跳转至

News-Driven Uncertainty Fluctuations

作者: Dongho Song, Jenny Tang
来源: Journal of Business & Economic Statistics
主题: 经济理论 / 应用
相关性: 3/10
机构绿灯: Johns Hopkins University（US News 前 50，免分进入精读）
链接: https://doi.org/10.1080/07350015.2022.2097912

一、领域脉络与小综述

这个方向是什么

本文研究的核心问题是：新闻（News）如何影响经济主体的主观不确定性（Subjective Uncertainty）。传统宏观经济学通常将“不确定性冲击”视为外生变量（如政策不确定性、金融波动），而将“新闻冲击”视为影响预期（Expectations）的渠道。本文试图弥合这两条线索，提出一个机制：新闻本身可以内生地改变不确定性——当新闻与先验信念冲突时，不确定性上升；当新闻与先验一致时，不确定性下降。这是一个将信息流（News）与信念更新（Belief Updating）结合，从而内生地产生不确定性波动的理论与实证框架。

该子方向的成熟度：中等。已有大量文献分别研究“新闻冲击”（如 Beaudry & Portier, 2006）和“不确定性冲击”（如 Bloom, 2009），但将两者在同一个结构模型中内生地联系起来的工作较少。本文属于应用型实证，方法上依赖结构估计与VAR，而非前沿统计推断。

发展脉络（History）

根据本文的引言与参考文献，该领域的发展可梳理为以下主线：

  1. 奠基工作：新闻冲击与不确定性冲击的独立研究

    • Beaudry & Portier (2006)：开创性地识别了“新闻冲击”（关于未来生产率的新闻），发现其能解释经济周期波动。本文引用其作为新闻冲击文献的起点。
    • Bloom (2009)：将“不确定性冲击”（用股市波动率衡量）作为独立的外生冲击，发现其会导致产出、就业的短期大幅下降与反弹。本文引用其作为不确定性冲击文献的基准。

  2. 主要进展：识别策略的精细化与机制探索

    • Barsky & Sims (2011)：在VAR框架下，通过限制长期影响来识别新闻冲击，发现新闻冲击对产出的影响是渐进的。本文引用其作为新闻冲击识别的标准方法之一。
    • Bachmann, Elstner & Sims (2013)：利用企业调查数据构建不确定性度量，发现不确定性冲击的效应在数据中更弱。本文引用其作为对Bloom (2009) 结论的挑战。
    • Jurado, Ludvigson & Ng (2015)：提出一种基于预测误差（Forecast Error）的宏观不确定性度量，而非依赖股市波动率。本文引用其作为更“主观”的不确定性度量方法，与本文的“主观不确定性”概念直接相关。

  3. 当前Frontier：新闻与不确定性的交互作用

    • Born & Pfeifer (2014)：在DSGE模型中引入新闻冲击与不确定性冲击，发现两者有交互效应。本文引用其作为理论上的先行者，但指出其模型设定（如线性化）可能限制了机制。
    • 本文的位置：作者声称，现有文献要么将新闻冲击视为影响“预期”（一阶矩），要么将不确定性冲击视为影响“方差”（二阶矩），但缺乏一个统一的框架来解释新闻如何内生地改变不确定性。本文填补了这个缺口：它提供了一个理论模型（新闻与先验的冲突程度决定不确定性变化），并基于该模型构建了新的新闻冲击与不确定性冲击的度量，然后估计了它们的脉冲响应。

子线索聚类

这些被引文献大致落在两条子线索上：

  • 线索一：新闻冲击（News Shocks）

    • 核心问题：如何识别关于未来生产率的新闻？新闻对经济变量的动态影响是什么？
    • 代表工作：Beaudry & Portier (2006), Barsky & Sims (2011), Born & Pfeifer (2014)。
    • 方法：结构VAR、长期限制、符号限制。
    • 本文的关联：本文构建的“新闻冲击”度量，正是基于其理论模型，从专业预测数据中提取的、与先验信念冲突的信息。

