[논문 리뷰] A new algorithm for structural restrictions in Bayesian vector autoregressions

Dimitris Korobilis|arXiv (Cornell University)|2022. 06. 14.

Market Dynamics and Volatility인용 수 12

한 줄 요약

이 논문은 감마 분포를 사용한 베이지안 벡터 자기상관분석(VARs)에 대한 새로운 길버트 샘플링 알고리즘을 제안한다. 이 알고리즘은 VAR의 오차항을 정적 요인 구조로 모델링하여 감소형 파라미터와 구조적 제약 조건을 동시에 추정한다. 구조적 제약 조건을 요인 하중 행렬에 직접 통합함으로써, 기각 기반 샘플링을 피하는 효율적인 샘플링을 가능하게 하며, 이는 기존 방법보다 100배 이상 빠른 성능을 보이며, 다수의 충격과 복잡한 신뢰도 설정을 가진 대규모 VAR에서의 확장 가능한 추론을 가능하게 한다.

ABSTRACT

A comprehensive methodology for inference in vector autoregressions (VARs) using sign and other structural restrictions is developed. The reduced-form VAR disturbances are driven by a few common factors and structural identification restrictions can be incorporated in their loadings in the form of parametric restrictions. A Gibbs sampler is derived that allows for reduced-form parameters and structural restrictions to be sampled efficiently in one step. A key benefit of the proposed approach is that it allows for treating parameter estimation and structural inference as a joint problem. An additional benefit is that the methodology can scale to large VARs with multiple shocks, and it can be extended to accommodate non-linearities, asymmetries, and numerous other interesting empirical features. The excellent properties of the new algorithm for inference are explored using synthetic data experiments, and by revisiting the role of financial factors in economic fluctuations using identification based on sign restrictions.

연구 동기 및 목표

• 기존의 기각 샘플링 방법을 사용할 경우 대규모 VAR에 부호 제약 조건을 적용하는 데 있어 계산상의 비현실성 문제를 해결한다.
• 파라미터 추정과 구조적 제약 조건을 별도로 다루는 이중 단계 식별 절차의 한계를 극복한다.
• 파라미터 추정과 구조적 식별을 통합된 추론 문제로 간주하는 확장 가능한 베이지안 MCMC 알고리즘을 개발한다.
• 다양한 구조적 충격을 동시에 식별하기 위해 넓은 정보 집합을 활용할 수 있도록 하여, 실증 분석의 투명성과 견고성을 향상시킨다.
• 대규모 VAR 모델에 비선형성, 비대칭성 및 기타 복잡한 구조적 특성을 계산적으로 실현 가능한 방식으로 통합할 수 있도록 한다.

제안 방법

• 감소형 VAR 오차항을 정적 요인 구조로 모델링하여, 구조적 충격을 관측되지 않은 공통 요인으로 간주한다.
• 부호 제약 조건과 영 제약 조건을 요인 하중 행렬에 대한 비모수적 사전 분포로 통합함으로써, 구조적 식별 문제를 파라미터 추정 문제로 전환한다.
• 기각 샘플링을 피하기 위해, VAR 파라미터와 구조적 제약 조건을 단일 MCMC 단계에서 동시에 추출하는 길버트 샘플러를 유도한다.
• 많은 변수와 충격을 포함한 대규모 VAR에서 고차원 파라미터 공간을 정규화하기 위해 말뚝형 사전 분포를 사용한다.
• 모든 추출 샘플이 수용되는 조건부 사후 시뮬레이션 기반 구현 방식을 적용하여 계산 효율성을 크게 향상시킨다.
• 합성 데이터와 일곱 개의 식별 충격을 가진 15변수 실증 VAR에 대해 방법을 적용하여, Furlanetto 등(2019)의 결과를 재현하고 확장한다.

실험 결과

연구 질문

• RQ1 기각 샘플링의 계산 부담을 피하면서 VAR 파라미터와 구조적 제약 조건을 동시에 추정할 수 있는 통합 프레임워크를 개발할 수 있는가?
• RQ2 다수의 충격을 포함한 대규모 VAR에 적용했을 때, 제안된 알고리즘이 계산 속도와 정확성 측면에서 어떻게 성능을 발휘하는가?
• RQ3 단일 대규모 정보 집합을 사용하여 다수의 구조적 충격을 동시에 식별할 수 있는 정도는 어느 정도인가?
• RQ4 실제 거시경제 응용 사례에서, 새로운 알고리즘과 Rubio-Ramírez 등(2010)의 기존 방법 간 충격 반응 함수와 사후 추정치는 어떻게 비교되는가?
• RQ5 계산적으로 실현 가능한 방식으로 비대칭성, 비선형성 및 다수의 부호 제약 조건을 가진 충격을 동시에 처리할 수 있는가?

주요 결과

• 6변수 VAR에서 새로운 알고리즘은 5,000개의 상관관계가 없는 사후 샘플을 5분 이내로 생성하는 데 성공했으며, Rubio-Ramírez 등(2010)의 알고리즘은 오직 2,000개의 유효 샘플을 생성하는 데 4시간이 소요되었다.
• 7개의 충격을 포함한 15변수 VAR에서는 단 몇 분 내로 600,000개의 사후 샘플(구조적 행렬 포함)을 추출했으며, 희소화 후 5,000개의 사용 가능한 샘플을 확보했다.
• 대규모 VAR에서 신용 충격에 대한 충격 반응 함수는 Furlanetto 등(2019)의 결과와 일치하지만, 새로운 역학적 특성을 드러낸다: 첫 번째 신용 스프레드는 동시에 음의 반응을 보이며, 두 번째 스프레드는 초기에는 반응이 없지만 후속 기간에 긍정적인 반응을 보인다.
• 이 방법은 단일 대규모 VAR를 통해 다수의 구조적 충격을 동시에 식별할 수 있어, 충격 간의 직접적인 비교 및 구조적 가설 검증을 가능하게 한다.
• 말뚝형 사전 분포는 고차원 파라미터 공간(1,140개의 파라미터, 변수당 114개의 관측치)을 효과적으로 정규화하여 대규모 모델에서 안정적인 추정을 보장한다.
• 표 6의 15×7 제약 조건 행렬과 같은 복잡한 부호 제약 조건 행렬을 처리할 수 있는 능력은, 실제 실증 설정에서의 확장성과 견고성을 입증한다.