跳转至

Partial identification of structural vector autoregressions with non-centred stochastic volatility

作者: Helmut Lütkepohl, Fei Shang, Luis Uzeda, Tomasz Woźniak
来源: Journal of Econometrics
主题: 经济理论 / 应用
相关性: 4/10
机构绿灯: University of Melbourne（US News 前 50，免分进入精读）
链接: 期刊页 · arXiv

一、领域脉络与小综述

这个方向是什么

本方向研究的是结构向量自回归（SVAR）模型的识别问题。SVAR 是宏观经济学中用于量化结构性冲击（如货币政策、财政政策）动态效应的核心工具。其根本困难在于：仅凭观测到的宏观经济时间序列（如 GDP、通胀、税收），无法唯一确定结构冲击的系数矩阵（即“识别”问题）。传统方法依赖“短期零约束”、“长期零约束”或“符号约束”等外部假设来达到恰好识别或过度识别。近年来，一个活跃的子方向是利用异方差性（heteroskedasticity）——特别是随机波动率（Stochastic Volatility, SV）——作为识别来源，因为不同结构冲击的方差随时间独立波动，这提供了额外的信息来区分它们。本文属于这一子方向，但聚焦于部分识别（partial identification）——即当数据信息不足以完全确定所有结构参数时，如何刻画参数的可识别集合并进行推断。

发展脉络（history）

  • 奠基工作：Sims (1980) 提出标准 SVAR，但依赖“递归顺序”等强假设实现恰好识别。Rigobon (2003) 和 Sentana & Fiorentini (2001) 开创性地提出利用条件异方差性（如 GARCH 或马尔可夫切换）作为识别来源，无需传统零约束。这是本方向的起点。
  • 主要进展： Lanne & Lütkepohl (2010) 和 Lütkepohl & Woźniak (2020) 将识别方法扩展到随机波动率设定，利用 SV 的时变方差来识别结构冲击。Lütkepohl & Woźniak (2020) 特别提出了一个中心参数化（centred parameterization）的 SV 模型，其中条件方差的对数遵循一个自回归过程，其先验分布以零为中心。作者指出，这种中心参数化“在识别结构参数方面表现良好，但可能对条件方差的归一化施加了不必要的先验信息”。
  • 当前 frontier： 本文（Lütkepohl et al., 2024）直接回应了上述问题。作者指出，中心参数化下的先验“隐含地假设了同方差（homoskedasticity）的先验概率为零”，这不利于评估部分识别——因为当数据对某些结构参数信息不足时，先验会过度影响后验。本文的贡献是提出一个非中心参数化（non-centred parameterization）的 SV 模型，其边际先验“以同方差为中心，具有强收缩和重尾特性”，从而允许后验在数据信息不足时自然地收缩到同方差情况，更诚实地反映部分识别程度。
  • 本文的位置： 本文是这一子方向中，第一个系统性地将非中心参数化应用于 SVAR 识别的工作，并明确将其与部分识别的贝叶斯推断联系起来。它填补了中心参数化在评估识别不确定性方面的缺口。

子线索聚类

  1. 基于异方差性的识别（Heteroskedasticity-based identification）： 这一簇利用条件方差的变化来识别结构参数。代表工作：Rigobon (2003), Sentana & Fiorentini (2001), Lanne & Lütkepohl (2010)。核心思想是：如果不同结构冲击的方差在不同时期以不同方式变化，那么这些方差变化本身就能提供识别信息，无需外部约束。
  2. 贝叶斯 SVAR 与随机波动率： 这一簇将 SV 模型嵌入贝叶斯框架，通过 MCMC 进行后验推断。代表工作：Lütkepohl & Woźniak (2020), 以及本文。核心挑战在于 SV 模型的参数化（中心 vs. 非中心）如何影响先验分布的形状，进而影响后验推断和识别程度。
  3. 部分识别与贝叶斯推断： 这一簇关注在贝叶斯框架下如何量化识别不确定性。当模型参数仅被部分识别时，后验分布会受先验影响。代表工作：Poirier (1998), Gustafson (2005)。本文通过非中心参数化，使得先验在识别不足时自动“收缩”到同方差，从而提供了一种评估部分识别程度的工具。

