Translate Panel Vektor Model Autoregresif - Survei

11/14/2019 Panel vektor model autoregresif: survei
Halaman 1
Serie PaPer yang berfungsi

no 1507 / Januari 2013
Panel vektor
Model autoregreSSiVe
survei
Fabio Canova dan Matteo Ciccarelli
Pada 2013 semua ECB

publikasi
fitur motif
diambil dari
uang kertas € 5.
catatan: Kertas Kerja ini tidak boleh dilaporkan

https://translate.googleusercontent.com/translate_f 1/54
sebagai mewakili pandangan Central Eropa

Bank (ECB). Pandangan yang diungkapkan adalah dari
penulis dan tidak mencerminkan penulis ECB.
Halaman 2
Ucapan Terima Kasih

Disiapkan untuk Kemajuan dalam Ekonometrika, volume 31. Kami berterima kasih kepada Lutz Kilian, Chris Sims dan para peserta untuk kerja Tahunan ke-12 -
berbelanja di Avances in Econometrics, Dallas untuk komentar dan saran. Pandangan yang diungkapkan dalam makalah ini adalah dari penulis dan
tidak mencerminkan orang-orang dari ECB atau Eurosystem.
Fabio Canova (penulis yang sesuai)

Institut Universitas Eropa ; e-mail: fabio.canova@eui.eu
Matteo Ciccarelli
Bank Sentral Eropa; e-mail: matteo.ciccarelli@ecb.europa.eu
© Bank Sentral Eropa, 2013
Alamat Kaiserstrasse 29, 60311 Frankfurt am Main, Jerman

Alamat pos Postfach 16 03 19, 60066 Frankfurt am Main, Jerman
Telepon +49 69 1344 0
Internet http://www.ecb.europa.eu
Fax +49 69 1344 6000
Seluruh hak cipta.
ISSN 1725-2806 (online)

Katalog EU No QB-AR-13-004-EN-N (online)
Setiap reproduksi, publikasi, dan cetak ulang dalam bentuk publikasi yang berbeda, baik dicetak atau diproduksi secara elektronik, secara keseluruhan
atau sebagian, hanya diizinkan dengan otorisasi tertulis eksplisit dari ECB atau penulis.
Makalah ini dapat diunduh tanpa biaya dari http://www.ecb.europa.eu atau dari elektronik Jaringan Penelitian Ilmu Sosial
perpustakaan di http://ssrn.com/abstract_id=2201610.
Informasi tentang semua makalah yang diterbitkan dalam ECB Working Paper Series dapat ditemukan di situs web ECB, http: //www.ecb.
europa.eu/pub/scientific/wps/date/html/index.en.html
Halaman 3
Abstrak
Makalah ini memberikan ikhtisar model panel VAR yang digunakan dalam ekonomi makro
dan keuangan. Ini membahas apa fitur khas mereka, apa yang mereka gunakan
untuk, dan bagaimana mereka dapat diturunkan dari teori ekonomi. Itu juga menggambarkan bagaimana mereka
diperkirakan dan bagaimana identifikasi kejut dilakukan, dan membandingkan panel VAR
untuk pendekatan lain yang digunakan dalam literatur untuk menangani model dinamis yang melibatkan
unit heterogen. Akhirnya, ini menunjukkan bagaimana variasi waktu struktural dapat ditangani
dan mengilustrasikan tantangan yang mereka hadirkan kepada para peneliti yang tertarik untuk belajar
saling ketergantungan lintas unit # dalam pengaturan heterogen.
Klasifikasi JEL: C11, C30, C53.
Kata kunci: Panel VAR, Estimasi, Identifikasi, Inferensi.
Halaman 4
Ringkasan bukan teknis
Selama lima belas tahun terakhir, ada banyak kemajuan dan penyatuan dalam
standar pengumpulan data dan upaya substansial untuk membuat detail dan sebanding
data (pada bank, perusahaan, industri) di berbagai negara dan wilayah di dunia. Ini
telah memungkinkan untuk menambahkan dimensi panel penting untuk studi empiris yang
sebelumnya terbatas pada beberapa negara maju, di mana interdependensi sangat sulit
dieksplorasi, dan dengan sedikit perbandingan lintas negara.
Bersama dengan perbaikan dalam pengumpulan data, ada juga yang bertahap
tetapi peningkatan saling ketergantungan yang stabil antara wilayah, negara, dan sektor. Ketentuan
seperti nglobal economieso, interdependensi nglobal, transmisi nglobal telah menjadi
bagian dari artikel setiap hari dan diskusi di pers populer dengan makna itu
ekonomi, daerah atau sektor tidak lagi dapat diperlakukan secara terpisah dan limpahannya menjadi tidak perlu.
portant. Namun, dalam tatanan global baru ini, di mana guncangan disebar dengan cepat
perbatasan, heterogenitas substansial tetap. Asimetri baik dalam kecepatan dan dalam
besarnya pemulihan dari resesi 2008 dan kesenjangan Utara # Selatan yang lebih kuat
yang semakin menjadi ciri diskusi politik tentang Eropa yang berkepanjangan
krisis utang adalah contoh nyata dari heterogenitas ini.
Masalah dunia yang terglobalisasi dengan heterogenitas yang persisten menarik bagi kebijakan
pembuat yang perlu memahami dan memantau perkembangan nasional dan asing hal
dan untuk ekonom dan pemodel ekonomi yang perlu membangun alat yang menetapkan yang menonjol
peran ke dimensi internasional. Kehadiran heterogenitas dinamis menunjukkan hal itu
ada banyak ruang untuk mempelajari bagaimana guncangan ditransmisikan lintas unit; untuk tidak mencirikan
hanya efek rata-rata tetapi juga perbedaan lintas bagian yang membantu memahami potensi
sumber heterogenitas; untuk menganalisis bagaimana kecenderungan masa lalu telah menciptakan status saat ini
quo dan bagaimana seseorang harus mengharapkan situasi saat ini berkembang di masa depan; dan untuk menyediakan
pembuat kebijakan dengan fakta-fakta yang dengannya seseorang dapat membangun skenario alternatif dan merumuskan kebijakan
keputusan.
Makalah ini memberikan ikhtisar model panel VAR yang digunakan dalam ekonomi makro dan
membiayai untuk menjawab berbagai pertanyaan empiris yang menarik bagi para ahli ekonomi makro terapan
dan pembuat kebijakan. Panel VAR tampaknya sangat cocok untuk mengatasi masalah yang saat ini
di tengah panggung diskusi di bidang akademik dan di arena kebijakan, sebagaimana mereka mampu
untuk (i) menangkap interdependensi statis dan dinamis, (ii) memperlakukan tautan di seluruh unit
dengan cara yang tidak terbatas, (iii) dengan mudah memasukkan variasi waktu dalam koefisien dan dalam
varians dari guncangan, dan (iv) menjelaskan heterogenitas dinamis cross sectional.
