跳转至

Local projections, autocorrelation, and efficiency

作者: Amaze Lusompa
来源: Quantitative Economics
主题: 经济理论 / 应用
相关性: 6/10
链接: https://doi.org/10.3982/qe1988

一、领域脉络与小综述

这个方向是什么

本方向关注宏观经济学中一个核心的因果推断问题：如何从时间序列数据中估计一个结构性冲击（如货币政策冲击）对宏观经济变量（如产出、通胀）的动态因果效应，即脉冲响应函数（Impulse Response Function, IRF）。 当前的主流方法之一是 Jordà (2005) 提出的局部投影法（Local Projections, LP），它通过在每个预测期分别进行线性回归来估计 IRF，因其对模型误设的稳健性和易于实现而广受欢迎。然而，LP 的一个公认缺陷是效率低下——其估计量的方差通常大于基于向量自回归（VAR）模型的结构性方法。本文试图解决的核心问题是：能否在不牺牲 LP 稳健性的前提下，通过修正其残差的自相关结构来提高其估计效率？

发展脉络（history）

  1. 奠基工作：VAR 与结构性方法

    • Sims (1980) 引入向量自回归（VAR）模型，为宏观时间序列的因果推断奠定了标准框架。通过估计 VAR 系数并计算其脉冲响应，可以得到一致的 IRF 估计。但该方法依赖于模型的正确设定（如滞后阶数），且对非线性或结构突变敏感。

  2. 主要进展：局部投影法（LP）的提出与普及

    • Jordà (2005) 提出了 LP 方法，作为 VAR 的替代方案。其核心思想是：对每个预测期 \( h \)，直接回归 \( y_{t+h} \) 对冲击变量 \( x_t \) 和一组控制变量。该方法在模型误设下更稳健，且易于扩展到非线性设定。然而，Jordà (2005) 也明确指出，LP 估计量的残差是序列相关的，这导致其效率低于最优的 VAR 估计量。作者在引言中引用 Jordà (2005) 时，将其定位为“conventional wisdom”的源头，即 LP 必须用 OLS 估计，且 GLS 不可行。

  3. 当前 Frontier：效率改进与稳健性权衡

    • 后续工作主要围绕如何改进 LP 的效率。例如，Montiel Olea & Plagborg-Møller (2021) 证明了 LP 和 VAR 在估计脉冲响应时是渐近等价的，但 LP 的有限样本方差更大。Lusompa (2024) 的这篇论文直接挑战了“GLS 不可行”的传统观点，通过揭示 LP 残差的自相关结构（一个 VMA 过程），提出了一致且更有效的 GLS 估计量。作者将本文定位为“显然的下一步”：既然自相关结构已知，就可以用 GLS 来提升效率。

子线索聚类

  1. 结构性方法（VAR 及其变体）：这类方法依赖于对数据生成过程（DGP）的完整参数化建模（如 VAR），通过模型估计间接得到 IRF。优点是效率高，缺点是模型误设风险大。
  2. 半参数/非参数方法（LP 及其变体）：这类方法直接对每个预测期的条件期望进行回归，对 DGP 的依赖更弱。优点是稳健，缺点是效率低。本文属于这一线索，但试图通过引入 GLS 来弥补其效率缺陷。

这个方向在追问的核心问题

  1. 效率与稳健性的权衡：如何在保持 LP 稳健性的同时，使其估计效率接近甚至达到 VAR 的水平？
  2. 自相关结构的识别：LP 残差的自相关结构是否可以被解析地刻画？如果可以，如何利用它来构造更优的估计量？
  3. 有限样本性质：在典型宏观时间序列样本量（如 T=200）下，GLS 估计量的有限样本表现如何？是否优于 OLS？

⚠️ 作者的 framing

  • 作者的缺口：作者将缺口 frame 为“传统观点认为 LP 只能用 OLS 且 GLS 不可行，但我证明了 GLS 是可行的，并且更有效”。这直接挑战了 Jordà (2005) 以来的一个普遍认知。
  • 被淡化的竞争路线：作者淡化了 VAR 方法的效率优势。虽然本文的 GLS 估计量旨在缩小与 VAR 的效率差距，但作者并未声称其能超越 VAR。此外，作者也淡化了 GLS 估计量对 DGP 的依赖——虽然它比 VAR 更稳健，但 VMA 过程的正确设定（如阶数）仍然是一个假设。
  • 值得研究者去查的问题：Montiel Olea & Plagborg-Møller (2021) 这篇论文在引言中被引用，但作者没有详细讨论其结论（LP 与 VAR 渐近等价）与本文 GLS 估计量之间的关系。一个关键问题是：当 LP 与 VAR 渐近等价时，本文的 GLS 估计量是否也渐近等价于 VAR 估计量？如果等价，那么 GLS 的效率增益是否只是有限样本现象？这值得研究者去查 Montiel Olea & Plagborg-Møller (2021) 的具体结论。

