9.4.2 DSGE模型的实证证据

9.4.2 DSGE模型的实证证据

DSGE模型的主要优势在于其使用内部一致的模型预测，从而便于纳入当前和未来政策决策等条件信息。然而,关于DSGE模型在提高更即兴的经济预测准确性方面有多大帮助,目前仍无定论。这在一定程度上反映了DSGE模型的缺陷,因为它们使用的经济模型表征不可避免地高度简化。如果DSGE模型所施加的跨方程约束被数据拒绝,这将导致预测偏差。作为对这种偏差的抵消,DSGE模型具有减少参数估计误差影响的潜力。

在其实证分析中,Del Negro和Schorfheide(2013)发现,来自Blue Chip调查的产出增长和通胀的短期预测比由Smets和Wouters(2003)类型模型生成的DSGE预测更为精确。然而,在五到八个季度的较长预测期,DSGE对产出增长的预测比相应的调查预测更为精确。反过来,Blue Chip利率预测在一到八个季度的预测期上优于DSGE预测。

Ghent(2009)考察了不同的DSGE模型及其隐含的先验分布,在一项涉及美国产出、投资、工时和消费的预测练习中。尽管考虑了多种对变量间关系具有不同含义的模型,Ghent发现这些模型产生的贝叶斯VAR具有非常相似的预测表现,但相对于无约束的VAR模型以及使用明尼苏达先验的简单BVAR有所改进。

Edge和Gürkaynak(2010)使用Mincer–Zarnowitz回归将结果对截距和DSGE预测进行回归。如果预测是无偏的,截距应等于0,斜率应等于1;详见第15章。对于通胀预测,他们发现截距(α)显著为正,而DSGE预测的斜率系数$(\beta )$显著小于1,这表明预测存在偏差。产出增长预测也出现类似的模式,不过这里的偏差证据在统计意义上较弱。对于利率预测,DSGE通胀预测的斜率系数在一到六个季度的预测期超过1,并且在最短预测期上截距为负,且显著不同于0。

Del Negro和Schorfheide(2013)总结更广泛的文献后得出结论:"文献中的实证证据表明,DSGE模型预测与标准自回归或向量自回归模型相当,但可能被更复杂的单变量或多变量时间序列模型所超越。"

Del Negro和Schorfheide(2013)认为,DSGE模型某些较差的短期预测表现可能归因于其使用的信息集较窄,而相比之下,调查预测可以利用更大范围的变量和更及时的信息。他们指出了通过更好地纳入外部信息来改进DSGE预测的几种方法。为了应对这些模型相对于调查预测所具有的信息劣势,Del Negro和Schorfheide建议在估计模型参数时使用可观察的长期预期数据。这种长期通胀预期可通过修改中央银行的利率反馈规则并为模型增加一个平稳的时变通胀目标来确定目标通胀率。

另一种策略是使用来自调查数据的外部即时预测(nowcast)来改善模型对当前和未来状态的估计以及估计模型参数。来自调查的即时预测蕴含大量信息,因此可用于概括广泛的信息集合。具体而言,在一期预测期,Del Negro和Schorfheide建议用$p(s_T,s_{T+1}|\theta ,y_1,...,y_T,z_{T+1})$来修正(9.45)式中的$p(s_T,s_{T+1}|\theta ,y_1,...,y_T)$,其中$z_{T+1}$是在$y_{T+1}$发布之前可获得的一期Blue Chip即时预测。

使用DSGE模型进行预测仍然是一个高度活跃且前景广阔的研究领域,具有潜力提出改进这些模型纳入外部信息方式的方法,同时以有助于减少估计误差并指导这些模型在为政策建议提供反馈方面的使用的方式来纳入经济理论的约束。