这个方向在追问的核心问题

  1. 如何在不依赖传统零约束的情况下识别 SVAR？ 异方差性（特别是 SV）能否提供足够的识别信息？
  2. 如何量化识别不确定性？ 当数据信息不足时，后验分布如何反映这种不确定性？部分识别程度如何刻画？
  3. 先验选择如何影响识别推断？ 在贝叶斯框架下，不同的参数化（中心 vs. 非中心）会如何改变先验分布的形状，进而影响后验对识别程度的判断？
  4. 大规模系统（高维）下的计算可行性？ 随着变量数量增加，SV 模型的计算负担急剧上升，如何设计高效的 MCMC 算法？

⚠️ 作者的 framing

  • 作者把缺口 frame 成什么： 作者将现有中心参数化 SV 模型（如 Lütkepohl & Woźniak, 2020）的缺口 frame 为：其先验分布隐含地排除了同方差（homoskedasticity），即认为条件方差恒定的概率为零。这使得当数据对某些结构参数信息不足时，后验无法自然地收缩到同方差情况，从而高估了识别程度。本文的非中心参数化则通过“以同方差为中心、强收缩、重尾”的先验，使得后验在信息不足时能“诚实地”反映部分识别。
  • 哪些竞争路线被他淡化或回避了？ 作者淡化了频率学派的部分识别方法（如 Imbens & Manski, 2004 的置信区间），以及基于符号约束的识别方法（如 Uhlig, 2005）。这些方法在宏观 SVAR 中也很流行，但本文完全聚焦于贝叶斯框架下的 SV 识别。作者也回避了非参数识别的可能性，即是否可以不依赖 SV 的具体参数形式（如 AR(1) 过程）而仅利用其非参数特征进行识别。
  • 什么明显该被引 / 该存在、却没出现在 intro 里？ 作者没有引用 Primiceri (2005) 关于时变参数 SVAR 的经典工作，该工作也使用了 SV 但侧重于参数时变性而非识别。此外，Nakamura & Steinsson (2018) 关于利用叙事记录（narrative records）进行识别的文献也未提及。这些可能因为与本文核心（非中心参数化）不直接相关而被省略，但值得研究者去查证是否存在更直接的竞争或互补关系。

张力

未见明显对立引用。所有被引工作基本都认同“异方差性有助于识别”这一核心观点，分歧主要在于具体实现方式（中心 vs. 非中心参数化）和先验选择。

二、最核心、最简单的例子 / 数学问题

第一步：把符号、模型、可观测数据交代清楚

  • 符号：

    • \( y_t \)：\( K \times 1 \) 可观测的宏观经济时间序列向量（如 GDP、税收、政府支出），\( t = 1, \dots, T \)。
    • \( \varepsilon_t \)：\( K \times 1 \) 不可观测的结构冲击向量（如税收冲击、支出冲击、GDP 冲击）。这些是想要识别的对象。
    • \( B \)：\( K \times K \) 结构系数矩阵，满足 \( B y_t = \varepsilon_t \)（或等价地，\( y_t = A \varepsilon_t \)，其中 \( A = B^{-1} \)）。\( B \) 是主要估计目标，其第 \( j \) 列代表第 \( j \) 个结构冲击对当期变量的影响。
    • \( \Sigma_t \)：\( K \times K \) 对角矩阵，\( \Sigma_t = \text{diag}(\sigma_{1t}^2, \dots, \sigma_{Kt}^2) \)，其中 \( \sigma_{it}^2 \) 是第 \( i \) 个结构冲击在时间 \( t \) 的条件方差。这是识别来源。
    • \( h_{it} = \log \sigma_{it}^2 \)：对数条件方差。
    • \( \mu_i \)：对数条件方差过程的无条件均值（长期均值）。
    • \( \phi_i \)：对数条件方差过程的自回归系数（持久性参数）。
    • \( \eta_{it} \)：对数条件方差过程的创新（innovation），通常假设为独立同分布的高斯白噪声。
    • \( \theta \)：模型所有参数的集合，包括 \( B \)、\( \mu_i \)、\( \phi_i \)、\( \eta_{it} \) 的方差等。