  • 线索二：不确定性冲击（Uncertainty Shocks）

    • 核心问题：如何度量宏观不确定性？不确定性冲击对经济的影响有多大？
    • 代表工作：Bloom (2009), Bachmann et al. (2013), Jurado et al. (2015)。
    • 方法：股市波动率、调查数据离散度、预测误差方差。
    • 本文的关联：本文构建的“不确定性冲击”度量，是基于其理论模型，从专业预测数据中提取的、由新闻引起的信念离散度变化。

这个方向在追问的核心问题

  1. 新闻冲击与不确定性冲击是独立的吗？ 传统文献通常将它们视为两个不同的外生冲击。本文的核心论点是：它们可能是内生的、相互关联的——新闻冲击可以导致不确定性冲击。
  2. 如何从观测数据中分离出“新闻”与“不确定性”的因果效应？ 由于两者可能同时发生，且都影响经济变量，传统的VAR识别策略（如递归识别、符号限制）可能无法有效分离。
  3. 主观不确定性（基于预测者信念）与客观不确定性（基于统计模型）有何区别？ 本文强调“主观不确定性”，即经济主体自身信念的离散度，这与Jurado et al. (2015) 的“预测误差”度量有概念上的重叠，但机制不同。

⚠️ 作者的Framing

  • 作者把缺口frame成什么：作者声称，现有文献“将新闻冲击与不确定性冲击视为独立的、外生的现象”，而本文提供了一个“统一的、内生的机制”——新闻通过影响先验信念来改变不确定性。这使得本文成为“显然的下一步”：既然新闻可以改变不确定性，那么之前被归因于“不确定性冲击”的效应，可能有一部分实际上是“新闻冲击”的效应。
  • 哪些竞争路线被他淡化或回避了：
    • DSGE模型：作者在引言中提到了Born & Pfeifer (2014) 的DSGE模型，但很快指出其线性化设定可能“限制了机制”。作者回避了在完整的一般均衡框架下建模，而是采用了一个更简约的、基于预测者信念的局部均衡模型。这降低了理论门槛，但也牺牲了经济机制的完整性。
    • 其他不确定性来源：作者聚焦于“新闻”这一特定来源，但未讨论其他可能内生地产生不确定性的渠道（如政策变化、技术冲击、金融摩擦）。这使其结论的普适性受限。
  • 什么明显该被引/该存在、却没出现在intro里？：未发现明显缺失的关键引用。该领域的核心文献（Beaudry & Portier, Bloom, Jurado et al.）均被覆盖。但一个值得注意的缺失是：关于“信息摩擦”与“理性疏忽”（Rational Inattention）的文献（如 Sims, 2003; Mackowiak & Wiederholt, 2009）。这些文献也研究信息如何影响信念，但强调信息处理成本导致的不完全关注，而非“先验冲突”。本文的机制（先验冲突）与理性疏忽的机制（信息成本）是互补的，但作者未提及这一连接。

张力

未见明显对立引用。所有被引文献基本沿着“新闻冲击”或“不确定性冲击”两条线发展，彼此之间没有直接矛盾。唯一的张力存在于Bloom (2009) 与 Bachmann et al. (2013) 之间：前者发现不确定性冲击效应很大，后者发现效应更弱。本文的结论（控制新闻后，不确定性冲击效应减弱）实际上为这种张力提供了一个调和解释。

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：

    • \( Y_t \)：可观测的宏观经济变量（如实际GDP增长率）。这是一个标量时间序列。
    • \( \Delta Y_{t+h} \)：从时间 \( t \) 到 \( t+h \) 的累积产出增长。这是本文关注的“未来结果”。
    • \( \mathcal{I}_t \)：时间 \( t \) 的经济主体（如专业预测者）的信息集。这是不可观测的，但通过其预测行为来推断。
    • \( \mathbb{E}_t[\Delta Y_{t+h}] \)：基于信息集 \( \mathcal{I}_t \) 的条件期望（即“点预测”）。这是可观测的，来自专业预测调查（如SPF）。
    • \( \mathbb{V}_t[\Delta Y_{t+h}] \)：基于信息集 \( \mathcal{I}_t \) 的条件方差（即“主观不确定性”）。这是不可直接观测的，但可以通过预测者的“概率区间”或“预测离散度”来近似。本文将其作为核心的潜在变量。
    • \( \mu_t \)：时间 \( t \) 的先验均值。这是经济主体在收到新闻前对 \( \Delta Y_{t+h} \) 的信念。不可观测，但模型假设其由历史数据决定。
    • \( \sigma_t^2 \)：时间 \( t \) 的先验方差。这是经济主体在收到新闻前对 \( \Delta Y_{t+h} \) 的不确定性。不可观测，但模型假设其是常数或缓慢变化。
    • \( s_t \)：时间 \( t \) 的新闻信号。这是关于 \( \Delta Y_{t+h} \) 的一个有噪声的信号。不可直接观测，但模型假设其可以从预测更新中反推。
    • \( \tau_t^2 \)：新闻信号 \( s_t \) 的噪声方差。不可观测，是模型参数。
    • \( \theta \)：模型参数向量，包含 \( \sigma_t^2, \tau_t^2 \) 等。

