Identification of SVAR Models by Combining Sign Restrictions With External Instruments¶

作者: Robin Braun, Ralf Brüggemann
来源: Journal of Business & Economic Statistics
主题: 经济理论 / 应用
相关性: 7/10
链接: https://doi.org/10.1080/07350015.2022.2104857

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）模型的冲击识别问题。SVAR 是宏观经济学中用于从观测到的多变量时间序列中推断结构性冲击（如货币政策冲击、石油供给冲击）因果效应的标准工具。核心困难在于：SVAR 的简约式（reduced-form）残差协方差矩阵无法唯一确定结构冲击的线性组合——即存在识别问题。本子方向探索如何利用先验信息（如符号约束、外部工具变量）来缩小或唯一确定可接受的结构参数集，从而得到有经济含义的因果推断。

发展脉络（history）¶

奠基工作：符号约束（Sign Restrictions）
Uhlig (2005, JME)：提出通过施加冲击响应方向的不等式约束（如“货币政策紧缩冲击后，价格水平在若干期内不上升”）来识别 SVAR。该方法不依赖零约束（如递归排序），但通常只能得到集值识别（set identification），即多个结构参数均满足约束。
Faust (1998, JEDC) 和 Canova & De Nicoló (2002, JEDC) 是早期先驱，但 Uhlig 的贝叶斯实现（从均匀分布中抽取旋转矩阵并保留满足符号约束的抽取）成为标准范式。
主要进展：外部工具变量（External Instruments / Proxy SVAR）
Stock & Watson (2012, JASA) 和 Mertens & Ravn (2013, AER) 提出使用外部工具变量（代理变量）来识别 SVAR。核心思想：若存在一个与目标结构冲击相关、与其他冲击不相关的代理变量（如高频金融变量作为货币政策冲击的代理），则可通过两阶段回归或 IV 估计识别该冲击的响应。该方法提供点识别（point identification），但依赖代理变量的有效性（相关性 + 排他性约束）。
Arias, Rubio-Ramírez & Waggoner (2018, JME) 将符号约束与零约束统一在贝叶斯框架下，并给出从截断正态分布中抽样的算法，但未涉及外部工具。
当前 frontier：结合符号约束与外部工具
Giacomini, Kitagawa & Read (2022, JBES) 提出“似外生”（plausibly exogenous）代理变量的识别策略，通过不等式约束放松排他性约束，但未与符号约束系统结合。
本文（Braun & Brüggemann, 2024, JBES） 是第一个系统讨论符号约束 + 外部工具变量两种信息如何联合使用的论文，涵盖有效工具和似外生工具两种设定，并给出贝叶斯推断与模型检验（贝叶斯因子）的完整框架。
本文的位置：本文填补了“符号约束”与“外部工具”两条独立文献之间的缺口，提供了一个统一的识别与推断框架。它不提出新的识别理论（如新的秩条件），而是将现有工具组合起来，并解决组合后的计算与检验问题。

子线索聚类¶

线索 A：符号约束方法（Uhlig 2005, Faust 1998, Canova & De Nicoló 2002, Arias et al. 2018）
核心：通过冲击响应方向的不等式约束实现集值识别。优势是经济含义直观；劣势是通常只能得到集合而非点估计，且集合大小对先验分布敏感。
线索 B：外部工具变量方法（Stock & Watson 2012, Mertens & Ravn 2013, Gertler & Karadi 2015）
核心：利用代理变量的相关性 + 排他性实现点识别。优势是点识别；劣势是工具有效性假设强，且代理变量可能只覆盖部分冲击。
线索 C：似外生代理变量（Giacomini, Kitagawa & Read 2022, Conley et al. 2012）
核心：放松排他性约束，通过不等式或贝叶斯先验来界定代理变量与多个冲击的关系。本文属于此线索的扩展。