Makalah ini membahas fitur khas dan aplikasi potensial dari panel VAR,
menggambarkan bagaimana mereka diperkirakan dan bagaimana kejutan biasanya diidentifikasi, bagaimana seseorang berurusan
dengan variasi waktu struktural; apa perbedaan antara model panel VAR
digunakan dalam studi ekonomi mikro dan makro ekonomi; bagaimana panel VAR dan koleksi
VAR membandingkan dan bagaimana panel VAR berhubungan dengan alternatif populer lainnya seperti besar
skala VAR, model Faktor atau VAR Global.
Panel VAR dibangun dengan logika yang sama dengan VAR standar, tetapi dengan menambahkan tanda silang
Dimensi sectional, mereka adalah alat yang jauh lebih kuat untuk mengatasi kebijakan yang menarik
Halaman 5
pertanyaan terkait misalnya untuk transmisi guncangan lintas batas. Dimensi besar
panel VAR biasanya membuat kutukan dimensi menjadi masalah terutama ketika kembali #
pencari tertarik memeriksa tautan input # output suatu daerah atau daerah, di mana
dimensi deret waktu panel pendek. Artikel ini menyajikan beberapa penyusutan ap #
proaches yang jauh untuk menangani masalah dimensionalitas tanpa kompromi
terlalu banyak pada struktur dan pada kemampuan untuk menjawab pertanyaan ekonomi yang menarik.
Secara keseluruhan, panel VAR memiliki potensi untuk menjadi sama pentingnya dengan VAR untuk menjawab
pertanyaan ekonomi yang relevan yang tidak memerlukan spesifikasi seluruh struktur
ekonomi.
Halaman 6
1. Pendahuluan
Analisis ekonomi makro dan evaluasi kebijakan semakin membutuhkan pengambilan interdepen #
Pagar yang ada lintas sektor, pasar dan negara diperhitungkan, dan ekonomi nasional
isu-isu, sementara sering istimewa, sekarang perlu ditangani dari perspektif global. Jadi,
ketika merumuskan kebijakan, sejumlah saluran transmisi yang berbeda perlu disesuaikan
sidered dan spillover cenderung menjadi penting, bahkan untuk ekonomi besar dan maju.
Saling ketergantungan dalam negeri diketahui menghasilkan fluktuasi siklus bisnis domestik
dari guncangan sektoral idiosinkratik, setidaknya, sejak Long dan Plosser (1983), dan limpahan
dari sektor keuangan ke ekonomi riil adalah kunci untuk memahami krisis global baru-baru ini
(misalnya Stock dan Watson, 2012; Ciccarelli et al., 2012a). Banyak penulis juga berpendapat
bahwa tingkat perdagangan dan integrasi pasar keuangan yang meningkat pesat telah mendorong lebih dekat
saling ketergantungan internasional dalam negara maju dan antara negara berkembang dan negara
negara maju (Kose et al., 2003, Canova et al., 2007, Pesaran et al., 2007, Kose dan
Prasad, 2010, Canova dan Ciccarelli, 2012). Dengan demikian, perspektif multilateral sangat penting,
dan kegagalan untuk mengenali aspek realitas ini cenderung menyebabkan distorsi dalam evaluasi
hasil ekonomi dan keputusan kebijakan yang salah.
Ada dua cara untuk meneliti masalah ekonomi di ekonomi yang saling tergantung. Satu adalah
untuk membangun keseimbangan umum stokastik dinamis multi sektor, multi pasar, multi negara
(DSGE) model, di mana agen adalah pengoptimal, dan di mana preferensi, teknologi, dan
kendala sepenuhnya ditentukan. Struktur seperti ini sekarang banyak digunakan dalam kebijakan
arena (lihat misalnya model SIGMA di Federal Reserve Board; proyeksi global
model di IMF; atau model EAGLE di ECB). DSGE yang diparameterisasi dengan ketat
model berguna karena mereka menawarkan jawaban yang tajam untuk pertanyaan kebijakan penting dan
memberikan resep kesejahteraan yang mudah dimengerti. Namun, dengan konstruksi, model ini
memaksakan banyak pembatasan, tidak selalu sejalan dengan sifat statistik data.
Dengan demikian, resep kebijakan yang mereka berikan tertanam dalam asumsi model,
Halaman 7
dan harus dianggap lebih sebagai tolok ukur daripada penilaian opsi yang realistis
dan kendala yang dihadapi oleh pembuat kebijakan dalam situasi dunia nyata.
Pendekatan alternatif untuk berurusan dengan ekonomi yang saling tergantung adalah membangun panel
Model VAR. Model-model ini menghindari sebagian besar struktur mikro eksplisit yang ada di DSGE
model dan, sebagai mitra VAR mereka, berusaha untuk menangkap saling ketergantungan dinamis
hadir dalam data menggunakan sekumpulan pembatasan minimal. Identifikasi guncangan kemudian bisa
mengubah model formulir yang direduksi ini menjadi model struktural, memungkinkan latihan tipikal, seperti
sebagai analisis respons impuls atau kontrafakta kebijakan, yang akan dibangun secara relatif
cara yang mudah. Panel struktural model VAR bertanggung jawab atas kritik standar
model struktural VAR (lihat misalnya Cooley dan Le Roy, 1983, Faust dan Leeper, 1997,
Cooley dan Dweyer, 1998, Canova dan Pina, 2005, Chari et al., 2008) dan karenanya perlu
untuk dipertimbangkan dengan hati-hati. Meskipun demikian, informasi yang mereka hasilkan dapat efektif
analisis pelengkap yang dilakukan dengan model DSGE, membantu menunjukkan dimensi
di mana model ini gagal, dan memberikan fakta dan prediksi bergaya yang dapat meningkatkan
realisme model DSGE.
Tujuan dari artikel ini adalah untuk menggambarkan panel VAR apa dan apa penggunaannya di ap #
menghujani pekerjaan; bagaimana mereka dapat menangkap heterogenitas yang hadir di ekonomi yang saling tergantung
dan bagaimana spesifikasi terbatas yang biasanya digunakan dalam literatur bersarang di
Kerangka VAR panel umum kami pertimbangkan. Kami juga memeriksa bagaimana model panel VAR dapat
diperkirakan, bagaimana identifikasi kejut dilakukan, dan bagaimana seseorang dapat melakukan inferensi
dengan model seperti itu. Kami menyoroti bagaimana sifat yang berkembang dari unit lintas saling bergantung #
Cies dapat dipertanggungjawabkan dan bagaimana kerangka kerja alternatif seperti model faktor, global
VAR (GVAR), panel VAR bilateral, VAR Bayesian skala besar, atau VAR spasial com #
pare kepada mereka. Akhirnya, artikel ini membahas tantangan terbuka yang dihadapi peneliti saat
berurusan dengan panel heterogen dan saling tergantung yang dinamis (negara, industri,
atau pasar) dalam pekerjaan terapan.
