[論文レビュー] Local Projections vs. VARs: Lessons From Thousands of DGPs

Dake Li, Mikkel Plagborg‐Møller+1 more|arXiv (Cornell University)|Apr 1, 2021

Monetary Policy and Economic Impact被引用数 26

ひとこと要約

本論文は、大規模なシミュレーションを実施し、Local Projection (LP) と VAR のインパルス応答推定量を、実証的にキャリブレーションされた数千の DGP に渡って比較し、バイアスと分散のトレードオフを浮き彫りにし、どの状況でバイアス補正済みの LP や VAR 手法が望ましいかについて指針を提供します。

ABSTRACT

We conduct a simulation study of Local Projection (LP) and Vector Autoregression (VAR) estimators of structural impulse responses across thousands of data generating processes, designed to mimic the properties of the universe of U.S. macroeconomic data. Our analysis considers various identification schemes and several variants of LP and VAR estimators, employing bias correction, shrinkage, or model averaging. A clear bias-variance trade-off emerges: LP estimators have lower bias than VAR estimators, but they also have substantially higher variance at intermediate and long horizons. Bias-corrected LP is the preferred method if and only if the researcher overwhelmingly prioritizes bias. For researchers who also care about precision, VAR methods are the most attractive -- Bayesian VARs at short and long horizons, and least-squares VARs at intermediate and long horizons.

研究の動機と目的

• 現実的で非有限 VAR DGP における LP と VAR のインパルス応答推定量のバイアス-分散トレードオフを動機づけ、特徴づける。
• 複数の識別スキームの下で、LP/VAR 系統のバイアス補正、縮小、モデル平均化、ベイズ的アプローチを含む広範な選択肢を評価する。
• 異なる喪失関数（バイアス、分散、または MSE を重視するもの）において、異なる予測将来距離でどの推定量が最も良好に機能するかを特定する。
• シミュレーション結果に基づき、実証マクロ経済学のデフォルト手順に関する実務的な指針を研究者に提供する。

提案手法

• Stock & Watson のデータから構築された、経験的にキャリブレーションされた動的因子モデルから得られた数千の DGP に対して、インパルス応答推定をシミュレーションする。
• 最小二乗法による LP および VAR 推定量と、バイアス補正、縮小、ベイズ VAR、モデル平均化を含む派生手法を比較する。
• 観測ショック、IV/代理変数、再帰的（Cholesky）識別の3つの識別スキームを実装する。
• バイアスと分散を重み付ける損失関数を使用して、ホライズン全体にわたる性能を評価し、どの手法が優れているかを特定する。
• 実際的なマクロ時系列ダイナミクスを模倣するため、潜在因子と特異成分を含む非定常 DFM の DGP を基盤とする。

実験結果

リサーチクエスチョン

• RQ1 現実的で非有限 VAR DGP における LP と VAR のインパルス応答推定量のバイアス-分散トレードオフはどうなるか？
• RQ2 標準の LS-LP および LS-VAR と比較して、バイアス補正 LP、縮小、ベイズ VAR、モデル平均化は、ホライズンや識別スキームを跨いでどのように性能を発揮するか？
• RQ3 さまざまな識別性設定の下で、どの推定手法が平均二乗誤差を最小化し、どれがバイアスを優先するか？
• RQ4 ホライズンや、DGP における持続的ダイナミクスや共積分の存在に応じて、結果はどのように変化するか？
• RQ5 マクロ計量経済学におけるインパルス応答推定のデフォルト手順について、研究者に提供できる実践的な指針は何か？

主な発見

• LP 推定量は VAR 推定量よりバイアスが低いが、中間および長期のホライズンで分散が著しく大きい。
• バイアス補正 LP は、バイアスが圧倒的に分散より優先される場合にのみ推奨される。
• VAR 手法は平均平方誤差の損失においてより魅力的であり、ベイズ VAR は短期および長期のホライズンで良好に機能し、LS-VAR は中間のホライズンで良好に機能する。
• IV識別では SVAR-IV が中央値バイアスだが分散が小さく、ある設定で外部 IV の使用を正当化する。
• 本研究はバイアス-分散トレードオフを強調し、実用的なデフォルトを示唆している：精度が重要な場合は VAR 手法を使い、バイアスが最重要課題である場合はバイアス補正 LP を検討する。