这个方向在追问的核心问题¶

如何将符号约束与外部工具的信息有效结合？ 两者提供的信息类型不同（不等式 vs. 等式），如何融合而不丢失信息？
当代理变量仅“似外生”时，如何利用符号约束进一步缩小识别集？ 似外生设定下识别集可能仍很大，符号约束能否提供额外切割？
如何检验符号约束或 IV 约束是否为过度识别？ 即数据是否支持这些约束？贝叶斯因子是否可行？
计算上，如何在贝叶斯框架下高效抽样并计算贝叶斯因子？ 符号约束 + IV 约束的联合后验分布可能高度非标准。

⚠️ 作者的 framing¶

作者的说法：本文的贡献在于“将符号约束与外部工具变量结合，提供统一的识别与推断框架”，并强调“在似外生设定下，符号约束可以进一步缩小识别集”。作者将缺口 frame 为“现有文献分别处理符号约束和外部工具，但未系统讨论两者结合”。
被淡化或回避的竞争路线：
零约束（递归排序）：作者未讨论与零约束的结合（如符号约束 + 零约束 + 工具），尽管 Arias et al. (2018) 已处理符号 + 零约束。这可能是因为零约束与工具变量在识别上部分重叠。
频率学派推断：全文采用贝叶斯框架，未讨论频率学派（如 GMM、最小距离）的推断方法。对于不熟悉贝叶斯的研究者，这可能是一个缺口。
弱工具问题：作者假设工具变量是“有效”或“似外生”，但未讨论弱工具（弱相关性）对识别和推断的影响。Stock & Watson (2012) 已讨论弱工具，但本文未将其纳入。
什么明显该被引 / 该存在、却没出现在 intro 里？
Conley, Hansen & Rossi (2012, JBES)：提出“近似外生”工具变量的贝叶斯方法，与本文的“似外生”设定高度相关，但未被引用。这可能是一个遗漏。
Montiel Olea, Stock & Watson (2021, JPE)：讨论 SVAR 中代理变量的弱识别问题，与本文的推断部分相关。
Plagborg-Møller & Wolf (2021, Econometrica)：讨论局部投影与 VAR 的等价性，可能影响对 SVAR 识别策略的选择。

张力¶

未见明显对立引用。符号约束与外部工具的支持者通常承认对方方法的互补性，而非对立。本文的立场是“结合优于单独使用”，而非“取代”。

二、最核心、最简单的例子 / 数学问题¶

第一步：符号、模型、可观测数据交代清楚¶

符号： - \( y_t \)：\( n \times 1 \) 可观测时间序列向量（如 GDP、通胀、利率），\( t = 1, \dots, T \)。 - \( p \)：VAR 滞后阶数。 - \( \Pi \)：\( n \times (np+1) \) 简约式系数矩阵（含截距）。 - \( u_t \)：\( n \times 1 \) 简约式残差，\( u_t \sim \text{i.i.d. } N(0, \Sigma) \)，\( \Sigma \) 为 \( n \times n \) 正定协方差矩阵。 - \( \varepsilon_t \)：\( n \times 1 \) 结构冲击，\( \varepsilon_t \sim \text{i.i.d. } N(0, I_n) \)，且 \( \varepsilon_t \) 各分量相互独立。 - \( B \)：\( n \times n \) 结构冲击响应矩阵（impact multiplier matrix），满足 \( u_t = B \varepsilon_t \)，因此 \( \Sigma = B B' \)。 - \( B \) 的列 \( b_j \)：第 \( j \) 个结构冲击的即时响应向量。 - \( m_t \)：\( k \times 1 \) 外部工具变量（代理变量），\( k \leq n \)，通常 \( k=1 \)。 - \( \phi \)：\( k \times n \) 矩阵，刻画 \( m_t \) 与结构冲击 \( \varepsilon_t \) 的关系：\( m_t = \phi \varepsilon_t + v_t \)，其中 \( v_t \) 为测量误差，与 \( \varepsilon_t \) 独立。 - 符号约束：对某些冲击 \( j \)，某些变量 \( i \) 的响应方向有先验约束，如 \( (B)_{ij} > 0 \) 或 \( < 0 \)。

