[論文レビュー] Identification and Inference Under Narrative Restrictions

Raffaella Giacomini, Toru Kitagawa+1 more|arXiv (Cornell University)|Feb 12, 2021

Monetary Policy and Economic Impact参考文献 27被引用数 10

ひとこと要約

本稿は、特定の歴史的期間における構造的ショックに関する不等式制約（ナラティブ制約）を伴う構造的ベクトル自己回帰（SVAR）モデルに対して、統一的頻度的推論とベイズ的推論の枠組みを提案する。既存の単一事前分布に基づくベイズ手法に内在する欠陥を是正し、事後分布の感度を扱うための頑健な複数事前分布アプローチを導入するとともに、データに依存する同定集合のもとでも、漸近的頻度的妥当性を確立し、信頼性の高い推論を可能にする。

ABSTRACT

We consider structural vector autoregressions subject to 'narrative restrictions', which are inequality restrictions on functions of the structural shocks in specific periods. These restrictions raise novel problems related to identification and inference, and there is currently no frequentist procedure for conducting inference in these models. We propose a solution that is valid from both Bayesian and frequentist perspectives by: 1) formalizing the identification problem under narrative restrictions; 2) correcting a feature of the existing (single-prior) Bayesian approach that can distort inference; 3) proposing a robust (multiple-prior) Bayesian approach that is useful for assessing and eliminating the posterior sensitivity that arises in these models due to the likelihood having flat regions; and 4) showing that the robust Bayesian approach has asymptotic frequentist validity. We illustrate our methods by estimating the effects of US monetary policy under a variety of narrative restrictions.

研究の動機と目的

• ナラティブ制約（特定期間における構造的ショックに関するデータに依存する不等式制約）を課されたSVARモデルにおける同定問題を形式化すること。
• ナラティブ制約が成立しにくい領域で事前分布の密度が系統的に低下するため、推論が歪められる単一事前分布ベイズ手法に内在するバイアスを特定・是正すること。
• ナラティブ制約によって生じる平坦な尤度領域に起因する事後分布の感度を評価・軽減するための複数事前分布ベイズ手法を開発すること。
• 提案された頑健なベイズ的手法が、データに依存する同定集合のもとでも漸近的頻度的妥当性を有することを示し、ベイズ的および頻度的推論を統合すること。
• ショックの符号制約やショック順位制約などのさまざまなナラティブ制約を用いて、実証的に適用可能なフレームワークを提供し、金融政策効果の推定を可能にすること。

提案手法

• ナラティブ制約を、特定期間における構造的ショックに関するデータに依存する不等式制約として形式化し、従来のパrameterベースの制約とは区別する。
• 標準的な単一事前分布ベイズ手法が、ナラティブ制約が成立しにくい領域で事前分布の密度を系統的に低下させるように条件付き尤度が事前分布を更新するため、事後分布の推論が歪められることを特定する。
• ナラティブ制約を満たす範囲の複数の事前分布を用いて推論を評価する複数事前分布ベイズフレームワークを提案し、耐性性の検証と感度分析を可能にする。
• 古典的な固定された同定集合の概念に代わる、データ実現値に依存する条件付き同定集合を導出する。
• 尤度が平坦であっても、繰り返しサンプリングにおいて正しい被覆確率を達成することを示すことにより、頑健なベイズ推定量の漸近的頻度的妥当性を確立する。
• 1979年10月の正の金融ショックやショック順位制約などのナラティブ制約を用いて、米国金融政策効果の推定に本手法を適用する。

実験結果

リサーチクエスチョン

• RQ1 ナラティブ制約のデータ依存性は、SVARモデルにおける構造的パrameterの同定にどのように影響するか？
• RQ2 標準的な単一事前分布ベイズ手法はなぜナラティブ制約下で歪んだ推論を生じるのか、そしてその是正法は何か？
• RQ3 ナラティブ制約によって生じる平坦な尤度領域がある場合、複数事前分布ベイズ手法は頑健な推論を提供できるか？
• RQ4 提案された頑健なベイズ手法は、データに依存する同定集合のもとでも、大標本において正しい頻度的被覆確率を維持するか？
• RQ5 ショックの符号制約やショック順位制約などのナラティブ制約は、金融政策SVARモデルにおけるインパルス応答推定値にどのように影響するか？

主な発見

• 単一事前分布ベイズ手法は、ナラティブ制約が成立しにくい領域で事前分布の密度が低下するように条件付き尤度が事前分布を更新するため、推論が歪められ、事後分布が歪むことがある。
• 提案された複数事前分布ベイズ手法は、平坦な尤度領域に起因する事後分布の感度を効果的に特定・定量化し、耐性性のある推論フレームワークを提供する。
• 構造的パrameterの条件付き同定集合はデータ実現値に依存するため、古典的な固定された同定集合の概念は無効となり、データに依存する推論が不可欠になる。
• 頑健なベイズ推定量は漸近的頻度的妥当性を達成し、データに依存する同定集合のもとでも、繰り返しサンプリングにおける正しい被覆確率を保証する。
• シミュレーションでは、1期間のショック実現値に基づくインパルス応答推定量は、2番目のショックの値に極めて敏感であり、場合によっては誤ったショックの応答を推定してしまうことがある。
• 相対的インパルス応答の推定量は、制約期間における観測変数の変化の比に帰着するため、その期間における特定のショック実現値に敏感になる。