[论文解读] Local Projections vs. VARs: Lessons From Thousands of DGPs
本文在千余个经验校准的DGP上进行大规模仿真，比较Local Projection (LP)和VAR冲击响应估计量，强调偏差-方差权衡，并就何时采用偏差校正的LP或VAR方法给出指导。
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.
研究动机与目标
- 在现实、非有限VAR DGP中识别LP与VAR冲击响应估计量之间的偏差-方差权衡，并进行表征。
- 在多种识别方案下，评估广泛的LP/VAR变体（偏差校正、收缩、模型平均、贝叶斯方法）。
- 确定在不同损失函数下，优先考虑偏差、方差或均方误差（MSE）的估计器在不同时间的表现。
- 基于仿真结果，为实证宏观计量经济学研究者提供默认程序的实用指南。
提出的方法
- 从基于Stock & Watson数据构建的经验校准动态因子模型中提取的DGP中进行冲击响应估计的千次仿真。
- 比较最小二乘LP和VAR估计量及其变体，包括偏差校正、收缩、贝叶斯VAR和模型平均。
- 实现三种识别方案：观测冲击、IV/代理变量，以及递归（Cholesky）识别。
- 使用权衡偏差和方差的损失函数，在不同时间点评估性能并找出各方法的优点。
- 将DGP建立在具有潜在因素和专有成分的非平稳DFM中，以模拟现实宏观时间序列的动力学。
实验结果
研究问题
- RQ1在现实的、非有限VAR数据生成过程的情况下，LP与VAR冲击响应估计量之间的偏差-方差权衡是什么？
- RQ2偏差校正的LP、收缩、贝叶斯VAR和模型平均在各时间点和识别方案中相对于标准的LS-LP和LS-VAR表现如何？
- RQ3哪种估计方法最小化均方误差，哪种在不同可识别性设置下偏向偏差？
- RQ4结果如何随时间点和DGP中的持久动态或协整的存在而变化？
- RQ5研究者在宏观计量经济学的冲击响应估计默认程序方面可以给出哪些实际指南？
主要发现
- LP估计量的偏差低于VAR估计量，但在中期和长期的方差显著更高。
- 只有在偏差被压倒性优先于方差时，偏差校正的LP才更受欢迎。
- 在均方误差损失下，VAR方法更具吸引力，贝叶斯VAR在短期和长期表现良好，LS-VAR在中期表现良好。
- 在IV识别下，SVAR-IV为中位偏差但方差分散度降低，在某些情形下支持使用外生IV。
- 研究强调偏差-方差权衡，并提出实际默认：如果对精度重要，使用VAR方法；当偏差是主要关注点时，考虑偏差校正的LP。
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。