长期约束下结构向量自回归模型的推断方法

This project is to propose a new approach for the identification of Structural Vector Autoregression (SVAR) under long-run restrictions. The conventional identification approach for long-run SVAR can be found in, e.g., Blanchard and Quah (1989). As shown by Gospodinov (2010), however, this conventional identification approach fails to function under persistent data, a phenomenon that can be explained as identification with a weak instrument. To resolve the malfunction of the conventional approach, we adopt the method in Phillips and Magdalinos (2009) to construct a strong instrument, which is then employed to construct a reliable confidence interval for structural parameters in SVAR. For illustration, we apply the proposed approach to the classic example of Blanchard and Quah (1989).

结构向量自回归(Structural Vector Autoregression, 简称SVAR)模型在国内外被广泛应用于宏观经济分析，而该模型的一种经典识别方法来自Blanchard and Quah (1989)所建议的带有经济学含义的长期约束。本项目研究的正是SVAR模型在长期约束条件下的识别问题。这是因为最近的研究表明(参见Gospodinov, 2010)，在持久性数据和长期约束下，传统的SVAR模型识别方法将会失效。鉴于传统方法失效，本项目试图发展出一种新的识别方法。这种新方法基于计量经济学中的构造工具变量法(参见Phillips and Magdalinos, 2009)，将能够增强识别条件，并最终达到对SVAR模型的有效识别。基于本项目提出的新方法的SVAR模型识别结果，将可以为相关的经济学问题提供更加可信的答案，从而为国民经济和社会发展的热点问题提供更有价值的参考。

结构向量自回归(Structural Vector Autoregression, 简称SVAR)模型在国内外被广泛应用于宏观经济分析，而该模型的一种经典识别方法来自Blanchard and Quah (1989)建议的带有经济学含义的长期约束。本项目研究的正是SVAR模型在长期约束条件下的模型参数识别问题。这是因为最近的研究表明(参见Gospodinov, 2010)，在持久性数据和长期约束下，传统的SVAR模型识别方法将会失效。鉴于传统方法失效，本项目成功发展出一种新的识别方法。这种新方法基于计量经济学中的构造工具变量法(参见Magdalinos and Phillips, 2009)，可以达到对SVAR模型的有效识别。基于本项目提出的新方法的SVAR模型识别结果，将可以为相关的经济学问题提供更加可信的答案，从而为国民经济和社会发展的热点问题提供更有价值的参考。