Monte Carlo Analysis of Forecast Error Variance Decompositions under Alternative Model Identification Schemes

Anna Staszewska-Bystrova

doi:10.18778/0208-6018.338.07

Autor

Anna Staszewska-Bystrova Uniwersytet Łódzki, Wydział Ekonomiczno-Socjologiczny, Katedra Modeli i Prognoz Ekonometrycznych http://orcid.org/0000-0002-3941-4986

DOI:

https://doi.org/10.18778/0208-6018.338.07

Słowa kluczowe:

dekompozycja wariancji błędów prognozy, strukturalne modele wektorowej autoregresji, restrykcje długookresowe, restrykcje krótkookresowe

Abstrakt

Celem artykułu jest zbadanie dokładności estymacji parametrów dekompozycji wariancji błędów prognozy dla strukturalnych modeli wektorowej autoregresji zidentyfikowanych z użyciem restrykcji na parametry krótko‑ i długookresowe. W analizie wykorzystano eksperymenty Monte Carlo. Wykazano, że dla procesów o pierwiastkach, których wartość zbliżona jest do jedności, wybrane parametry dekompozycji wariancji błędów prognozy można oszacować z większą precyzją przy założeniu trójkątnej macierzy mnożników długookresowych niż przy restrykcji trójkątnej macierzy mnożników bezpośrednich. Uzyskane wyniki wnoszą wkład do dyskusji dotyczącej zalet i wad różnych schematów identyfikacji przez wskazanie kontrprzykładów dla hipotezy, że wykorzystanie restrykcji krótkookresowych prowadzi do mniejszych błędów szacunku niż zastosowanie restrykcji na parametry długookresowe.

Pobrania

Brak dostępnych danych do wyświetlenia.

Bibliografia

Blanchard O., Quah D. (1989), The dynamic effects of aggregate demand and supply disturbances, “American Economic Review”, vol. 79, pp. 655–673.
Google Scholar

Bruder S. (2015), Comparing several methods to compute joint prediction regions for path forecasts generated by vector autoregressions, University of Zurich, Department of Economics, Working Paper, no. 181.
Google Scholar

Bruno V., Shin H.S. (2015), Capital flows and the risk‑taking channel of monetary policy, “Journal of Monetary Economics”, vol. 71, pp. 119–132.
Google Scholar

Chaudourne J., Fève P., Guay A. (2014), Understanding the effect of technology shocks in SVARs with long‑run restrictions, “Journal of Economic Dynamics and Control”, vol. 41, pp. 154–172.
Google Scholar

Christiano L.J., Eichenbaum M., Vigfusson R.J. (2006), Alternative procedures for estimating vector autoregressions identified with long‑run restrictions, “Journal of the European Economic Association”, vol. 4, pp. 475–483.
Google Scholar

Faust J., Leeper E. (1997), When do long‑run identifying restrictions give reliable results?, “Journal of Business Economics and Statistics”, vol. 15, pp. 345–353.
Google Scholar

Francis N., Owyang M.T., Roush J.E., DiCecio R. (2014), A flexible finite‑horizon alternative to long‑run restrictions with an application to technology shocks, “Review of Economics and Statistics”, vol. 96(4), pp. 638–647.
Google Scholar

Galbraith J., Ullah A., Zinde‑Walsh V. (2002), Estimation of the vector moving average model by vector autoregression, “Econometric Reviews”, vol. 21(2), pp. 205–219.
Google Scholar

Giacomini R. (2013), The Relationship Between DSGE and VAR Models, [in:] T.B. Fomby, L. Kilian, A. Murphy (eds.), VAR Models in Macroeconomics – New Developments and Applications: Essays in Honor of Christopher A. Sims, Emerald Group Publishing Limited, Bingley.
Google Scholar

Huh H.‑S. (2013), A Monte Carlo test for the identifying assumptions of the Blanchard and Quah (1989) model, “Applied Economics Letters”, vol. 20(6), pp. 601–605.
Google Scholar

Kilian L. (1998), Small‑sample confidence intervals for impulse response functions, “The Review of Economics and Statistics”, vol. 80(2), pp. 218–230.
Google Scholar

Kilian L. (2009), Not all oil price shocks are alike: Disentangling demand and supply shocks in the crude oil market, “American Economic Review”, vol. 99, pp. 1053–1069.
Google Scholar

Kilian L., Lütkepohl H. (2017), Structural Vector Autoregressive Analysis, Cambridge University Press, Cambridge.
Google Scholar

Kim J.H. (2014), Testing for parameter restrictions in a stationary VAR model: A bootstrap alternative, “Economic Modelling”, vol. 41, pp. 267–273.
Google Scholar

Lanne M., Meitz M., Saikkonen P. (2017), Identification and estimation of non‑Gaussian structural vector autoregressions, “Journal of Econometrics”, vol. 196(2), pp. 288–304.
Google Scholar

Li Y.D., İşcan T.B., Xu K. (2010), The impact of monetary policy shocks on stock prices: Evidence from Canada and the United States, “Journal of International Money and Finance”, vol. 29(5), pp. 876–896.
Google Scholar

Lin B., Liu C. (2016), Why is electricity consumption inconsistent with economic growth in China?, “Energy Policy”, vol. 88, pp. 310–316.
Google Scholar

Ludvigson S.C., Ma S., Ng S. (2017), Shock restricted structural vector‑autoregressions, NBER Working Paper no. 23225.
Google Scholar

Lütkepohl H. (2005), New Introduction to Multiple Time Series Analysis, Springer‑Verlag, Berlin.
Google Scholar

Lütkepohl H., Staszewska‑Bystrova A., Winker P. (2015a), Comparison of methods for constructing joint confidence bands for impulse response functions, “International Journal for Forecasting”, vol. 31, pp. 782–798.
Google Scholar

Lütkepohl H., Staszewska‑Bystrova A., Winker P. (2015b), Confidence bands for impulse responses: Bonferroni versus Wald, “Oxford Bulletin of Economics and Statistics”, vol. 77, pp. 800–821.
Google Scholar

Lütkepohl H., Staszewska‑Bystrova A., Winker P. (2018), Estimation of structural impulse responses: short‑run versus long‑run identifying restrictions, “AStA Advances in Statistical Analysis”, vol. 102, pp. 229–244.
Google Scholar

Staszewska A. (2007), Representing uncertainty about response paths: The use of heuristic optimization methods, “Computational Statistics and Data Analysis”, vol. 1, pp. 121–132.
Google Scholar