  • 模型：一个贝叶斯信念更新模型。

    • 数据生成过程：假设经济主体对未来的产出增长 \( \Delta Y_{t+h} \) 有一个先验信念：\( \Delta Y_{t+h} \sim N(\mu_t, \sigma_t^2) \)。
    • 新闻信号：在时间 \( t \)，经济主体收到一个关于 \( \Delta Y_{t+h} \) 的新闻信号：\( s_t = \Delta Y_{t+h} + \epsilon_t \)，其中 \( \epsilon_t \sim N(0, \tau_t^2) \) 是独立噪声。
    • 后验信念：根据贝叶斯规则，后验均值和方差为：
      \[\mathbb{E}_t[\Delta Y_{t+h}] = \frac{\sigma_t^2}{\sigma_t^2 + \tau_t^2} s_t + \frac{\tau_t^2}{\sigma_t^2 + \tau_t^2} \mu_t\]
      \[\mathbb{V}_t[\Delta Y_{t+h}] = \frac{\sigma_t^2 \tau_t^2}{\sigma_t^2 + \tau_t^2}\]
    • 关键假设：先验方差 \( \sigma_t^2 \) 和新闻噪声方差 \( \tau_t^2 \) 是时变的，但被假设为遵循一个简单的随机过程（如AR(1)）。这是模型的核心结构。

  • 可观测数据：

    • 实际产出数据：\( Y_t \)（季度GDP增长率）。
    • 专业预测数据：来自Survey of Professional Forecasters (SPF) 的点预测 \( \mathbb{E}_t[\Delta Y_{t+h}] \)（即对未来h个季度的平均预测）。这是本文的核心数据来源。
    • 预测离散度：SPF中不同预测者点预测的横截面方差。本文将其作为主观不确定性 \( \mathbb{V}_t[\Delta Y_{t+h}] \) 的代理变量（proxy）。
    • 想要但观测不到的量：
      • 先验均值 \( \mu_t \) 和先验方差 \( \sigma_t^2 \)。
      • 新闻信号 \( s_t \) 及其噪声方差 \( \tau_t^2 \)。
      • 经济主体的“真实”主观不确定性 \( \mathbb{V}_t[\Delta Y_{t+h}] \)（只能通过代理变量近似）。

第二步：讲最小内核

最简特例：假设先验方差 \( \sigma_t^2 \) 和新闻噪声方差 \( \tau_t^2 \) 都是常数（不随时间变化），且先验均值 \( \mu_t \) 等于历史均值（常数）。那么，这个模型退化为一个静态贝叶斯更新问题。

  • 在这个特例下，核心命题是什么？

    • 命题：新闻信号 \( s_t \) 与先验均值 \( \mu \) 的差异（即“新闻冲击”）越大，后验不确定性 \( \mathbb{V}_t[\Delta Y_{t+h}] \) 的变化就越大。
    • 证明：
      1. 后验方差 \( \mathbb{V}_t[\Delta Y_{t+h}] = \frac{\sigma^2 \tau^2}{\sigma^2 + \tau^2} \) 是常数，不依赖于新闻信号 \( s_t \)。这意味着，在常数方差假设下，新闻不会改变不确定性。
      2. 然而，后验均值 \( \mathbb{E}_t[\Delta Y_{t+h}] = \frac{\sigma^2}{\sigma^2 + \tau^2} s_t + \frac{\tau^2}{\sigma^2 + \tau^2} \mu \) 是 \( s_t \) 的线性函数。
      3. 因此，新闻冲击（\( s_t - \mu \)）只改变点预测（一阶矩），不改变不确定性（二阶矩）。这与本文的核心洞见（新闻改变不确定性）矛盾。

