[논문 리뷰] Efficient Estimation of State-Space Mixed-Frequency VARs: A Precision-Based Approach

Joshua C. C. Chan, Aubrey Poon외 1명|arXiv (Cornell University)|2021. 12. 21.

Monetary Policy and Economic Impact인용 수 4

한 줄 요약

이 논문은 상태공간 혼합주기 VAR 모델에서 부족한 저주파수 관측치를 효율적으로 추정하기 위해 정밀도 기반 샘플러 두 가지를 제안한다. 블록-밴드 정밀도 행렬을 활용하여 표준 칼만 필터링 대비 수치 정확도와 계산 속도를 향상시킨다. 이 방법은 정확하거나 근사적인 선형 제약 조건을 갖는 채로 부족한 값을 동시에 빠르게 추출할 수 있게 하여 대규모 거시경제 모델에서의 추정 효율성을 크게 향상시킨다.

ABSTRACT

State-space mixed-frequency vector autoregressions are now widely used for nowcasting. Despite their popularity, estimating such models can be computationally intensive, especially for large systems with stochastic volatility. To tackle the computational challenges, we propose two novel precision-based samplers to draw the missing observations of the low-frequency variables in these models, building on recent advances in the band and sparse matrix algorithms for state-space models. We show via a simulation study that the proposed methods are more numerically accurate and computationally efficient compared to standard Kalman-filter based methods. We demonstrate how the proposed method can be applied in two empirical macroeconomic applications: estimating the monthly output gap and studying the response of GDP to a monetary policy shock at the monthly frequency. Results from these two empirical applications highlight the importance of incorporating high-frequency indicators in macroeconomic models.

연구 동기 및 목표

• 스토케스틱 볼atility를 수반한 대규모 상태공간 혼합주기 VAR 모델을 추정할 때 발생하는 높은 계산 비용을 해결하기 위해.
• 표준 칼만 필터 기반 방법에 대한 수치 정확도와 계산 효율성이 뛰어난 대안을 개발하기 위해.
• 고주기 지표를 거시경제 모델에 통합하여 예측 및 정책 분석의 정확도를 향상시키기 위해.
• 혼합주기 모델에서 중요한 역할을 하는 시간 간의 선형 제약 조건을 갖는 부족한 관측치를 처리하기 위해 정밀도 기반 샘플링 기법을 확장하기 위해.

제안 방법

• 고주기 데이터와 모델 파라미터를 바탕으로 부족한 저주파수 관측치의 결합 가우시안 조건부 분포를 유도한다.
• 정밀도 행렬의 블록-밴드 구조를 활용하여 밴드 행렬 알고리즘을 사용해 효율적인 샘플링을 가능하게 한다.
• 모든 부족한 값을 동시에 추출하는 단일 단계 정밀도 기반 샘플러를 구현하여 반복적인 필터링 단계를 피한다.
• 정확한(하드) 및 부드러운(소프트) 선형 제약 조건을 통합하여 보간된 저주파수 값이 관측된 분기 총합과 일치하도록 보장한다.
• 베이지안 프레임워크 내에서 게이브스 샘플링을 사용하며, 정밀도 기반 샘플러가 표준 칼만 필터링을 대체하여 부족한 자료를 보정한다.
• 최근의 희박성 및 밴드 행렬 알고리즘의 발전을 활용하여 고차원 시스템에서도 계산 효율성을 유지한다.

실험 결과

연구 질문

• RQ1 복잡한 지연 구조를 가진 모델에서 대규모 상태공간 혼합주기 VAR 모델의 계산 부담을 정밀도를 유지하면서 어떻게 줄일 수 있는가?
• RQ2 부족한 저주파수 관측치를 보정할 때 정밀도 기반 샘플링 방법이 표준 칼만 필터링보다 속도와 정확도 면에서 뛰어나게 되는가?
• RQ3 혼합주기 모델에서 부족한 관측치를 보정할 때 시간 간의 선형 상호관계 제약 조건을 얼마나 효과적으로 적용할 수 있는가?
• RQ4 실제 거시경제 응용 분야, 예를 들어 실질 성장률 격차 추정과 통화정책 충격 분석에서 제안된 방법은 어떤 성능을 보이는가?

주요 결과

• 제안된 정밀도 기반 샘플러는 특히 복잡한 지연 구조를 가진 모델에서 표준 칼만 필터링 기반 방법보다 훨씬 계산 효율성이 뛰어나다.
• 시뮬레이션 연구 결과, 기존의 필터링 접근 방식에 비해 새로운 방법이 부족한 저주파수 값 추정에서 더 높은 수치 정확도를 확보함을 확인하였다.
• 실제 응용 사례인 실질 성장률 격차 분석에서, 고주기 지표를 활용해 월간 실질 GDP 추정치를 성공적으로 도출하였으며, 이는 개선된 예측 성능을 보여주었다.
• 통화정책 충격 분석 결과, 실질 GDP의 1표준편차 크기의 놀라움에 대해 연방기금금리가 약 5 basis points의 즉각적인 반응을 보였으며, 이는 모델의 정책 관련성을 입증한다.
• 통화정책 충격에 대한 실질 GDP의 누적 반응는 0이며, 고전적 이분화 이론과 일치하여 모델의 구조적 일관성을 검증한다.
• 실업률이 아닌 실질 성장률을 실질 경제 지표로 포함함으로써 더 경제적으로 의미 있는 정책 반응을 도출할 수 있었으며, 이는 고주기 데이터 통합의 중요성을 강조한다.