模型： - 数据生成机制：\( y_t = \Pi' (1, y_{t-1}', \dots, y_{t-p}')' + u_t \)，\( u_t = B \varepsilon_t \)。 - 识别问题：给定 \( \Sigma \)，\( B \) 不是唯一确定的——任何正交旋转 \( BQ \)（\( Q Q' = I_n \)）也满足 \( \Sigma = (BQ)(BQ)' \)。因此需要额外信息（符号约束、IV 约束）来固定 \( Q \) 或缩小其可行集。

可观测数据： - 可观测：\( \{y_t\}_{t=1}^T \)（内生变量时间序列），\( \{m_t\}_{t=1}^T \)（外部工具变量时间序列）。 - 不可观测：结构冲击 \( \varepsilon_t \)、简约式残差 \( u_t \)、结构矩阵 \( B \)、工具关系 \( \phi \)。这些只能通过模型假设和识别约束来推断。

第二步：最小内核——两变量、单工具、单符号约束的特例¶

考虑最简单的设定：\( n=2 \) 个内生变量（如 \( y_{1t} \) = 石油供给，\( y_{2t} \) = 石油价格），\( k=1 \) 个外部工具变量 \( m_t \)（如石油供给新闻指数），且只对第一个冲击（石油供给冲击）施加一个符号约束：\( (B)_{11} > 0 \)（石油供给冲击对石油供给的即时响应为正）。

可观测数据：\( \{y_{1t}, y_{2t}, m_t\}_{t=1}^T \)。

模型： - 简约式：\( u_t = B \varepsilon_t \)，\( \Sigma = B B' \)。 - 工具关系：\( m_t = \phi_1 \varepsilon_{1t} + \phi_2 \varepsilon_{2t} + v_t \)，其中 \( \phi_1, \phi_2 \) 为标量，\( v_t \) 为测量误差。 - 有效工具假设：\( \phi_2 = 0 \)（排他性约束），即 \( m_t \) 只与第一个冲击相关，与第二个冲击无关。此时 \( m_t \) 是第一个冲击的代理变量。

识别策略： 1. 第一步（IV 识别）：利用有效工具 \( m_t \)，通过两阶段回归或 IV 估计，可以点识别第一个冲击的响应向量 \( b_1 \)（即 \( B \) 的第一列）。具体地，Stock & Watson (2012) 的方法：将 \( m_t \) 对 \( y_t \) 的滞后项回归得到残差 \( \tilde{m}_t \)，然后将 \( \tilde{m}_t \) 作为 \( u_{1t} \) 的工具变量，估计 \( b_1 \) 的各个分量。 2. 第二步（符号约束）：在得到 \( b_1 \) 的点估计后，第二个冲击的响应向量 \( b_2 \) 仍不确定——它必须与 \( b_1 \) 正交（因为 \( B B' = \Sigma \)），且满足 \( b_2' \Sigma^{-1} b_2 = 1 \)。此时，符号约束（如“石油供给冲击对石油价格的即时响应为负”）可以进一步缩小 \( b_2 \) 的可行集。在贝叶斯框架下，从满足正交条件的分布中抽样，并保留满足符号约束的抽取。