  • 模型（数据生成机制）：

    1. 结构方程： \( B y_t = \varepsilon_t \)，其中 \( \varepsilon_t \sim N(0, \Sigma_t) \)。这意味着可观测数据 \( y_t \) 是结构冲击 \( \varepsilon_t \) 的线性组合，但组合系数 \( B \) 未知。
    2. 随机波动率（SV）模型： 每个结构冲击的条件方差 \( \sigma_{it}^2 \) 随时间变化，其对数 \( h_{it} \) 遵循一个平稳的 AR(1) 过程：
      \[h_{it} = \mu_i + \phi_i (h_{i,t-1} - \mu_i) + \eta_{it}, \quad \eta_{it} \sim N(0, \omega_i^2)\]
      其中 \( |\phi_i| < 1 \) 保证平稳性。这个模型意味着方差是随机且时变的，但变化是平滑的（由 AR(1) 驱动）。

  • 可观测数据：

    • 实际能观测到的是： \( \{y_t\}_{t=1}^T \)，即宏观经济时间序列的样本。
    • 想要但观测不到的是：
      • 结构冲击 \( \varepsilon_t \)。
      • 结构系数矩阵 \( B \)。
      • 条件方差 \( \Sigma_t \) 及其参数 \( \mu_i, \phi_i, \omega_i^2 \)。
    • 识别关键： 由于 \( \Sigma_t \) 是时变的，不同结构冲击的方差在不同时间点以不同方式变化。这种异方差性提供了额外的信息，使得我们可以区分不同的结构冲击，从而识别 \( B \)。例如，如果税收冲击的方差在某个时期变大，而支出冲击的方差不变，那么数据中的波动模式就能帮助我们分离出税收冲击的影响。

第二步：讲最小内核

本文的核心思路可以用一个最简单的两变量（\( K=2 \)）例子来理解。假设我们只有两个变量：\( y_t = (y_{1t}, y_{2t})' \)，比如“税收”和“GDP”。结构模型为：

\[\begin{pmatrix} b_{11} & b_{12} \\ b_{21} & b_{22} \end{pmatrix} \begin{pmatrix} y_{1t} \\ y_{2t} \end{pmatrix} = \begin{pmatrix} \varepsilon_{1t} \\ \varepsilon_{2t} \end{pmatrix}\]
其中 \( \varepsilon_{1t} \) 是“税收冲击”，\( \varepsilon_{2t} \) 是“GDP 冲击”。我们想估计 \( B \) 矩阵。

识别问题： 在标准同方差 SVAR（\( \Sigma_t = \Sigma \) 恒定）中，我们只能估计出 \( B^{-1} \Sigma (B^{-1})' \)（即简化式协方差矩阵），这有 \( K(K+1)/2 = 3 \) 个自由参数，但 \( B \) 有 \( K^2 = 4 \) 个参数。因此，我们需要施加一个约束（如 \( b_{12}=0 \)）才能恰好识别。

异方差性如何帮助识别： 现在假设 SV 模型成立，即 \( \Sigma_t \) 随时间变化。假设在时期 \( t=1 \) 和 \( t=2 \)，两个结构冲击的方差发生了不同的变化： - 时期 1：\( \sigma_{1,1}^2 = 1, \sigma_{2,1}^2 = 1 \)（基准方差） - 时期 2：\( \sigma_{1,2}^2 = 4, \sigma_{2,2}^2 = 1 \)（税收冲击方差变大，GDP 冲击方差不变）

那么，在时期 1 和时期 2，可观测数据 \( y_t \) 的协方差矩阵会不同。通过比较这两个时期的协方差矩阵，我们可以唯一地识别出 \( B \) 矩阵（除了符号和排序的模糊性）。这就是 Rigobon (2003) 的核心思想：方差的变化提供了额外的方程，使得未知参数的数量不再超过方程的数量。

本文的最小内核： 在上述两变量例子中，假设我们不知道方差变化的具体模式（即 \( \sigma_{i,t}^2 \) 是随机且不可观测的）。我们想用贝叶斯方法估计 \( B \)。中心参数化会为 \( h_{it} = \log \sigma_{it}^2 \) 设定一个先验，比如 \( h_{it} \sim N(0, \tau^2) \)。这个先验的均值是 0，意味着先验认为方差是 1（因为 \( \log 1 = 0 \)）。但问题在于，这个先验排除了同方差的可能性（因为 \( h_{it} \) 是随机变量，其方差 \( \tau^2 > 0 \)），即使数据表明方差是恒定的，后验也会被迫认为方差在变化。