张力

未见明显对立引用。所有被引工作都承认 LP 效率低，本文是第一个系统性地提出 GLS 解决方案的。

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：
    • \( y_t \)：\( m \times 1 \) 的向量，表示在时间 \( t \) 观测到的内生变量（如产出、通胀）。
    • \( x_t \)：\( k \times 1 \) 的向量，表示在时间 \( t \) 观测到的冲击变量（如货币政策利率）。
    • \( \varepsilon_t \)：\( m \times 1 \) 的向量，表示在时间 \( t \) 的 Wold 误差（即结构性冲击的线性组合，是白噪声过程）。
    • \( h \)：预测期数（horizon），\( h = 0, 1, 2, \dots, H \)。
    • \( \beta_h \)：\( m \times k \) 的矩阵，表示在预测期 \( h \) 的脉冲响应（即 \( x_t \) 对 \( y_{t+h} \) 的因果效应）。
    • \( \Theta_j \)：\( m \times m \) 的矩阵，表示 Wold 分解中的移动平均系数（即 \( y_t = \sum_{j=0}^\infty \Theta_j \varepsilon_{t-j} \)）。
    • \( T \)：样本量。
  • 模型：
    • 数据生成过程（DGP）是一个向量移动平均（VMA）过程：\( y_t = \sum_{j=0}^\infty \Theta_j \varepsilon_{t-j} \)，其中 \( \Theta_0 = I_m \)，且 \( \varepsilon_t \) 是均值为 0、协方差矩阵为 \( \Sigma_\varepsilon \) 的独立同分布（i.i.d.）白噪声。
    • 冲击变量 \( x_t \) 是 \( y_t \) 的一个子集或线性组合，且与 \( \varepsilon_t \) 相关（即 \( x_t \) 是内生变量）。为了识别因果效应，需要假设 \( x_t \) 的冲击是外生的（即 \( x_t \) 的变动由 \( \varepsilon_t \) 中的某个特定成分驱动）。在本文的设定中，作者假设 \( x_t \) 是 \( y_t \) 的一个子集，且其冲击可以通过 Cholesky 分解等递归识别方案来识别。
    • 要估计的对象是脉冲响应 \( \beta_h \)，即 \( x_t \) 的一个单位冲击对 \( y_{t+h} \) 的边际效应。
  • 可观测数据：
    • 研究者可以观测到时间序列 \( \{y_t, x_t\}_{t=1}^T \)。
    • 不可观测的是 Wold 误差 \( \varepsilon_t \) 和移动平均系数 \( \Theta_j \)。这些是潜在变量，需要通过模型假设来识别。

第二步：讲最小内核

最简特例：单变量（m=1）、单冲击（k=1）、一阶移动平均（MA(1)）过程

假设我们只有一个变量 \( y_t \) 和一个冲击 \( x_t = y_t \)（即冲击就是变量本身）。DGP 是一个 MA(1) 过程：

\[y_t = \varepsilon_t + \theta \varepsilon_{t-1}\]
其中 \( \varepsilon_t \) 是均值为 0、方差为 \( \sigma^2 \) 的 i.i.d. 白噪声。我们想估计 \( x_t \) 对 \( y_{t+1} \) 的脉冲响应 \( \beta_1 \)，即 \( \partial y_{t+1} / \partial \varepsilon_t \)。

LP 的 OLS 估计： 对于 \( h=1 \)，LP 回归方程为：

\[y_{t+1} = \beta_1 y_t + u_{t+1}\]
其中 \( u_{t+1} \) 是回归残差。由于 \( y_t = \varepsilon_t + \theta \varepsilon_{t-1} \)，且 \( y_{t+1} = \varepsilon_{t+1} + \theta \varepsilon_t \)，我们有：
\[u_{t+1} = y_{t+1} - \beta_1 y_t = (\varepsilon_{t+1} + \theta \varepsilon_t) - \beta_1 (\varepsilon_t + \theta \varepsilon_{t-1})\]
为了识别 \( \beta_1 \)，我们需要 \( E[y_t u_{t+1}] = 0 \)。计算可得：
\[E[y_t u_{t+1}] = E[(\varepsilon_t + \theta \varepsilon_{t-1})(\varepsilon_{t+1} + \theta \varepsilon_t - \beta_1 \varepsilon_t - \beta_1 \theta \varepsilon_{t-1})] = \theta \sigma^2 - \beta_1 \sigma^2 - \beta_1 \theta^2 \sigma^2\]
令其等于 0，解得 \( \beta_1 = \theta / (1 + \theta^2) \)。注意，真实的脉冲响应是 \( \partial y_{t+1} / \partial \varepsilon_t = \theta \)。所以 OLS 估计量 \( \hat{\beta}_1^{OLS} \) 是不一致的，因为它估计的是 \( \theta / (1 + \theta^2) \)，而不是 \( \theta \)。这就是为什么传统观点认为 LP 的 GLS 不可行——因为 OLS 本身就不一致，GLS 也无法修复。