这个最小内核说明了什么： - 当工具有效时，IV 提供点识别（第一个冲击），符号约束提供集识别（第二个冲击）。两者结合后，第一个冲击的识别不依赖符号约束，第二个冲击的识别不依赖工具。 - 当工具仅“似外生”（\( \phi_2 \neq 0 \) 但很小）时，IV 不再点识别 \( b_1 \)，但符号约束可以“补偿”部分信息，缩小 \( b_1 \) 和 \( b_2 \) 的联合可行集。这是本文的核心贡献之一。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在 SVAR 模型中，如何将符号约束与外部工具变量（代理变量）结合，以实现结构冲击的识别与推断，涵盖有效工具和似外生工具两种设定。
核心工具 / 方法：贝叶斯推断框架（从截断后验分布中抽样），结合符号约束（不等式约束）和 IV 约束（等式或不等式约束），并计算贝叶斯因子用于模型检验。
主要结论：① 有效工具 + 符号约束可分别识别不同冲击或更精确地识别同一冲击；② 似外生工具 + 符号约束可进一步缩小识别集；③ 贝叶斯因子可用于检验符号约束或 IV 约束是否为过度识别。

关键设定与假设¶

完整设定（在第二节记号基础上补充）： - VAR 模型：\( y_t = \Pi' (1, y_{t-1}', \dots, y_{t-p}')' + u_t \)，\( u_t \sim N(0, \Sigma) \)。 - 结构分解：\( \Sigma = B B' \)，\( B \) 为下三角矩阵（Cholesky 分解）或一般正交旋转。本文采用正交旋转参数化：\( B = \tilde{B} Q \)，其中 \( \tilde{B} \) 为 \( \Sigma \) 的 Cholesky 因子（下三角），\( Q \) 为 \( n \times n \) 正交矩阵（\( Q Q' = I_n \)）。 - 符号约束：对某些冲击 \( j \) 和变量 \( i \)，\( (B)_{ij} \in \mathcal{S}_{ij} \)，其中 \( \mathcal{S}_{ij} \) 为 \( \mathbb{R} \) 的子集（如 \( (0, \infty) \) 或 \( (-\infty, 0) \)）。 - 外部工具变量：\( m_t \) 为 \( k \times 1 \) 向量，满足 \( m_t = \phi \varepsilon_t + v_t \)，\( v_t \sim N(0, \Omega) \)，且 \( v_t \) 与 \( \varepsilon_t \) 独立。 - 有效工具设定：\( \phi \) 的某些元素为零（排他性约束），且 \( \phi \) 的秩等于目标冲击数（相关性约束）。 - 似外生设定：\( \phi \) 的元素受不等式约束（如 \( |\phi_{ij}| \leq \delta \)），而非精确为零。 - 先验分布：\( (\Pi, \Sigma) \) 采用 Normal-Inverse-Wishart 先验（标准共轭先验）；\( Q \) 采用均匀分布（Haar 测度）在正交群上；\( \phi \) 和 \( \Omega \) 采用 Normal-Inverse-Wishart 先验（有效工具）或截断先验（似外生）。

相比已有文献的强化 / 放宽： - 强化：本文是第一个系统处理符号约束 + 外部工具联合识别的论文。Arias et al. (2018) 只处理符号 + 零约束，Giacomini et al. (2022) 只处理似外生工具。 - 放宽：在似外生设定下，本文允许工具与多个冲击相关（通过不等式约束），而 Stock & Watson (2012) 要求排他性约束。

主要结果¶

结果 1：有效工具 + 符号约束的识别策略 - 陈述：若存在有效工具（排他性 + 相关性），则工具可点识别目标冲击的响应向量。符号约束可用于：① 识别额外的正交冲击（如第二个冲击）；② 更精确地确定工具所识别的冲击（如缩小符号约束的集合）。 - 直觉：工具提供等式约束（点识别），符号提供不等式约束（集识别）。两者不冲突，可叠加。 - 必要条件：工具的有效性（排他性 + 相关性）必须成立。符号约束必须与工具识别的冲击一致（不能矛盾）。

结果 2：似外生工具 + 符号约束的识别策略 - 陈述：若工具仅“似外生”（\( \phi \) 的某些元素受不等式约束而非零），则 IV 约束变为不等式约束。符号约束可进一步缩小 \( B \) 的可行集。 - 直觉：似外生设定下，识别集是 \( B \) 的一个子集（由 IV 不等式 + 符号不等式共同定义）。符号约束可以“切割”这个子集，使其更小。 - 必要条件：IV 不等式约束必须与符号约束兼容（即存在 \( B \) 同时满足两者）。