非中心参数化则不同。它重新参数化 \( h_{it} \) 为：

\[h_{it} = \mu_i + \tilde{h}_{it}\]
其中 \( \tilde{h}_{it} \) 是一个均值为 0 的随机过程（如 AR(1)）。关键区别在于，先验直接放在 \( \mu_i \) 和 \( \tilde{h}_{it} \) 上。作者为 \( \mu_i \) 设定一个以同方差为中心的先验（例如，一个在 0 附近有尖峰、但尾部很厚的分布，如 horseshoe prior）。这意味着： - 如果数据支持方差变化（\( \tilde{h}_{it} \) 显著非零），后验会允许 \( \tilde{h}_{it} \) 变化，从而识别 \( B \)。 - 如果数据对某些结构参数信息不足（例如，无法区分税收冲击和 GDP 冲击），后验会倾向于让 \( \tilde{h}_{it} \) 收缩到 0，使得 \( h_{it} \approx \mu_i \)（即近似同方差）。此时，模型退化为一个近似同方差的 SVAR，而 \( B \) 的后验分布会变得很宽，诚实地反映了部分识别。

一句话总结： 本文的最小内核是通过非中心参数化，使得 SV 模型的先验能够“自动”在识别充分时允许方差变化，在识别不足时收缩到同方差，从而提供一个更诚实的贝叶斯部分识别推断工具。

三、这篇论文做了什么

三句话

  1. 研究了什么问题： 本文研究了在贝叶斯估计下，如何利用非中心参数化的随机波动率（SV）模型来对结构向量自回归（SVAR）进行部分识别，并量化识别不确定性。
  2. 核心工具 / 方法： 核心工具是非中心参数化的 SV 模型，结合强收缩、重尾的边际先验（以同方差为中心），以及高效的贝叶斯 MCMC 估计算法（基于非中心参数化的 Gibbs 采样器）。
  3. 主要结论： 非中心参数化产生的先验更诚实，能更好地评估部分识别程度；蒙特卡洛实验表明其在估计精度和方差归一化方面优于中心参数化；在财政 SVAR 应用中，它识别出的税收冲击与文献一致，并揭示了识别不确定性。

关键设定与假设

  • SVAR 模型： 标准 \( K \) 变量 SVAR(\( p \)) 模型，\( B y_t = \sum_{l=1}^p C_l y_{t-l} + \varepsilon_t \)，\( \varepsilon_t \sim N(0, \Sigma_t) \)。\( B \) 是下三角矩阵（Cholesky 分解），对角线元素为正，这是为了归一化（normalization）——即固定结构冲击的符号和排序。这是标准做法，但作者强调，在部分识别下，这种归一化可能不充分。
  • SV 模型： 每个 \( h_{it} = \log \sigma_{it}^2 \) 遵循一个独立的 AR(1) 过程：\( h_{it} = \mu_i + \phi_i (h_{i,t-1} - \mu_i) + \eta_{it} \)，\( \eta_{it} \sim N(0, \omega_i^2) \)。关键假设：\( |\phi_i| < 1 \)（平稳性），且 \( \eta_{it} \) 独立于结构冲击 \( \varepsilon_t \)。
  • 非中心参数化： 作者将 \( h_{it} \) 重新参数化为 \( h_{it} = \mu_i + \tilde{h}_{it} \)，其中 \( \tilde{h}_{it} \) 是均值为 0 的 AR(1) 过程：\( \tilde{h}_{it} = \phi_i \tilde{h}_{i,t-1} + \eta_{it} \)。核心创新在于先验设定：
    • 对 \( \mu_i \)：使用以 0 为中心、强收缩、重尾的先验（具体为：\( \mu_i \sim N(0, \tau_i^2) \)，其中 \( \tau_i \) 服从一个在 0 附近有尖峰、但尾部很厚的分布，如 half-Cauchy 或 horseshoe prior）。这保证了先验质量集中在同方差（\( \mu_i = 0, \tilde{h}_{it} = 0 \)）附近。
    • 对 \( \tilde{h}_{it} \)：使用标准 SV 先验（如 \( \phi_i \sim \text{Beta}(a,b) \)，\( \omega_i^2 \sim \text{Inverse-Gamma} \)）。
  • 与中心参数化的对比： 中心参数化直接对 \( h_{it} \) 设定先验（如 \( h_{it} \sim N(0, \tau^2) \)），其先验均值是 0，但方差 \( \tau^2 \) 是固定的正数，因此先验概率密度在 \( h_{it}=0 \)（同方差）处为零。这意味着先验强制方差变化，即使数据不支持。
  • 部分识别的贝叶斯刻画： 作者通过检查后验分布的形状来评估部分识别。如果某个结构参数（如 \( B \) 的某个元素）的后验分布很宽，且受先验影响大，则表明该参数被部分识别。非中心参数化下的先验，由于能收缩到同方差，使得后验在信息不足时更宽，从而更诚实地反映部分识别。

