[论文解读] Instrumental Variable Identification of Dynamic Variance Decompositions
本文针对外部工具变量存在测量误差的动态宏观模型中的方差分解问题，发展了工具变量（IV）方法。研究表明，在无额外假设下，被工具化的冲击的方差贡献仅能区间识别，且具有紧致边界；在可恢复性假设下，可实现点识别。将该方法应用于美国通胀数据，发现1990年后货币冲击对通胀方差的贡献最多为8%，挑战了传统SVAR研究的结论。
Macroeconomists increasingly use external sources of exogenous variation for causal inference. However, unless such external instruments (proxies) capture the underlying shock without measurement error, existing methods are silent on the importance of that shock for macroeconomic fluctuations. We show that, in a general moving average model with external instruments, variance decompositions for the instrumented shock are interval-identified, with informative bounds. Various additional restrictions guarantee point identification of both variance and historical decompositions. Unlike SVAR analysis, our methods do not require invertibility. Applied to U.S. data, they give a tight upper bound on the importance of monetary shocks for inflation dynamics.
研究动机与目标
- 解决当外部工具变量受测量误差影响时，方差分解无法识别的问题。
- 在无需可逆性假设的前提下，为移动平均模型中被工具化的冲击的方差贡献提供紧致边界。
- 建立在存在测量误差时，方差分解与历史分解可实现点识别的条件。
- 为应用研究者开发一种实用、可实施的推断框架，包含置信区间。
提出的方法
- 将被工具化的冲击建模为动态测量误差模型，利用宏观变量与工具变量的二阶矩。
- 基于观测到的自协方差，推导工具变量信号与噪声比的紧致下界与上界。
- 施加可恢复性假设——即冲击可由所有观测变量的滞后与前向滞后所张成——以实现点识别。
- 使用宏观变量与工具变量的简化形式VAR模型，估计二阶矩。
- 应用Imbens-Manski（2004）的置信区间程序，构建边界与点估计的渐近有效置信区间。
- 开发一套用于推断的代码工具，包括基于格兰杰因果关系的可逆性预检检验。
实验结果
研究问题
- RQ1当外部工具变量存在测量误差时，能在多大程度上识别出动态模型中结构性冲击的真实方差贡献？
- RQ2在存在测量误差的情况下，被工具化冲击的方差分解的紧致边界是什么？
- RQ3在存在测量误差时，方差与历史分解可实现点识别的条件是什么？
- RQ4能否构建一个预检可逆性的检验，以利用模型最强的可检验推论？
- RQ5在实证应用中，该方法的边界与点估计与标准SVAR估计相比如何？
主要发现
- 在无额外限制条件下，被工具化冲击的方差贡献为区间识别，且边界具有信息量且紧致。
- 下界对应于将工具变量视为完美代理（即测量误差为零）的情形，而上界则反映了与观测数据同向运动一致的最大合理信号与噪声比。
- 在可恢复性假设下——即冲击可由所有观测变量的滞后与前向滞后所张成——方差分解与历史分解均可实现点识别。
- 该方法为1990年后美国通胀动态中货币冲击对预测方差贡献的90%置信区间，排除了所有时 horizon 上超过8%的值。
- 数据表明，1990年后存在显著的不可逆性，这削弱了标准SVAR-IV估计的有效性。
- 所提出的可逆性预检检验被证明充分利用了模型最强的可检验推论。
更好的研究，从现在开始
从阅读论文到最终审阅，大幅缩短您的研究时间。
无需绑定信用卡
本解读由 AI 生成，并经人工编辑审核。