Halaman 8
Sisa makalah ini disusun sebagai berikut. Bagian selanjutnya membahas apa itu
fitur khas VAR panel, untuk apa mereka digunakan, dan bagaimana tautan ke DSGE
model. Bagian 3 menjelaskan bagaimana VAR panel bentuk yang dikurangi diperkirakan. Bagian 4 menambahkan
variasi waktu dalam koefisien. Bagian 5 membahas identifikasi kejut dan penjelasan
strategi untuk melakukan analisis struktural. Bagian 6 membandingkan panel VAR dengan ap lainnya #
proaches yang telah digunakan dalam literatur untuk menangani model dinamis yang melibatkan
unit heterogen saling tergantung. Kesimpulan dan beberapa pertimbangan tambahan
berada di bagian 7.
2 Apa itu VAR panel?
Model VAR sekarang sudah mapan dalam ekonomi makro terapan. Dalam model VAR semua
variabel diperlakukan sebagai endogen dan saling tergantung, baik secara dinamis maupun statis
akal, meskipun dalam beberapa kasus yang relevan, variabel eksogen dapat dimasukkan (lihat misalnya,
pendekatan dummy yang dipelopori oleh Ramey dan Shapiro, 1998). Misalkan Mt menjadi vektor> *
variabel endogen. VAR untuk Mt adalah
M t 1 8 " & _ '(8 & O'M t- # (` t ` t % VVR &) 4" u ' (1)
di mana 8 & O 'adalah polinomial dalam operator lag dan VVR berarti identik dan independen
didistribusikan. Batasan biasanya dikenakan pada matriks 8 j untuk membuat koefisien
varians dari M t terikat dan untuk memastikan bahwa 8 & O ' - # ada misalnya, kita bisa
memaksakan bahwa tidak ada akar 8 & S - " ' - # berada di atau di dalam lingkaran satuan. Terkadang persamaan
(1) didekomposisi menjadi komponen jangka pendek dan jangka panjangnya, mengikuti pekerjaan
Beveridge dan Nelson (1981) atau Blanchard dan Quah (1989), tetapi untuk tujuan ini
Artikel perbedaannya tidak penting karena dimensi deret waktu yang tersedia adalah, pada
terbaik, dengan panjang sedang, membuat sifat jangka panjang dari model sangat tidak tepat
ditembaki Demi notasi kami telah dipadatkan menjadi 8 " & _ 'semua deterministik
Halaman 9
komponen data. Dengan demikian, harus dipahami bahwa representasi (1) dapat
termasuk konstanta, boneka musiman dan polinomial deterministik dalam waktu.
Variasi khas (1), digunakan terutama dalam analisis ekonomi terbuka kecil, memungkinkan>
variabel dalam M t menjadi fungsi linier dari K t , satu set variabel yang telah ditentukan atau eksogen,
dalam hal ini VAR
M t 1 8 " & _ '(8 & O'M # t- # (= & O'K $ t (` t 3
Struktur VARX rekursif blok semacam itu telah digunakan, misalnya, oleh Cushman dan Zha
(1997) dalam analisis mereka tentang dampak guncangan kebijakan moneter di Kanada, dan dalam latihan
mengukur bagaimana variabel ditentukan di pasar dunia (seperti harga komoditas atau dunia
produktivitas) mempengaruhi ekonomi domestik (lihat misalnya Kilian dan Vega 2011).
Pesanan terbatas, VAR koefisien tetap seperti (1) dapat diturunkan dalam banyak cara. Standar
satu adalah dengan menggunakan teorema Wold (lihat misalnya Canova, 2007) dan menganggap linearitas, stasioneritas
dan keterbalikan dari representasi rata-rata bergerak yang dihasilkan. Di bawah asumsi ini,
ada sebuah (tak terbatas lag) VAR representasi untuk setiap vektor M t . Untuk memotong yang tak terbatas ini
dimensi VAR dan gunakan VAR (\), \ hingga, dalam analisis empiris yang selanjutnya perlu kita asumsikan
bahwa kontribusi M t-j ke M t 4 kecil ketika W besar.
Panel VAR memiliki struktur yang sama dengan model VAR, dalam arti semua variabel
diasumsikan endogen dan saling tergantung, tetapi dimensi cross sectional ditambahkan
untuk representasi. Dengan demikian, memikirkan M t sebagai versi ditumpuk d itu , vektor>
variabel untuk setiap unit V 1 * 43334D, yaitu, M t 1 & d / # t 4d / $ t 4333d / Nt ' / . Indeks V adalah generik dan
dapat menunjukkan negara, sektor, pasar, atau kombinasi keduanya. Maka panel VAR adalah
d it 1 8 "i & _ '(8 i & O'M t- # (` itu V 1 * 43334D _ 1 * 43334H (2)
dimana ` itu adalah>> * vektor gangguan acak dan, sebagaimana notasi membuatnya jelas,
8 "i & _ 'dan 8 i mungkin tergantung pada unit.
Halaman 10
Ketika panel VARX dipertimbangkan, representasi adalah
d it 1 8 "i & _ '(8 i & O'M # t- # (= i & O'K t (` it (3)
di mana ` t 1 2` #t 4` $ t 43334` Nt 3 / % VVR &) 4" ', = i, j adalah> C matriks untuk setiap lag W 1 * 43.334],
dan K t adalah C * vektor dari variabel yang telah ditentukan atau eksogen, umum untuk semua unit V.
Pemeriksaan sederhana (2) atau (3) menunjukkan bahwa panel VAR memiliki tiga karakteristik
fitur. Pertama, kelambatan semua variabel endogen dari semua unit memasuki model untuk unit V: kita
sebut fitur ini ndynamic interdependencieso. Kedua, ` itu umumnya berkorelasi di seluruh
V: kami menyebut fitur ini nstatic interdependenceso. Selain itu, karena variabel yang sama
ada di setiap unit, ada pembatasan pada matriks kovarian guncangan.