主要结果

  • 定理 1（先验性质）： 作者推导了非中心参数化下，条件方差 \( \sigma_{it}^2 \) 的边际先验分布。他们证明，这个边际先验是以 1（同方差）为中心的，并且具有重尾（即允许非常大的方差变化）。相比之下，中心参数化下的边际先验是以 0 为中心的（即 \( \log \sigma_{it}^2 \) 的均值为 0），且尾部更轻。这个定理从数学上证明了非中心参数化先验的“诚实”特性。
  • 定理 2（后验一致性）： 作者证明了在非中心参数化下，如果数据是由一个同方差 SVAR 生成的（即 \( \sigma_{it}^2 = \sigma_i^2 \) 恒定），那么后验分布会一致地收缩到同方差情况。这意味着，当数据不支持 SV 时，模型不会强行拟合方差变化，从而避免了过度参数化。这是中心参数化所不具备的性质。
  • 蒙特卡洛实验： 作者进行了两个蒙特卡洛实验：
    1. 小规模系统（\( K=3 \)）： 比较非中心与中心参数化在估计结构参数 \( B \) 和方差参数 \( \Sigma_t \) 上的表现。结果显示，非中心参数化在均方根误差（RMSE）上显著优于中心参数化，特别是在估计方差参数时。例如，对于条件方差 \( \sigma_{it}^2 \) 的估计，非中心方法的 RMSE 比中心方法低 20-40%。
    2. 大规模系统（\( K=10 \)）： 验证非中心参数化在高维情况下的计算可行性。结果表明，非中心参数化的 MCMC 算法收敛更快，有效样本量（ESS）更高，且估计精度仍然优于中心参数化。
  • 真实例子：财政 SVAR 应用：
    • 数据： 使用 Blanchard & Perotti (2002) 的经典数据集，包含美国季度数据：税收、政府支出、GDP（\( K=3 \)）。
    • 方法应用： 作者用非中心参数化的 SVAR 模型估计了税收冲击和政府支出冲击对 GDP 的动态乘数效应。
    • 结果：
      • 非中心方法识别出的税收冲击的脉冲响应函数（IRF）与文献中基于叙事记录（narrative approach）的估计结果高度一致：税收冲击导致 GDP 持续下降。
      • 非中心方法的后验分布显示，政府支出冲击的识别不确定性更大（后验分布更宽），这与文献中关于财政支出乘数存在争议的现状相符。
      • 作者还展示了后验分布如何随着先验收缩强度的变化而变化，直观地展示了部分识别程度。
    • 这个例子想说明什么： 这个例子旨在验证非中心方法在实际宏观数据中的有效性，并展示其如何诚实地反映识别不确定性。它表明，即使在没有传统零约束的情况下，非中心 SV 也能识别出与外部证据一致的冲击，同时量化了哪些冲击的识别更可靠。