结果 3：贝叶斯因子用于模型检验 - 陈述：在代理增强型 SVAR 中，可计算贝叶斯因子来比较有约束模型（如符号约束成立）与无约束模型（如符号约束不成立）。贝叶斯因子可用于检验符号约束或 IV 约束是否为过度识别。 - 直觉：贝叶斯因子是边际似然之比。若约束模型的后验概率远高于无约束模型，则数据支持约束。 - 必要条件：边际似然的计算需要数值积分（如重要性抽样或桥抽样），因为后验分布非标准。

证明路线与技术技巧¶

整体路线（贝叶斯推断框架）： 1. 步骤 1：简约式估计。从 \( \{y_t\} \) 估计 \( \Pi \) 和 \( \Sigma \) 的后验分布（Normal-Inverse-Wishart）。 2. 步骤 2：正交旋转抽样。从 \( Q \) 的均匀先验（Haar 测度）中抽取正交矩阵，构造 \( B = \tilde{B} Q \)。 3. 步骤 3：施加约束。保留满足符号约束和 IV 约束的 \( B \) 抽取。对于有效工具设定，IV 约束是等式（点识别），因此 \( B \) 被唯一确定（或通过符号约束进一步筛选）。对于似外生设定，IV 约束是不等式，因此需要从截断后验中抽样。 4. 步骤 4：计算贝叶斯因子。通过重要性抽样或桥抽样估计边际似然，比较有约束与无约束模型。

关键跳跃点： - 跳跃点 1：如何将 IV 约束转化为 \( B \) 的约束？ 工具关系 \( m_t = \phi \varepsilon_t + v_t \) 涉及不可观测的 \( \varepsilon_t \)。作者通过将 \( m_t \) 对 \( y_t \) 的滞后项回归得到残差 \( \tilde{m}_t \)，然后利用 \( \tilde{m}_t \) 与 \( u_t \) 的关系（\( \tilde{m}_t = \phi B^{-1} u_t + v_t \)）将 IV 约束转化为 \( B \) 的约束。这需要 \( B \) 可逆（即 \( \Sigma \) 满秩）。 - 跳跃点 2：似外生设定下，如何定义 IV 不等式约束？ 作者提出两种类型：① 对 \( \phi \) 的元素施加边界（如 \( |\phi_{ij}| \leq \delta \)）；② 对 \( \phi \) 的某些行施加“近似排他性”（如 \( \phi_{i, -j} \) 的范数有界）。这些不等式约束通过贝叶斯先验（截断正态）实现。 - 跳跃点 3：贝叶斯因子的计算。边际似然 \( p(\text{data} | \text{constraints}) \) 需要在高维空间积分。作者使用桥抽样（bridge sampling）或重要性抽样，从后验分布中抽取样本并计算重要性权重。这要求约束模型的后验分布是“可抽样的”（即从截断后验中抽样可行）。

技术技巧点名： - 正交矩阵的参数化：使用 Givens 角（Givens rotations）或 QR 分解来参数化 \( Q \)，使得从 Haar 测度中抽样容易实现。这是符号约束文献的标准技巧（Arias et al. 2018）。 - 截断后验抽样：对于似外生设定，IV 不等式约束导致后验分布非标准。作者使用接受-拒绝抽样（从无约束后验中抽取，保留满足约束的样本）或重要性重抽样。 - 桥抽样：用于计算贝叶斯因子。桥抽样通过构建两个分布之间的“桥”（重要性函数）来估计边际似然比，比简单重要性抽样更稳定。