Ketiga, intersep, kemiringan dan varian guncangan ` # itu mungkin spesifik unit:
kami menyebutnya fitur ncross heterogenitas sectional. Fitur-fitur ini membedakan panel
VAR biasanya digunakan untuk analisis makroekonomi dan keuangan dari panel VAR yang digunakan
dalam, misalnya studi mikro, seperti karya perintis oleh Holtz Eakin, et. al (1988) or, more re #
Saat ini, oleh Vidangos (2009), di mana saling ketergantungan biasanya diabaikan dan bersifat sektoral
homogenitas (memungkinkan untuk waktu tertentu # karakteristik individu invarian) biasanya sebagai #
dijumlahkan. Ini juga membedakan pengaturan dari yang lain yang digunakan dalam literatur ekonomi makro,
di mana baik homogenitas cross sectional diasumsikan dan / atau saling ketergantungan yang dinamis
adalah # priori yang dikecualikan (lihat misalnya Benetrix dan Lane, 2010, Beetsma dan Giuliadori, 2011).
Di satu sisi, panel VAR mirip dengan VAR skala besar di mana dinamis dan statis interdepen #
Dency diperbolehkan untuk. Ini berbeda karena heterogenitas lintas bagian memaksakan struktur
pada matriks kovarians dari istilah kesalahan. Perbandingan terperinci dengan VAR skala besar
dan dengan pendekatan lain yang dirancang untuk menangani multi-unit dynamics ada di bagian 6.
2.1 Contoh
Untuk menetapkan ide, ada baiknya mempertimbangkan contoh sederhana. Misalkan> 1, variabel,
D 1, negara dan ada C 1 + variabel eksogen yang lemah. Lalu, hilangkan
Halaman 11
istilah deterministik, model panel VARX adalah
d #t 1 8 ## & O'd # t- # (8 # $ & O'd $ t- # (8 #% & O'd % t- # (= # & O'K t (` #t (4)
d $t 1 8 $ # & O'd # t- # (8 $$ & O'd $ t- # (8 $% & O %% t- # (= $ & O'K t (` $ t (5)
d % t 1 8 % # & O'd # t- # (8 % $ & O'd $ t- # (8 %% & O'd % t- # (= % & O'K t (` % t (6)
Kt 1 C & O Tk # ( bt (7)
di mana 8 ih, j 4 V4 U 1 * 4 + 4, berada. . matriks untuk setiap W dan 8 i &, j 4V

" 1 * 4 + 4, adalah. + matriks
- ## - # $ - #%
untuk setiap W. Selanjutnya, <& ` t ` / t '# " u 1 #! - $ # - $$ - $% $ adalah matriks penuh dan ada
- % # - % $ - %%
struktur tambahan pada. . matriks - ij V4 W 1 * 4 + 4,4 karena variabel G adalah
sama untuk setiap unit. Dalam pengaturan ini, ada saling ketergantungan dinamis (8 ik, j 1) 4X * 1 V untuk
beberapa W), ada saling ketergantungan statis (- i, k * 1) 4X * 1 V) dan ada cross sectional
heterogenitas & 8 i, k * 1 8 i! #, k 4X * 1 V4 V (*).
Jelas, tidak semua tiga fitur pembeda panel VAR perlu digunakan dalam semua
aplikasi. Misalnya, ketika menganalisis transmisi guncangan di keuangan
pasar dari negara yang berbeda, saling ketergantungan statis mungkin cukup jika waktu
periode analisis adalah satu bulan atau seperempat. Demikian pula saat menganalisis negara dalam
serikat moneter, mungkin lebih penting untuk memungkinkan heterogenitas kemiringan (berbeda
negara-negara mungkin merespons secara berbeda terhadap, misalnya, guncangan fiskal) dibandingkan dengan varians heterogenitas
(Guncangan yang menghantam berbagai negara memiliki besaran yang berbeda). Akhirnya, salib dinamis
perbedaan bagian cenderung menjadi penting ketika panel mencakup, misalnya, dikembangkan dan
negara berkembang, atau ketika menyatukan pasar dengan volume perdagangan yang berbeda,
biaya transaksi berbeda, dll.
Beberapa submodels menarik bersarang dalam spesifikasi dan karenanya membatasi #
tions dapat diuji. Misalnya, orang ingin tahu apakah model tanpa dinamis
saling ketergantungan cukup untuk mengkarakterisasi data yang tersedia. Ini adalah pengaturan tipikal
digunakan ketika semua unit kecil dan tidak melakukan efek dinamis pada unit lain,
Halaman 12
tetapi guncangan di unit yang berbeda memiliki komponen yang sama. Ini juga merupakan pengaturan yang digunakan dalam tertentu
studi makro yang memperlakukan unit sebagai pulau terpencil (lihat misalnya Rebucci, 2010; De Graeve dan
Karas, 2012; dan Sa et al., 2012, untuk contoh terkini).
Spesifikasi terbatas lainnya bersarang dalam kerangka umum dan sering digunakan dalam
sastra adalah salah satu di mana semua saling ketergantungan dihindari dan cross sectional slope homo #
kemurnian diasumsikan. Ini adalah pengaturan khas yang digunakan dalam studi mikro, tetapi berpotensi
bermasalah dalam analisis ekonomi makro yang berhubungan dengan negara atau wilayah. Bahkan di dalam
pengaturan terbatas ini, pendekatan panel mikro dan makro berbeda dalam hal yang penting:
dimensi cross sectional biasanya besar dalam studi mikro dan kecil atau sedang
panel makro. Selain itu, panel mikro biasanya menampilkan seri waktu yang sangat pendek.
Sementara panel makro memiliki dimensi deret waktu yang moderat. Perbedaan-perbedaan ini
implikasi penting untuk identifikasi efek dinamika minat.
2.2 Untuk apa VAR panel digunakan?
Panel VAR telah digunakan untuk mengatasi berbagai masalah yang menarik # makro yang diterapkan.
ekonom dan pembuat kebijakan. Dalam bidang literatur siklus bisnis, Canova et
Al. (2007) telah menggunakan panel VAR untuk mempelajari persamaan dan konvergensi di antara
G7 siklus, sedangkan Canova dan Ciccarelli (2012) mempekerjakan mereka untuk memeriksa cross # sectional
dinamika siklus bisnis Mediterania. Mereka juga dapat digunakan untuk membangun kebetulan
atau indikator utama kegiatan ekonomi (lihat Canova dan Ciccarelli, 2009) atau untuk memperkirakan
contoh # dari #, misalnya, output dan inflasi, dengan mempertimbangkan unit lintas potensial
efek limpahan. Seperti yang akan kita lihat, indikator-indikator siklus yang bersifat kebetulan dan utama
dapat dengan mudah dibangun dari panel VAR dan prakiraan (kepadatan) dapat dibangun
dengan metode Monte Carlo yang sederhana.