证明路线与技术技巧

  • 整体路线：
    1. 模型设定与参数化： 定义 SVAR-SV 模型，并引入非中心参数化 \( h_{it} = \mu_i + \tilde{h}_{it} \)。
    2. 先验设定： 为 \( \mu_i \) 设定强收缩、重尾先验（如 horseshoe prior），为 \( \tilde{h}_{it} \) 设定标准 SV 先验。这是整个方法的核心。
    3. 后验推断（MCMC）： 设计一个高效的 Gibbs 采样器。由于非中心参数化，条件后验分布具有更简单的形式（如正态分布、逆伽马分布），使得采样更高效。关键技巧是数据增强（data augmentation）：将 \( h_{it} \) 视为潜在变量，并利用其条件后验进行采样。
    4. 部分识别评估： 通过检查后验分布（特别是 \( B \) 和 \( \Sigma_t \) 的后验）的形状，以及先验-后验对比（prior-posterior comparison），来评估部分识别程度。如果后验与先验相似，则表明数据信息不足。
    5. 理论性质证明： 推导边际先验的解析形式（定理 1），并证明后验一致性（定理 2）。
  • 关键跳跃点：
    • 从中心到非中心参数化： 这是最关键的跳跃。中心参数化下，MCMC 采样 \( h_{it} \) 时，其条件后验分布复杂，导致采样效率低。非中心参数化通过引入 \( \mu_i \) 和 \( \tilde{h}_{it} \) 的分离，使得条件后验分布变得简单（如 \( \mu_i \) 的条件后验是正态分布），从而大幅提高了 MCMC 的混合效率和收敛速度。
    • 强收缩先验的设计： 如何设计一个先验，既能收缩到同方差（\( \mu_i = 0, \tilde{h}_{it} = 0 \)），又允许在数据支持时产生大的方差变化？作者选择了 horseshoe prior 或其近似，这种先验在 0 附近有尖峰（强收缩），但尾部很厚（允许大值）。这个选择是技术上的关键，它直接决定了部分识别评估的“诚实性”。
  • 技术技巧点名：
    • 非中心参数化（Non-centred parameterization）： 这是本文的核心技巧。它通过重新参数化，将先验的“质量”从方差过程本身转移到其长期均值上，从而实现了对同方差的自然收缩。
    • 数据增强（Data augmentation）： 将潜在的对数方差 \( h_{it} \) 视为待估参数，通过 MCMC 进行采样。这是处理 SV 模型的标准技巧。
    • Gibbs 采样器（Gibbs sampler）： 利用条件后验分布（如正态、逆伽马、Beta）进行迭代采样。非中心参数化使得所有条件后验分布都是标准分布，因此可以构建一个完全 Gibbs 的采样器，无需 Metropolis-Hastings 步骤，提高了效率。
    • Horseshoe prior： 一种强收缩、重尾的先验，用于实现“自动”的变量选择或收缩。本文将其应用于 \( \mu_i \)，以实现对同方差的收缩。

🔎 结论是否比证明窄

  • 窄结论： 定理 2（后验一致性）的证明是在数据由同方差 SVAR 生成的假设下成立的。作者在文中明确写道：“Theorem 2 establishes posterior consistency under the assumption that the true data generating process is homoskedastic.” 这意味着，如果真实数据是由一个时变方差的 SV 模型生成的，该定理并不直接适用。作者没有证明在更一般的 SV 数据生成过程下，非中心参数化是否仍然能“诚实地”反映部分识别（即后验是否会正确收敛到真实参数）。这是一个重要的窄化。
  • 泛泛 claim： 作者在引言和结论中多次声称非中心参数化“well suited for assessing partial identification”。这个 claim 是合理的，但其严格证明仅限于同方差情况。对于更一般的部分识别场景（如某些结构参数不可识别），作者主要通过蒙特卡洛实验和真实例子来展示其有效性，而非严格的数学证明。因此，这个 claim 的数学基础比其表述要窄。

四、开放问题

  1. 更一般的后验一致性： 本文的后验一致性（定理 2）仅在同方差数据下成立。能否证明在更一般的、真实 SV 模型（即方差确实时变）下，非中心参数化的后验分布仍然能正确收敛到真实参数，并且其宽度能正确反映部分识别程度？ （扎根于：定理 2 的假设条件）
  2. 非参数 SV 模型： 本文假设 SV 过程是参数化的 AR(1)。能否将非中心参数化扩展到非参数或半参数的 SV 模型？ 例如，允许 \( h_{it} \) 遵循一个高斯过程或其他更灵活的非参数形式，同时保持“以同方差为中心”的先验特性。（扎根于：作者在结论中提到的“future work could consider more flexible specifications for the volatility process”）
  3. 频率学派的部分识别推断： 本文完全采用贝叶斯框架。能否将非中心参数化的思想转化为频率学派的部分识别方法？ 例如，能否构造一个基于非中心 SV 的置信集合（confidence set），其覆盖概率在部分识别下仍然有效？（扎根于：作者在引言中淡化了频率学派方法，但未提供直接比较）
  4. 与符号约束的结合： 本文的识别完全依赖 SV。能否将非中心 SV 识别与符号约束（sign restrictions）结合起来？ 符号约束是宏观 SVAR 中另一种流行的识别方法，两者结合可能提供更强的识别力，同时利用非中心参数化来量化剩余的不确定性。（扎根于：作者在讨论中提及“our approach can be combined with other identification schemes, such as sign restrictions”）

Maintained by 陈星宇 · Homepage · Source on GitHub

评论