VAR-модели и эмпирическая макроэкономика

Векторные авторегрессии и прикладной анализ Векторные авторегрессии (VAR) — статистические модели, широко используемые для эмпирического анализа макроэкономической динамики, прогнозирования и оценки эффектов политики. В отличие от структурных DSGE-моделей, VAR-модели являются атеоретическими и позволяют данным "говорить самим за себя". Структура VAR-модели VAR описывает систему переменных, где каждая переменная зависит от своих прошлых значений и прошлых значений всех других переменных в системе. Простейший VAR(1) для двух переменных: y₁ₜ = a₁₁y₁ₜ₋₁ + a₁₂y₂ₜ₋₁ + ε₁ₜ, y₂ₜ = a₂₁y₁ₜ₋₁ + a₂₂y₂ₜ₋₁ + ε₂ₜ. VAR-модели не требуют a priori теоретических ограничений на структуру экономики. Они оценивают динамические связи между переменными из данных. Прогнозирование VAR-модели широко используются для макроэкономического прогнозирования. Они захватывают авторегрессионную структуру и взаимосвязи между переменными. Прогнозы VAR часто сопоставимы или превосходят структурные модели на коротких горизонтах. Недостаток: большое количество параметров требует длинных временных рядов. Байесовские VAR (BVAR) используют априорную информацию для регуляризации и улучшения прогнозов. Импульсные функции отклика Импульсные функции отклика (Impulse Response Functions, IRF) показывают динамическую реакцию переменных системы на единичный шок одной из переменных. IRF отвечают на вопрос: как меняется переменная Y в периоды t, t+1, t+2... после шока переменной X в период t? Идентификация шоков — ключевая проблема. Структурный VAR (SVAR) накладывает ограничения (теоретические или статистические) для идентификации "чистых" структурных шоков (монетарных, технологических и т.д.). Анализ монетарной политики VAR-модели активно применяются для оценки эффектов монетарной политики. Типичная модель включает ВВП, инфляцию, процентную ставку. Импульсный отклик на шок ставки показывает, как ужесточение политики влияет на выпуск и инфляцию. Стандартные результаты: повышение ставки снижает выпуск и инфляцию с лагом в несколько кварталов. Максимальный эффект на выпуск — через 4-8 кварталов, на инфляцию — ещё позже. Декомпозиция дисперсии Декомпозиция дисперсии (Variance Decomposition) показывает, какая доля колебаний каждой переменной объясняется различными шоками. Это помогает понять относительную важность разных источников колебаний. Применение для инвесторов Результаты VAR-анализа информируют о типичных временных лагах воздействия политики и шоков на экономику. Это помогает формировать ожидания относительно сроков реализации эффектов. Импульсные функции отклика из опубликованных исследований дают представление о масштабах типичных реакций. Например, насколько снижается ВВП при повышении ставки на 100 базисных пунктов. VAR-прогнозы используются как один из входов в процесс формирования ожиданий. Сравнение VAR-прогнозов с консенсусом может выявить расхождения и потенциальные торговые возможности.