真实例子与应用¶

例子 1：石油供给冲击 - 数据：1973-2007 年月度数据，内生变量 \( y_t \) = (全球石油产量, 全球经济活动指数, 石油价格)，工具变量 \( m_t \) = 石油供给新闻指数（基于文本分析构建的代理变量）。 - 方法应用：假设工具有效（排他性约束：新闻指数只与石油供给冲击相关），施加符号约束：石油供给冲击对石油产量的即时响应为正，对石油价格的即时响应为负。使用贝叶斯方法估计冲击响应函数。 - 结果：结合工具与符号约束后，石油供给冲击的响应估计更精确（后验区间更窄），且符号约束与工具识别的冲击一致（无矛盾）。 - 说明：验证了有效工具 + 符号约束的实用性，展示了后验区间缩小。

例子 2：货币政策冲击 - 数据：1990-2008 年月度美国数据，内生变量 \( y_t \) = (联邦基金利率, 工业产出, 消费者价格指数)，工具变量 \( m_t \) = 高频货币政策新闻（Gertler & Karadi 2015 的代理变量）。 - 方法应用：假设工具仅“似外生”（允许工具与产出冲击和价格冲击有微弱相关），施加符号约束：货币政策紧缩冲击对利率的即时响应为正，对产出和价格的即时响应为负。比较有效工具与似外生工具两种设定的结果。 - 结果：似外生设定下，识别集比有效工具设定更大，但符号约束显著缩小了识别集。贝叶斯因子显示，符号约束不是过度识别（数据支持符号约束）。 - 说明：展示了似外生工具 + 符号约束的实用性，以及贝叶斯因子用于模型检验。

🔎 结论是否比证明窄¶

窄结论 1：作者声称“符号约束可以进一步缩小识别集”，但在似外生设定下，这一结论依赖于 IV 不等式约束的“紧度”（即 \( \delta \) 的选择）。若 \( \delta \) 很大（工具几乎无效），符号约束可能无法显著缩小识别集。作者在实证中选择了特定的 \( \delta \) 值，但未讨论 \( \delta \) 的敏感性。
窄结论 2：贝叶斯因子的计算依赖于桥抽样的数值稳定性。作者在模拟中验证了桥抽样的表现，但未提供理论保证（如一致性或收敛速度）。对于高维 \( n \) 或弱识别，桥抽样可能不稳定。
窄结论 3：本文假设 \( v_t \) 与 \( \varepsilon_t \) 独立，且 \( v_t \) 为高斯。若 \( v_t \) 存在序列相关或异方差，本文的方法可能不适用。作者未讨论这些扩展。

四、开放问题¶

弱工具问题：本文假设工具变量是“有效”或“似外生”，但未讨论弱工具（弱相关性）对识别和推断的影响。当工具与目标冲击的相关性很弱时，IV 约束几乎无信息，符号约束可能成为唯一信息来源。如何将弱工具稳健推断（如 Montiel Olea et al. 2021）与符号约束结合？扎根于：本文未引用弱工具文献，且实证中工具相关性较强（未讨论弱工具场景）。
频率学派推断：本文采用贝叶斯框架，但频率学派方法（如 GMM、最小距离）在 SVAR 识别中也有广泛应用。如何构建频率学派版本的符号约束 + 外部工具联合推断？例如，如何构造置信集（而非后验区间）？扎根于：作者在 intro 中未讨论频率学派替代方案。
高维 SVAR：本文假设 \( n \) 较小（2-3 个变量），但现代宏观数据集可能包含大量变量（\( n > 10 \)）。在高维 \( n \) 下，符号约束的集合可能很大，且贝叶斯因子的计算变得困难。如何将本文方法扩展到高维？扎根于：作者在 future work 中未提及高维扩展。
动态符号约束：本文只考虑即时响应（\( B \)）的符号约束，但符号约束也可施加于后续期（如滞后 1-12 个月的响应）。如何将动态符号约束与外部工具结合？扎根于：作者在实证中只使用即时符号约束，但 Uhlig (2005) 使用多期符号约束。

Maintained by 陈星宇 · Homepage · Source on GitHub