据,还要对校准的参数做敏感性分析和模型的稳健
12、性检验。那么,RBC模型在宏观结构计量经济学研究方法中的地位,或者说,RBC方法和SVAR方法等其他结构模型的相对地位又是怎样的?一种简单的理解是SVAR方法为RBC方法提供了研究的参照系(Liedo,2006),因为RBC模型的解一般都可以由一个SVAR模型给出,但RBC模型具有更多关于随机阶数方面的限制。以Kydland & Prescott(1982)为例,模型描述了代表性行为人在单一技术冲击下产出和消费等经济变量的最优反应,冲击在经济体内部的传导机制既取决于行为人对未来的理性预期,又同行为人消费和劳动的跨期替代有关,资本存量的积累在传导过程中起到了放大波动的作用。行为人立足于本期的技术
13、冲击和上一期的资本存量(资本存量是前定变量),对本期的产出、消费和劳动等经济变量作出最优决策。因此,技术冲击和资本存量的转移状态决定了经济运行的动态。模型中外生冲击和前定变量的个数(一般小于内生变量个数)决定了模型生成波动数据二阶矩的性质和波动数据谱密度(spectral density)的性质,分别称为模型的静态阶数和动态阶数。但在SVAR模型中,不存在对随机阶数的限制。事实上,如果RBC模型中的内生变量不仅可以由前定变量和外生冲击表出,而且还包含表出的测量误差,那么这样的模型就转化为典型的动态因素模型(Dynamic Factor Models,DFM)。DFM模型约化了RBC模型中关于消
14、费者偏好和生产技术方面的信息,SVAR模型则取消了DFM模型和RBC模型在随机阶数方面的限制,而把模型设定的重点转移到冲击的结构识别上。因此,从这个意义上讲,SVAR模型是DFM模型的一般化,而DFM模型则是对RBC模型的一般化(见图1)。当然,这三类模型的参数校准(估计)也都可以在贝叶斯框架下进行。关于RBC、DFM和SVAR模型之间的进一步比较可以参阅Giannone、Reichlin & Sala(2004)和Liedo(2006)。图1 不同宏观结构计量模型的参数空间三、RBC研究方法的优势和不足到目前为止,RBC模型究竟可以对现实经济中的经济波动现象作出多大程度的解释,仍是一个仁者见
15、仁智者见智的问题。但是RBC方法的确具有其他方法所无法比拟的优势,并且对宏观结构计量经济学的发展具有深远的影响。1.RBC模型带来了方法论上的突破。在理论研究方面,以代表性行为人为基本分析单位的随机动态一般均衡模型已经成为宏观经济学的主要研究模式,消费者在既定的收入约束和消费偏好下作出最优消费决策,生产者在既定的成本约束和生产技术下作出最优生产决策,最终达到市场出清的状态,随机最优规划的广泛应用为宏观经济理论奠定了坚实的微观基础。与此同时,分离周期数据和分析包含单位根的时间序列的方法也得到了很大的改进,经验研究的结论因而变得更为可信。2.RBC模型从实践上回应了“卢卡斯批判”。卢卡斯批判是基于
16、理性预期理论的一种反思,传统的假定不可观测的预期变量为可观测变量之现期和滞后各期函数的做法,实际上是一种后向预期,这种做法不可避免地遇到“卢卡斯批判”所提及的问题。而RBC模型将预期变量与基于模型本身及所有可能信息的条件预期相结合,即所谓的“与模型相一致的预期”(Wallis,1999)。在模型求解过程中,要求刻画动态递归的转移矩阵的特征值至少有一个大于1,从而体现模型的向前解,这是RBC模型对理性预期理论的特有诠释。3.RBC模型是第一个同时从需求和供给角度考察经济波动的宏观经济理论。这些冲击从“技术”层面扩展到“货币”、“政府支出”和“消费习惯”等各个方面,随着经验证据的不断累积,已经有越来越多的经济学家承认经济波动是需求冲击和供给冲击的共同产物。4.RBC模型