本文的核心想法： 本文的关键在于，作者假设冲击 \( x_t \) 是外生的。在单变量例子中，这意味着 \( x_t \) 不是 \( y_t \) 本身，而是一个外生变量，比如 \( x_t = \varepsilon_t \)（即冲击就是 Wold 误差本身）。那么 LP 回归方程变为：

\[y_{t+1} = \beta_1 x_t + u_{t+1}\]
其中 \( x_t = \varepsilon_t \)。此时，\( u_{t+1} = y_{t+1} - \beta_1 x_t = \varepsilon_{t+1} + \theta \varepsilon_t - \beta_1 \varepsilon_t = \varepsilon_{t+1} + (\theta - \beta_1) \varepsilon_t \)。由于 \( x_t = \varepsilon_t \) 与 \( u_{t+1} \) 中的 \( \varepsilon_t \) 相关，OLS 仍然不一致。但如果我们知道 \( \theta \)，我们可以通过 GLS 来修正。

GLS 估计： 残差 \( u_{t+1} \) 的自相关结构是：\( u_{t+1} \) 与 \( u_t \) 相关吗？\( u_t = y_t - \beta_1 x_{t-1} = \varepsilon_t + \theta \varepsilon_{t-1} - \beta_1 \varepsilon_{t-1} = \varepsilon_t + (\theta - \beta_1) \varepsilon_{t-1} \)。所以 \( u_{t+1} \) 和 \( u_t \) 都依赖于 \( \varepsilon_t \)，因此它们是相关的。更一般地，\( u_{t+1} \) 是一个 MA(1) 过程。如果我们知道这个 MA(1) 过程的参数（即 \( \theta \) 和 \( \sigma^2 \)），我们就可以构造一个 GLS 估计量，它比 OLS 更有效，并且是一致的（因为 \( x_t \) 是外生的，且 GLS 通过加权最小二乘法处理了自相关）。

这个最小内核揭示了本文的核心数学困难：要构造 GLS，需要知道残差的自相关结构，而这个结构又依赖于未知的脉冲响应 \( \beta_h \) 和 Wold 分解系数 \( \Theta_j \)。本文的关键想法是：这个自相关结构可以表示为 Wold 误差和脉冲响应的 VMA 过程，并且可以通过一个两步法来估计：先用 OLS 得到 \( \beta_h \) 的一致估计，然后用这个估计来构造残差，再估计 VMA 参数，最后用 GLS 重新估计 \( \beta_h \)。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：本文研究了局部投影法（LP）在估计脉冲响应时的效率问题，挑战了“LP 只能用 OLS 且 GLS 不可行”的传统观点。
  2. 核心工具/方法：作者证明了 LP 残差的自相关结构可以表示为 Wold 误差与脉冲响应的向量移动平均（VMA）过程，并据此构造了一个一致且更有效的 GLS 估计量。
  3. 主要结论：蒙特卡洛模拟表明，在有限样本下，GLS 估计量比 OLS 估计量更高效（方差更小），且这种效率增益在长预测期（大 \( h \)）和强自相关时更为显著。

关键设定与假设

  • 设定：考虑一个 \( m \)-维时间序列 \( y_t \)，其 DGP 是一个平稳的、可逆的 VMA(\( \infty \)) 过程：\( y_t = \sum_{j=0}^\infty \Theta_j \varepsilon_{t-j} \)，其中 \( \varepsilon_t \) 是 i.i.d. 白噪声，协方差矩阵为 \( \Sigma_\varepsilon \)。
  • 假设：
    1. 外生冲击：冲击变量 \( x_t \) 是 \( y_t \) 的一个子集，并且其冲击可以通过递归识别方案（如 Cholesky 分解）来识别。这意味着 \( x_t \) 的冲击与 \( \varepsilon_t \) 中的特定成分一一对应，且这些成分是外生的。这是本文最关键、也是最强的假设，它保证了 OLS 估计量的一致性（在单变量例子中，如果 \( x_t \) 不是外生的，OLS 就不一致）。
    2. 平稳性：\( y_t \) 是平稳的，这意味着 VMA 系数 \( \Theta_j \) 是绝对可和的。
    3. 已知的 VMA 阶数：在构造 GLS 时，需要知道 VMA 过程的阶数 \( q \)。作者在模拟中假设 \( q \) 已知，但在实际应用中，这需要通过信息准则（如 AIC、BIC）来估计。这是一个比 VAR 更强的假设，因为 VAR 的阶数通常也未知。
  • 相比已有文献：本文放宽了“GLS 不可行”的认知，但引入了对 VMA 阶数的依赖。相比 VAR，它仍然更稳健（因为不要求 DGP 是有限阶 VAR），但不如原始的 LP 稳健（因为需要估计 VMA 参数）。