Panel VAR khususnya cocok untuk menganalisis transmisi idiosinkratik
guncangan di seluruh unit dan waktu. Misalnya, Canova et al. (2012) telah mempelajari bagaimana guncangan
untuk suku bunga AS disebarkan ke sepuluh ekonomi Eropa, tujuh di kawasan Euro
10
Halaman 13
dan tiga di luarnya, dan bagaimana kejutan Jerman, didefinisikan sebagai kejutan yang secara bersamaan
meningkatkan output domestik, pekerjaan, konsumsi, dan investasi, diteruskan ke
sembilan ekonomi yang tersisa. Ciccarelli et al. (2012a) menyelidiki heterogenitas dalam
keterkaitan finansial # makro di seluruh negara maju dan bandingkan transmisi nyata
dan guncangan keuangan dengan penekanan pada resesi terbaru. Caivano (2006) investi #
gerbang bagaimana gangguan yang dihasilkan di kawasan Euro ditransmisikan ke AS dan sebaliknya,
ketika dua unit ini dimasukkan ke dalam ekonomi dunia. Beetsma dan Giuliadori (2011)
dan Lane dan Benetrix (2011) melihat transmisi guncangan pengeluaran pemerintah
dan Boubtbane et al. (2010) meneliti bagaimana guncangan imigrasi ditransmisikan dalam berbagai
negara. Akhirnya, Love dan Zicchino (2006) mengukur efek guncangan terhadap keuangan
factorso bagian lintas perusahaan AS.
Panel VAR juga telah sering digunakan untuk membangun efek rata-rata yang mungkin
lintas kelompok heterogen unit pand untuk mengkarakterisasi perbedaan spesifik unit relatif
untuk rata-rata. Misalnya, orang mungkin ingin tahu apakah pengeluaran pemerintah lebih dari itu
countercyclical, rata-rata, di negara atau negara yang memiliki batasan fiskal termasuk
dalam konstitusi, atau apakah aturan fiskal instan tergantung pada jenis fiskal
pembatasan yang ada (lihat Canova dan Pappa, 2004). Seseorang mungkin juga tertarik
dalam mengetahui apakah dinamika inflasi dalam serikat moneter dapat bergantung pada kondisi geografis #
kal, karakteristik politik, kelembagaan atau budaya, atau apakah fiskal dan moneter
interaksi adalah relevan (lihat Canova dan Pappa, 2007). Atau, orang mungkin mau
memeriksa apakah guncangan yang dihasilkan di luar suatu negara (atau suatu wilayah) mendominasi vari #
kemampuan variabel domestik (lihat Canova, 2005; Rebucci 2010). Akhirnya, orang mungkin mau
untuk memeriksa saluran transmisi apa yang dapat merespons guncangan internasional
berbeda antar negara dan dari rata-rata, atau bagaimana kerapuhan finansial dapat menyebabkan a
mekanisme transmisi kebijakan moneter yang berbeda di berbagai kelompok negara di Indonesia
krisis baru-baru ini (Ciccarelli et al., 2012b).
11
Halaman 14
Potensi penggunaan lain dari panel VAR adalah dalam menganalisis pentingnya interdepen #
dency, dan dalam memeriksa apakah umpan balik digeneralisasikan atau hanya melibatkan pasangan tertentu
unit. Dengan demikian, orang mungkin ingin menggunakan panel VAR untuk menguji ekonomi terbuka kecil sebagai #
atau untuk mengevaluasi asumsi eksogenitas tertentu, sering kali dibuat di internasional
literatur ekonomi. Akhirnya, panel VAR dapat digunakan untuk memeriksa tingkat dinamika
heterogenitas dan klub konvergensi (lihat Canova, 2004), untuk unit kelompok yang endogen
atau untuk menandai perbedaan mereka. Misalnya, De Grauwe dan Karas (2012), dalam a
panel kerangka VAR, menunjukkan bahwa dinamika deposito dan suku bunga ngoodo
dan nbadobanks berbeda dalam menanggapi kejutan bank run. Mereka juga menunjukkan perbedaan itu
dalam kesehatan neraca mereka adalah kepentingan tingkat dua dan apa yang benar-benar penting
adalah apakah bank diasuransikan atau tidak oleh regulator.
2.3 Apakah mereka konsisten dengan teori ekonomi?
Seperti dengan VAR standar, orang mungkin bertanya-tanya apakah panel VAR dapat digunakan untuk ntestotheories
atau untuk memberi tahu para peneliti tentang validitas relatif berbagai paradigma ekonomi. Panel
VAR dapat dengan mudah dihasilkan dari masalah optimasi antarwaktu standar di bawah
kendala, selama aturan keputusan log # dilinearisasi di sekitar kondisi mapan. Untuk
contoh, Canova (2007, Bab 8) menunjukkan bahwa, jika semua variabel diamati, terbuka kecil
versi ekonomi dari model pertumbuhan Solow menghasilkan panel VAR heterogen dengan
statis tetapi tanpa saling ketergantungan dinamis. Lebih penting lagi, dia menunjukkan panel
VAR yang dihasilkan oleh teori memiliki efek tetap dan heterogenitas dinamis atau
tidak satupun dari mereka pi.e., baik kondisi mapan dan dinamika heterogen atau keduanya
homogen. Dengan demikian, sulit untuk membenarkan praktik umum menentukan panel
VAR yang memungkinkan hanya untuk mencegat heterogenitas tetapi memaksakan homogenitas dinamis.
Panel VAR dengan interdependensi dinamis dapat diperoleh jika econ terbuka kecil #
Asumsi omy dijatuhkan dan setidaknya satu aset diperdagangkan di pasar keuangan atau jika
faktor-faktor antara produksi dipertukarkan di pasar terbuka (lihat misalnya Canova dan
12
Halaman 15
Marrinan, 1998). Dalam hal ini, kliring pasar menyiratkan bahwa kelebihan permintaan hadir
dalam sebuah unit dikompensasi oleh kelebihan pasokan di unit lain, dan limpahan ini, bersama-sama
dengan penyesuaian harga relatif barang dan / atau aset, menyiratkan pakan yang disamaratakan #
mundur dari satu unit ke yang lainnya. Juga di sini, setiap kali ada heterogenitas dalam
negara mapan, akan ada heterogenitas dalam respon dinamis untuk domestik dan
guncangan internasional.