  • 这个特例揭示了什么？

    • 它揭示了本文核心机制的关键：要让新闻改变不确定性，必须让先验方差 \( \sigma_t^2 \) 或新闻噪声方差 \( \tau_t^2 \) 是时变的。如果两者都是常数，那么后验方差就是常数，新闻无法影响不确定性。
    • 本文的关键想法：作者假设，当新闻与先验冲突时，经济主体会认为自己的先验“不可靠”，从而增加先验方差 \( \sigma_t^2 \)（即对先验失去信心）。或者，他们会认为新闻信号“噪声更大”，从而增加新闻噪声方差 \( \tau_t^2 \)。这两种机制都会导致后验方差 \( \mathbb{V}_t[\Delta Y_{t+h}] \) 增加。
    • 最小内核的数学困难：如何从可观测的点预测更新（\( \mathbb{E}_t[\Delta Y_{t+h}] - \mathbb{E}_{t-1}[\Delta Y_{t+h}] \)）和预测离散度变化（\( \text{Var}_t[\text{forecasts}] - \text{Var}_{t-1}[\text{forecasts}] \)）中，反推出不可观测的 \( \sigma_t^2 \) 和 \( \tau_t^2 \) 的时变过程？这是一个非线性、非高斯的状态空间模型的滤波问题。作者通过结构估计（模拟矩方法SMM）来解决。

结论：本文在数学上干的事是：构建一个贝叶斯信念更新模型，其中先验方差和新闻噪声方差是时变的，并利用可观测的点预测和预测离散度数据，通过结构估计来识别这些时变参数，从而分离出“新闻冲击”和“不确定性冲击”。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：新闻如何通过影响经济主体的先验信念，内生地改变其主观不确定性，以及这种机制对宏观经济波动的影响。
  2. 核心工具/方法：一个贝叶斯信念更新模型（理论框架）+ 结构估计（模拟矩方法SMM，用于估计模型参数）+ VAR脉冲响应分析（用于估计新闻冲击和不确定性冲击的动态效应）。
  3. 主要结论：新闻冲击（与先验冲突的信息）会增加不确定性，而新闻冲击（与先验一致的信息）会降低不确定性。在控制新闻冲击后，传统上被归因于“不确定性冲击”的宏观经济效应（尤其是对产出的长期影响）会显著减弱。

关键设定与假设

在第二节最小记号的基础上，补全完整设定：

  • 模型设定：

    • 主体：一个“代表性预测者”，其信念更新遵循贝叶斯规则。
    • 先验：\( \Delta Y_{t+h} \sim N(\mu_t, \sigma_t^2) \)。其中 \( \mu_t \) 由历史数据决定（如一个AR过程），\( \sigma_t^2 \) 是时变的。
    • 新闻信号：\( s_t = \Delta Y_{t+h} + \epsilon_t \)，\( \epsilon_t \sim N(0, \tau_t^2) \)。\( \tau_t^2 \) 也是时变的。
    • 时变方差过程：假设 \( \sigma_t^2 \) 和 \( \tau_t^2 \) 遵循独立的AR(1)过程（在log空间）。这是模型的核心结构假设，使得不确定性可以内生地变化。
    • 可观测数据：实际产出 \( Y_t \) 和SPF点预测 \( \mathbb{E}_t[\Delta Y_{t+h}] \)。预测离散度（横截面方差）被用作主观不确定性 \( \mathbb{V}_t[\Delta Y_{t+h}] \) 的代理变量。

  • 关键假设：

    • H1: 贝叶斯理性：经济主体是理性的，其信念更新遵循贝叶斯规则。这是整个模型的基础。
    • H2: 高斯性：所有冲击（先验、新闻噪声）都是高斯分布。这简化了计算，但可能不现实。
    • H3: 时变方差的AR(1)结构：先验方差和新闻噪声方差的动态被限制为AR(1)过程。这是一个很强的参数化假设。
    • H4: 代理变量的有效性：SPF预测的横截面离散度是主观不确定性的一个有效代理变量。这是一个关键但常见的假设（在Jurado et al. 2015中也使用）。
    • 相比已有文献：本文的假设比Bloom (2009) 更精细（后者将不确定性视为外生冲击），但比完整的DSGE模型（如Born & Pfeifer 2014）更简约（后者需要更多结构假设）。

