VAR-модели в макроэкономическом анализе

VAR-модели в макроэкономическом анализе

VAR-модели: эмпирический инструмент макроэкономики Векторные авторегрессионные модели (Vector Autoregression, VAR) стали одним из основных инструментов эмпирической макроэкономики после работ Кристофера Симса в 1980-х годах. VAR позволяет анализировать взаимодействие между несколькими макроэкономическими переменными, отслеживать распространение шоков через экономику, строить прогнозы. Для инвесторов понимание VAR-методологии полезно для интерпретации макроэкономических исследований и построения собственных прогнозных моделей. Структура VAR-модели VAR-модель представляет каждую переменную как функцию её собственных прошлых значений и прошлых значений всех других переменных в системе. Если мы моделируем ВВП, инфляцию и процентную ставку, каждая из этих переменных зависит от лагов всех трёх переменных. Ключевое преимущество VAR — минимальные априорные предположения о структуре экономики. В отличие от структурных моделей, требующих спецификации всех взаимосвязей, VAR позволяет «данным говорить за себя». Это делает VAR устойчивым к ошибкам спецификации, но может затруднять экономическую интерпретацию. Количество лагов выбирается на основе информационных критериев (AIC, BIC) или экономических соображений. Слишком мало лагов — риск пропустить важную динамику. Слишком много — потеря степеней свободы и переобучение. Импульсные функции отклика Impulse Response Functions (IRF) показывают реакцию переменных на единичный шок в одной из переменных. Например, как ВВП и инфляция реагируют на неожиданное повышение процентной ставки? IRF прослеживает эффект во времени, показывая величину, знак и затухание реакции. Для идентификации структурных шоков требуются дополнительные предположения. Холесковская декомпозиция предполагает рекурсивную структуру — переменные упорядочиваются, и переменная может мгновенно реагировать только на переменные выше в порядке. Альтернативные подходы используют знаковые ограничения или долгосрочные ограничения. Классический пример — анализ монетарной политики. Шок процентной ставки (неожиданное ужесточение) обычно ведёт к снижению выпуска и инфляции с лагом в 1-2 года. IRF количественно характеризует этот эффект — «ценовая загадка» (рост цен после ужесточения) указывает на проблемы с идентификацией. Декомпозиция дисперсии Variance Decomposition показывает, какая доля вариации каждой переменной объясняется шоками в разных переменных. Это позволяет оценить относительную важность различных источников колебаний. Например, какая доля колебаний ВВП объясняется монетарными шоками, а какая — шоками спроса или предложения? Результаты декомпозиции зависят от горизонта. На коротких горизонтах большую роль играют собственные шоки переменной. На длинных — могут доминировать шоки из других переменных, если они имеют устойчивый эффект. Прогнозирование с VAR VAR-модели широко используются для макроэкономического прогнозирования. Их преимущество — учёт взаимозависимости переменных. Прогноз инфляции учитывает ожидаемую динамику выпуска и ставок, и наоборот. Байесовские VAR (BVAR) добавляют априорную информацию, улучшая прогнозные свойства при ограниченных данных. Минесотский prior предполагает, что переменные близки к случайному блужданию, что часто оправдано для макроэкономических рядов. VAR-прогнозы часто используются как бенчмарк. Более сложные модели (DSGE, machine learning) оцениваются по способности превзойти простой VAR-прогноз. Если модель не может обогнать VAR, сложность не оправдана. Ограничения и критика «Атеоретичность» — главная критика VAR. Без структурной интерпретации результаты могут быть статистически значимыми, но экономически бессмысленными. Корреляции, выявленные VAR, не обязательно отражают причинно-следственные связи. Чувствительность к спецификации — результаты могут существенно меняться при изменении набора переменных, количества лагов, периода оценки. Робастность результатов требует проверки на множестве спецификаций. Нелинейность и структурные сдвиги плохо улавливаются стандартными VAR. Расширения — пороговые VAR, Markov-switching VAR — адресуют эти проблемы, но усложняют оценку и интерпретацию.