Telah diketahui secara umum bahwa jika VAR menghilangkan status relevan dari masalah optimisasi,
tidak ada asuransi bahwa inovasi yang diperoleh dalam Structural VAR (SVAR) akan ditampilkan
karakteristik yang sama dengan inovasi dalam guncangan hadir dalam model teoritis
(lihat misalnya Fernandez Villaverde et al., 2005). Karena keadaan masalah sering
tidak diamati, ketidakcocokan ini telah menyebabkan beberapa peneliti mempertanyakan penggunaan SVAR.
Namun, perlu juga diketahui bahwa ketidaksesuaian ini tidak memiliki konsekuensi salah satu atau tidak
dan bahwa ada situasi di mana inovasi struktural yang mungkin dipulihkan oleh VAR
karakteristik yang berbeda dari inovasi model teoretis tetapi
dinamika yang mereka hasilkan serupa (lihat misalnya Sims, 2012). Panel VAR tidak berbeda
dalam hal ini: jika status penting dihilangkan dari daftar variabel untuk setiap unit,
masalah non fundamental fundamental mungkin muncul. Jadi, perawatan harus dilakukan dalam memilih
variabel untuk setiap unit. Kehadiran penampang tidak membantu secara umum
untuk mengurangi masalah non # fundamental, kecuali jika itu terjadi data cross sectional
mengungkapkan informasi tentang status yang hilang bahwa data unit tunggal tidak dapat
menyediakan pan event yang, secara probabilistik, cukup jauh.
3 Estimasi formulir berkurang
Bergantung pada spesifikasi yang tepat, berbagai pendekatan dapat digunakan untuk memperoleh perkiraan
dari model yang tidak diketahui. Karena kerumitan yang ditambahkan, pertama-tama kita membahas kasus ini
panel VAR tanpa saling ketergantungan dinamis dan kemudian menganalisis apa yang terjadi kapan
13
Halaman 16
saling ketergantungan dinamis ini diperbolehkan untuk. Demi kelengkapan, keduanya
penduga klasik dan Bayesian disajikan meskipun, untuk masalah khusus ini,
perspektif Bayesian lebih disukai, karena memberikan wawasan penting ke dalam estimasi
masalah.
3.1 Panel VAR tanpa saling ketergantungan dinamis
Misalkan ada VAR domestik untuk setiap unit tetapi guncangan bentuk berkurang mungkin
berkorelasi antar unit. Untuk referensi di kemudian hari, kami menyebut pengaturan ini sebagai kumpulan unit khusus
VAR. Biarkan ukuran penampang D menjadi besar. Jika kita mau menganggap bahwa
proses menghasilkan data menampilkan homogenitas dinamis, dan mengkondisikan pada nilai awal
dari variabel endogen, estimasi gabungan dengan efek tetap menangkap secara potensial
heterogenitas idiosinkratik tetapi konstan lintas variabel dan / atau unit adalah standar
pendekatan klasik untuk memperkirakan parameter model. Namun, ketika H diperbaiki, the
estimator gabungan adalah bias dan seseorang mungkin ingin menggunakan pendekatan GMM dari Arellano
dan Bonds (1991), yang konsisten bahkan ketika H kecil. Namun, pendekatan GMM
memerlukan perbedaan spesifikasi, membuang informasi sampel dan dapat membuat
inferensi kurang akurat ketika informasi yang diabaikan penting untuk parameter
bunga. Daripada membedakan, seseorang mungkin ingin memaksakan pembatasan # priori yang
memastikan konsistensi dalam lingkungan seperti itu. Sims (2000) menekankan bahwa, dalam model
tipe ini, variabel dependen tertinggal tidak independen dari intersep unit spesifik
dan menjelaskan bagaimana informasi ini dapat digunakan untuk memulihkan konsistensi parameter, untuk keduanya
model stasioner dan non stasioner. Secara umum, masalah inkonsistensi
muncul, ketika pdf bersyarat digunakan sebagai kemungkinan, karena jumlah parameter
tumbuh dengan ukuran penampang. Jika pdf tanpa syarat digunakan, di mana
kepadatan pengamatan awal adalah fungsi dari intersep spesifik unit dan
14
Halaman 17
parameter kemiringan umum, konsistensi dapat diperoleh. Untuk lebih spesifik, biarkan model menjadi
d it 1 8 "i (8 & O'd it- # (` itu (8)
di mana ` it 2d it- # % D &) 4" i 'dan, untuk ilustrasi, akar 8 & S -iψ ' adalah semua
di luar lingkaran unit. Maka distribusi tanpa syarat dari kondisi awal adalah
D && @ 8 & O''8 "i 4 $ i '4 di mana $ i secara implisit didefinisikan oleh $ i 1" i (' j 8 j $ i 8 / j 3 Jika ini
Kepadatan digunakan bersama dengan kepadatan bersyarat standar untuk membangun kemungkinan, the
estimator kemungkinan maksimum parameter akan konsisten, bahkan dengan H pendek.
Jika H cukup besar, seseorang juga dapat mempertimbangkan estimasi VAR untuk unit yang berbeda sep #
rata dan rata-rata hasilnya di seluruh unit. Estimator kelompok rata-rata seperti itu tidak efisien
relatif terhadap estimator yang dikumpulkan di bawah homogenitas dinamis, tetapi memberikan estimasi yang konsisten
pasangan dari efek dinamika rata-rata guncangan jika heterogenitas dinamis hadir, sedangkan
estimator gabungan tidak (lihat misalnya Pesaran dan Smith, 1995). Estimator gabungan
tidak konsisten di bawah heterogenitas dinamis karena regresi berkorelasi dengan
istilah kesalahan. Jika proses menghasilkan data menampilkan heterogenitas dinamis, keduanya a
di dalam dan di antara estimator juga akan memberikan estimasi parameter yang tidak konsisten,
bahkan ketika D dan H besar, karena istilah kesalahan juga cenderung berkorelasi dengan
regresi. Dengan heterogenitas dinamis, strategi GMM mungkin sulit dipekerjakan sejak saat itu
sulit untuk menemukan instrumen yang secara simultan berkorelasi dengan regressor dan
tidak berkorelasi dengan istilah kesalahan.
Ketika H dan D berukuran sedang dan heterogenitas dinamis diduga, beberapa
bentuk npartial poolingomungkin membantu meningkatkan kualitas estimasi koefisien
dari model. Salah satu format standar yang mengarah ke penggabungan parsial adalah koefisien acak
model. Setup adalah sebagai berikut. Model (tanpa saling ketergantungan dinamis) adalah
d it 1 8 "i (8 i & O'd it- # (` itu di mana sekarang parameter kemiringan berpotensi unit spesifik.