主要结果

  • 定理 1（自相关结构）：LP 的 \( h \)-步预测误差 \( u_{t+h} = y_{t+h} - \beta_h x_t \) 可以表示为：
    \[u_{t+h} = \sum_{j=0}^{h-1} \Theta_j \varepsilon_{t+h-j} + \sum_{j=h}^\infty (\Theta_j - \beta_h \Phi_j) \varepsilon_{t+h-j}\]
    其中 \( \Phi_j \) 是 \( x_t \) 对 \( \varepsilon_t \) 的脉冲响应。这个表达式表明 \( u_{t+h} \) 是一个 VMA(\( h-1 \)) 过程（第一项）加上一个与 \( \varepsilon_{t+h-j} \)（\( j \ge h \)）相关的项。关键点是：由于 \( x_t \) 是外生的，第二项中的 \( \varepsilon_{t+h-j} \)（\( j \ge h \)）与 \( x_t \) 不相关，因此 \( u_{t+h} \) 的自相关结构完全由第一项（一个 VMA(\( h-1 \)) 过程）决定。
  • 定理 2（GLS 估计量的一致性）：在正则条件下，基于估计的 VMA 参数构造的可行 GLS（FGLS）估计量 \( \hat{\beta}_h^{GLS} \) 是 \( \beta_h \) 的一致估计量。直觉：第一步的 OLS 估计量 \( \hat{\beta}_h^{OLS} \) 是一致的（因为 \( x_t \) 外生），因此用它构造的残差 \( \hat{u}_{t+h} \) 可以一致地估计 VMA 参数，进而 FGLS 也是一致的。
  • 定理 3（GLS 估计量的渐近效率）：FGLS 估计量的渐近方差小于或等于 OLS 估计量的渐近方差。直觉：GLS 利用了残差的自相关结构，通过加权最小二乘法（等价于对数据进行“预白化”处理）来消除自相关，从而提高了估计效率。具体来说，GLS 的渐近方差是 \( \text{Var}(\hat{\beta}_h^{GLS}) = (E[x_t x_t']^{-1} \otimes \Sigma_u(h)) \)，其中 \( \Sigma_u(h) \) 是 \( u_{t+h} \) 的长期方差（考虑了自相关），而 OLS 的渐近方差是 \( \text{Var}(\hat{\beta}_h^{OLS}) = (E[x_t x_t']^{-1} \otimes \Omega_u(h)) \)，其中 \( \Omega_u(h) \) 是 \( u_{t+h} \) 的方差（忽略了自相关）。由于 \( \Sigma_u(h) \le \Omega_u(h) \)（在矩阵意义下），GLS 更有效。

证明路线与技术技巧

  • 整体路线：
    1. 刻画自相关结构：利用 Wold 分解，将 LP 残差 \( u_{t+h} \) 表示为 Wold 误差 \( \varepsilon_t \) 的线性组合，并证明其是一个 VMA(\( h-1 \)) 过程。
    2. 构造 GLS 估计量：基于 VMA 结构，写出 LP 回归方程的 GLS 形式。这需要知道 VMA 参数（即 \( \Theta_j \) 和 \( \Sigma_\varepsilon \)）。
    3. 两步法估计：
      • 第一步：用 OLS 估计 \( \beta_h \)，得到一致估计 \( \hat{\beta}_h^{OLS} \)。
      • 第二步：用 \( \hat{\beta}_h^{OLS} \) 构造残差 \( \hat{u}_{t+h} \)，然后估计 VMA 参数（例如，通过 Hannan-Rissanen 算法或最大似然估计）。
      • 第三步：用估计的 VMA 参数构造 GLS 估计量 \( \hat{\beta}_h^{GLS} \)。
    4. 渐近理论：证明 FGLS 估计量的一致性和渐近正态性，并比较其与 OLS 的渐近方差。
  • 关键跳跃点：
    • 从“自相关不可知”到“自相关可建模”：这是本文的核心贡献。作者通过 Wold 分解，将看似复杂的自相关结构简化为一个参数化的 VMA 过程，使得 GLS 成为可能。
    • 两步法的一致性：证明第一步的 OLS 估计量的一致性（依赖于外生冲击假设）是第二步 VMA 参数估计一致性的前提。作者需要证明，用 \( \hat{\beta}_h^{OLS} \) 构造的残差 \( \hat{u}_{t+h} \) 可以一致地估计真实的 VMA 参数。
  • 技术技巧点名：
    • Wold 分解：将时间序列分解为确定性部分和随机部分（移动平均过程），是本文所有推导的基础。
    • VMA 过程的估计：使用了 Hannan-Rissanen 算法（一种两步法，先用高阶 AR 模型估计残差，再用残差估计 MA 参数）来估计 VMA 参数。
    • 可行 GLS（FGLS）：用估计的协方差矩阵代替真实的协方差矩阵进行 GLS 估计，是计量经济学中的标准技巧。