主要结果

  • 结果1：模型估计与冲击识别。作者使用SMM估计了模型参数，并基于估计结果，从数据中反推出了两个新的时间序列：

    • 新闻冲击：定义为 \( s_t - \mu_t \)，即新闻信号与先验均值的差异。
    • 不确定性冲击：定义为 \( \mathbb{V}_t[\Delta Y_{t+h}] \) 的意外变化（即后验方差的创新）。
    • 关键发现：这两个冲击序列是正相关的（相关系数约为0.3-0.4），验证了“新闻冲击可以导致不确定性冲击”的机制。

  • 结果2：脉冲响应分析。作者将识别出的新闻冲击和不确定性冲击放入一个VAR模型中，估计它们对实际产出、通胀等变量的动态影响。

    • 新闻冲击的效应：一个正向的新闻冲击（好消息）会导致产出先上升后下降，呈现一个“驼峰”形状。这与Beaudry & Portier (2006) 的发现一致。
    • 不确定性冲击的效应：一个正向的不确定性冲击会导致产出立即下降，然后缓慢恢复。这与Bloom (2009) 的发现一致。
    • 核心对比：作者将同时包含新闻冲击和不确定性冲击的VAR结果，与只包含不确定性冲击的VAR结果进行对比。发现：在控制新闻冲击后，不确定性冲击对产出的负面效应（尤其是长期效应）显著减弱（例如，在20个季度后，效应减少约30-50%）。这表明，传统文献中观察到的“不确定性冲击”的长期效应，可能部分是由未被控制的“新闻冲击”所驱动的。

证明路线与技术技巧（本文为应用型，无严格数学证明，故改为“方法路线与技术细节”）

  • 整体路线：3步逻辑主干

    1. 理论建模：构建一个贝叶斯信念更新模型，将新闻冲击（信号与先验的差异）与不确定性变化（后验方差的变化）联系起来。
    2. 结构估计：利用可观测数据（实际产出、SPF点预测、预测离散度），通过模拟矩方法（SMM） 估计模型中的未知参数（如AR(1)过程的参数、先验方差水平等）。SMM的核心思想是：模拟模型生成数据，然后调整参数，使得模拟数据的矩（如点预测的自相关、预测离散度的方差）与真实数据的矩尽可能接近。
    3. 脉冲响应分析：基于估计出的模型，反推出“新闻冲击”和“不确定性冲击”的时间序列。然后，将这些冲击作为外生变量放入一个VAR模型中，估计它们的脉冲响应函数。

  • 关键跳跃点：

    • 从理论模型到可估计的计量模型：理论模型中的 \( \sigma_t^2 \) 和 \( \tau_t^2 \) 是潜在变量，无法直接观测。作者通过假设它们遵循AR(1)过程，将问题转化为一个状态空间模型的估计问题。SMM是解决这类非线性、非高斯状态空间模型的一种常用方法。
    • 从SMM估计到冲击序列的提取：SMM估计出参数后，作者使用卡尔曼滤波（Kalman Filter）或粒子滤波（Particle Filter）来平滑出潜在变量 \( \sigma_t^2 \) 和 \( \tau_t^2 \) 的路径，进而计算出新闻冲击和不确定性冲击。这是从“参数估计”到“冲击识别”的关键一步。

  • 技术技巧点名：

    • 模拟矩方法（SMM）：用于估计非线性状态空间模型的参数。作者选择了一组矩条件（如点预测的均值、方差、自相关，预测离散度的均值、方差等），通过最小化模拟矩与真实矩的加权距离来估计参数。
    • 卡尔曼滤波/粒子滤波：用于从观测数据中平滑出潜在状态变量（\( \sigma_t^2, \tau_t^2 \)）。由于模型是非线性的（方差进入贝叶斯更新公式），作者可能使用了扩展卡尔曼滤波或粒子滤波。
    • VAR脉冲响应：标准的宏观经济时间序列分析工具。作者使用Cholesky分解（递归识别）来正交化冲击，以得到结构性的脉冲响应。