Jika kita mau memaksakan itu
i 1% (a i (9)
15
Halaman 18
di mana saya 1 2aSQ & 8 i & O''4 aSQ & 8 "i '3 / dan i % D &) 4" v ', penaksir yang menggabungkan sebagian
informasi yang ada di unit yang berbeda dapat dibangun. Perhatikan bahwa (9) menyiratkan bahwa
koefisien VAR dalam unit yang berbeda berbeda, tetapi diambil dari distribusi
mean dan variansnya konstan di seluruh V.
Dengan adanya struktur ini, beberapa penaksir tersedia dalam literatur (lihat misalnya Canova,
2007, bab 8). Dua yang paling populer adalah penduga klasik dan Bayesian
satu. Dalam estimator klasik yang diusulkan oleh Swamy (1970) (9) diganti menjadi
model dan GLS diterapkan. GLS diperlukan karena struktur kesalahan tertentu itu
substitusi dari (9) dalam model menghasilkan. Yang penting, pengaturan ini tidak memungkinkan
memperkirakan koefisien unit individu: hanya rata-rata% yang diperkirakan. Perkiraan
jumlah heterogenitas cross sectional juga sulit diperoleh karena " v masuk dalam a
cara rumit dalam varian istilah kesalahan komposit model.
Alternatif Bayesian memperlakukan (9) sebagai pertukaran sebelumnya. Sebelumnya ini kemudian com #
dibatasi dengan kemungkinan data untuk mendapatkan distribusi posterior individu
i, dan dari nilai rata-rata,%, jika itu menarik. Dengan demikian, perspektif Bayesian memungkinkan
kami untuk mengukur heterogenitas hadir dalam dinamika, sedangkan pendekatan klasik tidak
tidak. Jika S i dan ` i terdistribusi secara normal, dan% dan" v diketahui, tergantung pada awal
pengamatan, posterior i normal dengan rata-rata
9 i 1 & L / i " saya,

- # olL i (" - #
v'-#& L / i " - # saya, olL i i, ols (" - # v% ' (10)
di mana i, ols adalah estimator OLS dari i 4 " - # saya, ol

adalah estimasi OLS dari " i dan L i adalah
matriks yang berisi variabel sisi kanan, dan varians
& L / i saya,
" - # olL i (" - # (11)
v'-#
Saat-saat distribusi posterior saya memiliki format nyaman yang biasa: the
rata-rata posterior adalah kombinasi linear dari sampel dan informasi sebelumnya dengan bobot yang diberikan
oleh presisi relatif dari dua jenis informasi dan varian posterior
16
Halaman 19
rata-rata tertimbang dari varian sebelum dan dari sampel. Perhatikan bahwa, jika ada yang mau
gunakan informasi yang ada dalam kondisi awal untuk estimasi (yang bisa sangat
penting ketika D dan H keduanya pendek), spesifikasi seperti yang disarankan oleh Sims
(2000), di mana distribusi gabungan untuk ( i 4d i " 'adalah # priori yang ditentukan, dapat digunakan.
Distribusi posterior di atas tidak memperhitungkan fakta bahwa guncangan
di setiap unit VAR dapat dikorelasikan. Dengan demikian, efisiensi dapat ditingkatkan jika posterior
dibangun menumpuk informasi sampel semua unit. Karena model yang dihasilkan
memiliki struktur SUR, properti rata-rata tertimbang yang nyaman pada momen posterior
dipertahankan.
Tiga poin penting perlu dibuat mengenai momen posterior dalam (10) dan
(11) Pertama, rumus tersebut valid dengan asumsi bahwa% dan " v diketahui. Jika mereka
tidak, orang dapat menentukan distribusi sebelumnya untuk yang tidak dikenal ini dan menggunakan sampler Gibbs
untuk menyusun undian untuk marjinal i 3We akan menjelaskan bagaimana sampler Gibbs bisa
diterapkan pada versi yang lebih rumit dari model hierarkis ini di bagian 4. Pintasan
dirancang untuk mengurangi kompleksitas perhitungan yang tersedia. Misalnya, modal
perkiraan * saya dapat dengan mudah dihitung memasukkan

n
* ( *saya
%* 1 (12)
[ saya)#
*
& - *i ' $ 1 2 & d i L i*i ' / & d i L i * i '3 (13)
H (+
*
" *v 1 & *i % * '& * i % * '(# (14)
[578 & '* 2 ( i
di mana o! o menunjukkan estimasi modal dan # 1 57462) 3)) * 3 dalam rumus di atas. Di
persamaan (14) matriks diagonal sewenang-wenang ditambahkan karena " * v mungkin tidak pasti positif.
Atau, seseorang dapat memperkirakan% dan " v dari sampel pelatihan, jika ini tersedia, atau
dari informasi yang terdapat dalam unit yang ditinggalkan dari bagian cross #. Dalam situasi ini, the
rumus dalam (10) # (11) masih valid dengan taksiran plug # in menggantikan nilai sebenarnya dari% dan
" v . Jelas, dengan perkiraan plug # in, ketidakpastian yang ada di posterior i adalah
17
Halaman 20
meramalkan kesalahan estimasi hadir dalam% dan " v diabaikan, dan orang mungkin
ingin menggunakan koreksi sederhana untuk memperhitungkan kesalahan ini (lihat Canova, 2004).
Kedua, rata-rata posterior 9 saya runtuh ke estimator OLS standar yang dibangun
menggunakan informasi unit khusus jika heterogenitas besar, yaitu, " v ') 4 dan sebelumnya
berarti, jika sampel tidak informatif. Jadi, jika salah satu dari dua jenis informasi itu sangat
tidak tepat, itu diabaikan dalam pembangunan posterior. Ketiga, GLS klasik
estimator memenuhi GLs 1 #

n'n i) # 9 i . Dengan demikian, penaksir klasik untuk efek rata-rata adalah
rata-rata aritmatika sarana posterior dari masing-masing unit.
Canova (2005), Canova dan Pappa (2007) dan yang terbaru Calza et al. (2012), berlaku
seperti pendekatan koefisien acak Bayesian untuk memperkirakan respons dinamis terhadap guncangan
dari koleksi VAR spesifik unit yang berpotensi heterogen. Makalah ini, bagaimanapun,
daripada memodelkan heterogenitas lintas bagian dalam koefisien VAR, seperti yang tersirat dalam
(9), tentukan secara langsung sifat heterogenitas yang hadir dalam representasi MA dari
data untuk setiap unit. Jadi, modelnya adalah
9d itu 1 9 i & O'` itu V 1 * 43334D (15)
di mana 9D itu merupakan vektor asli dari seri di negara V di penyimpangan dari menghalangi #
komponen ministic. Biarkan saya 1 aSQ & 9 i & O ''. Maka, seseorang dapat mengasumsikan bahwa vektor MA
koefisien saya acak di sekitar rata-rata
i 1% (a i (16)
di mana i % D &) 4 " v '. Penaksir Bayesian tentang saya masih mempertahankan rata-rata tertimbang
struktur dijelaskan sebelumnya dengan bobot yang diberikan oleh presisi relatif dari kedua jenis
informasi. Keuntungan dari (16) adalah bahwa sebelum masuk akal secara ekonomi untuk
respons dinamis terhadap guncangan mungkin jauh lebih mudah untuk dirumuskan daripada sebelumnya untuk VAR
koefisien.