真实例子与应用

  • 数据/场景：蒙特卡洛模拟。作者生成了来自一个三变量 VAR(1) 模型的数据，并比较了 LP-OLS 和 LP-GLS 在估计脉冲响应时的表现。
  • 方法应用：对于每个模拟数据集，作者先用 OLS 估计 LP，然后用两步法估计 VMA 参数，最后用 GLS 重新估计 LP。
  • 结果：
    • 效率增益：在所有预测期 \( h \) 和所有变量组合下，LP-GLS 的均方根误差（RMSE）都小于 LP-OLS。效率增益在长预测期（大 \( h \)）和强自相关时更为显著（例如，RMSE 降低 20-40%）。
    • 偏差：LP-GLS 的偏差与 LP-OLS 相当，没有显著增加。
    • 覆盖概率：基于 GLS 标准误的置信区间具有更接近名义水平的覆盖概率（例如，95% 置信区间的实际覆盖概率更接近 95%）。
  • 这个例子想说明什么：验证了理论结果（GLS 更有效），并展示了在有限样本下，GLS 确实能带来实质性的效率改进，且不会引入额外的偏差。

🔎 结论是否比证明窄

  • 窄结论：定理 3 证明了 GLS 的渐近方差小于或等于 OLS 的渐近方差。但作者在引言和结论中多次使用“more efficient”一词，这通常被理解为“在有限样本下更有效”。严格来说，定理 3 只保证了渐近有效性，有限样本下的效率增益是通过模拟展示的，而非严格证明。
  • 泛泛 claim：作者声称 GLS 估计量是“consistent and more efficient”。一致性在定理 2 中证明，但“more efficient”的严格表述是“asymptotically at least as efficient”。在模拟中，它确实更有效，但理论上可能存在某些 DGP 下 GLS 与 OLS 渐近等价的情况（例如，当残差是白噪声时）。

四、开放问题

  1. VMA 阶数的选择：本文假设 VMA 阶数 \( q \) 已知。在实际应用中，如何选择 \( q \)？使用信息准则（如 AIC、BIC）是否会导致过度拟合或欠拟合？这会影响 GLS 的有限样本表现。扎根点：模拟部分假设 \( q \) 已知，但作者在结论中提到了“选择 VMA 阶数”是一个未来工作。
  2. 非线性/非平稳扩展：本文的推导依赖于线性 VMA 表示和平稳性。如何将 GLS 方法扩展到非线性 LP（如平滑过渡 LP）或非平稳时间序列（如单位根过程）？扎根点：引言中提到 LP 的一个优势是易于扩展到非线性设定，但本文的 GLS 方法尚未处理这种情况。
  3. 与 VAR 的效率比较：本文的 GLS 估计量是否在渐近意义上与最优的 VAR 估计量等价？如果等价，那么 GLS 的效率增益是否只是有限样本现象？扎根点：作者在引言中引用了 Montiel Olea & Plagborg-Møller (2021) 关于 LP 与 VAR 渐近等价的结果，但未讨论本文的 GLS 估计量与此的关系。
  4. 外生冲击假设的放松：本文最关键的外生冲击假设在实证中可能不成立（例如，货币政策冲击可能不是完全外生的）。如果冲击是弱外生的，GLS 估计量是否仍然一致？如果不一致，是否存在其他识别策略（如使用工具变量）可以与 GLS 结合？扎根点：定理 2 和 3 的证明都依赖于外生冲击假设。

Maintained by 陈星宇 · Homepage · Source on GitHub

评论