真实例子与应用

  • 用的什么数据/场景：

    • 实际产出数据：美国实际GDP（季度数据，1947Q1-2016Q4）。
    • 专业预测数据：费城联邦储备银行的专业预测者调查（SPF），包含对未来1-4个季度实际GDP增长率的点预测。时间跨度：1968Q4-2016Q4。
    • 场景：研究新闻（如关于未来技术、政策、需求的报道）如何影响专业预测者的信念，以及这种信念变化如何传导至宏观经济。

  • 怎么把本文方法用上去：

    1. 将SPF的点预测均值作为 \( \mathbb{E}_t[\Delta Y_{t+h}] \) 的观测值。
    2. 将SPF点预测的横截面方差作为 \( \mathbb{V}_t[\Delta Y_{t+h}] \) 的代理变量。
    3. 将实际GDP增长率作为 \( \Delta Y_{t+h} \) 的实现值。
    4. 用SMM估计模型参数。
    5. 用估计出的模型反推出新闻冲击和不确定性冲击的时间序列。
    6. 将这些冲击放入VAR，估计脉冲响应。

  • 得到什么结果：

    • 新闻冲击与不确定性冲击正相关。
    • 新闻冲击对产出有“驼峰”形影响。
    • 控制新闻冲击后，不确定性冲击的长期效应减弱。

  • 这个例子想说明什么：

    • 验证理论：实证结果支持了理论模型的核心洞见——新闻可以内生地改变不确定性。
    • 展示相对baseline的优势：通过与“只包含不确定性冲击”的VAR对比，本文展示了其新度量（同时包含新闻和不确定性）能够更准确地分离出两种冲击的独立效应，并纠正了传统文献中可能存在的遗漏变量偏误。

🔎 结论是否比证明窄

  • 是。本文的结论（“控制新闻后，不确定性冲击效应减弱”）是基于一个特定的、参数化的贝叶斯模型。该模型假设了高斯性、AR(1)方差过程、以及SPF离散度是主观不确定性的完美代理。这些假设在现实中可能不成立。
  • 具体语句：作者在结论部分承认：“我们的结果依赖于模型设定……未来的研究可以探索更灵活的模型，例如允许非高斯冲击或更复杂的方差动态。” 这表明作者意识到其结论的模型依赖性。因此，该结论应被理解为“在本文的模型设定下，控制新闻冲击会减弱不确定性冲击的效应”，而非一个普适的、无条件的因果结论。

四、开放问题（点到为止，扎根具体语句）

  1. 更灵活的方差动态：本文假设先验方差和新闻噪声方差遵循独立的AR(1)过程。如果允许它们之间存在交互作用（例如，新闻冲击本身可以改变AR(1)过程的参数），模型会如何变化？结论是否稳健？扎根点：作者在结论中提及“更灵活的模型……允许更复杂的方差动态”。
  2. 非高斯冲击：本文假设所有冲击都是高斯分布。如果允许厚尾或偏态分布（例如，新闻冲击的分布可能本身就有不确定性），识别策略是否需要改变？扎根点：作者在结论中提及“允许非高斯冲击”。
  3. 代理变量的有效性：SPF预测的横截面离散度是否是主观不确定性的一个有效代理变量？如果预测者之间存在系统性差异（如不同模型、不同信息集），离散度可能反映的是“分歧”而非“不确定性”。如何区分这两者？扎根点：这是整个实证策略的基石，但作者未进行深入的稳健性检验（如使用其他不确定性度量，如Jurado et al. 2015的预测误差方差）。
  4. 因果识别的外生性：本文的VAR识别（Cholesky分解）假设新闻冲击和不确定性冲击是递归的（即一个冲击对另一个冲击的当期影响为0）。这个假设是否合理？如果两者是同时决定的，则需要更复杂的识别策略（如符号限制、异方差性）。扎根点：作者在脉冲响应分析部分使用了递归识别，但未讨论其合理性。这是一个潜在的识别弱点。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论