Dalam banyak aplikasi, penduga efek rata-rata% ( %'Yang menarik. Jika sebuah
18
Halaman 21
Pendekatan Bayesian diikuti, orang dapat memperolehnya dengan rata-rata rata-rata posterior lebih dari V.
Dengan demikian, penaksir klasik dan Bayesian dari efek rata-rata bertepatan. Sebuah alternatif
tersedia jika, selain memperlakukan i & i 'secara acak di sekitar rata-rata,% (%' dan " v adalah
juga diperlakukan secara acak. Dalam hal ini, distribusi posterior untuk, misalnya, % Bisa didapatkan
mengintegrasikan i dan " v dari posterior bersama & i 4 %4 " v 'menggunakan hirarki standar
metode (lihat misalnya Canova, 2007; Jarocinski, 2010).
Perkiraan peningkatan tanggapan individu saya juga bisa diperoleh dengan cara lain. Untuk
contoh, Zellner dan Hong (1989) menyarankan spesifikasi sebelumnya untuk i yang menghasilkan
dalam distribusi posterior untuk koefisien VAR yang menggabungkan unit spesifik dan rata-rata
informasi sampel. Secara khusus, ketika (9) memegang dan i memiliki distribusi normal dengan
berarti nol dan varians " v 1 / - # - $ u @ k (X menjadi dimensi i ), dan " i 1" 1 - $ kamu @ G ,
distribusi posterior (bersyarat) untuk 1 & # 43334 n ' / akan normal dengan rata-rata 9
diberikan oleh
9 1 & N / N (/ @ nk ' - # & N / N ols (/ A%' (17)
di mana ols 1 2 #, ols 43334 n, ols 3 adalah penaksir OLS dari, unit per unit, N adalah sebuah blok
matriks diagonal yang mengandung di setiap blok diagonal regressor dari setiap unit, dan A / 1
& @ k 43334 @ k '3 Varian dari posterior adalah & N / N (/ @ nk ' - # . Zellner dan Hong (1989)
ganti% dengan estimator grup rata-rata. Atau, sebelum tambahan dapat ditambahkan
untuk% dan distribusi posteriornya berasal dari # pengaturan hierarkis yang lengkap.
Penaksir klasik yang ditingkatkan, yang menggabungkan informasi spesifik unit dan rata-rata,
juga ada. Misalnya, penaksir James # Stein untuk model di atas adalah
'
i 1 p (& * '& i, ols p 'V 1 * 43334 [ (18)
=
i, ols adalah estimator OLS dengan data unit V, p adalah estimator yang dikumpulkan, F adalah statistik untuk
hipotesis nol i 1 4 + V, dan '1 2 & D> *' RVZ & '+ 362D> H RVZ &' (+3. Dengan demikian,
faktor penyusutan 'tergantung pada dimensi relatif terhadap H. Ketika RVZ &' 77 H,
19
Halaman 22
&*F 'lebih kecil, oleh karena itu menarik saya lebih dekat ke p 3. Sangat jarang untuk melihat penduga jenis ini
dalam literatur ekonomi makro terutama karena pengujian pra # diperlukan untuk membangun
(18) biasanya tidak dilakukan.
3.2 Panel VAR dengan saling ketergantungan yang dinamis
Masalah estimasi menjadi lebih rumit jika saling ketergantungan dinamis adalah al #
rendah untuk. Masalahnya terkait dengan kutukan dimensi: tidak termasuk deterministik
komponen, karena ada X 1 D> \ koefisien dalam setiap persamaan, jumlah total
parameter & D> X 'untuk diestimasi dalam model dengan mudah melebihi sampel yang telah tersedia #
sanggup. Salah satu cara untuk mengatasi masalah ini adalah dengan memodelkan tautan dinamis secara selektif di seluruh unit
sambil memberlakukan batasan nol pada orang lain. Jadi, misalnya, orang dapat berasumsi hanya itu
variabel unit W memasukkan persamaan unit V, seperti dalam model VAR spasial yang dibahas
dalam bagian 6.2. Namun, tidak jelas bagaimana melakukan ini dengan cara yang menghindari penambangan data.
Alternatifnya adalah dengan mengelompokkan unit cross sectional ke dalam klub dan mengasumsikan koefisien acak
dalam setiap grup tetapi tidak ada hubungan lintas grup. Pendekatan semacam itu telah digunakan, untuk
Misalnya, dalam Canova (2004) untuk memeriksa tingkat konvergensi regional. Namun, pengaturan seperti itu
secara alami berlaku untuk situasi di mana saling ketergantungan yang dinamis dikecualikan dan membutuhkan
beberapa kecerdikan untuk diperluas ke kerangka kerja di mana saling ketergantungan diizinkan.
Canova dan Ciccarelli (2004 dan 2009) telah menyarankan cross sectional shrink # yang berbeda
pendekatan usia yang dapat menangani kutukan dimensi dan dengan demikian memungkinkan es #
waktu model dengan saling ketergantungan dinamis. Del Negro dan Schorfheide (2010)
memberikan gambaran umum tentang pendekatan tersebut.
Untuk melihat apa yang melibatkan prosedur, tulis ulang (2) dalam format persamaan simultan:
Mt1Nt (Saya t (19)
dimana N t 1 @ NG "L / t ; L / t 1 & @ 4M / t- # 4 M t-/ $ 43334Mtp/ ', 1 & / # 43334 / N ' / dan saya adalah
> X * vektor yang mengandung, ditumpuk, yang> baris dari matriks (8 oi & _', 8 i & O''4 sementara M t dan
20
Halaman 23
Aku t adalah D> * vektor. Sejak bervariasi dengan unit cross # sectional, dimensi semata-mata
mencegah estimasi yang tidak dibatasi yang berarti. Jadi asumsikan itu tergantung pada a
vektor dimensi jauh lebih rendah% dan menempatkan struktur linear berikut:
1! # % # (! $ % $ (! % % % (! & % & (333 (S t (20)
dimana! # 4! $ 4! % 4! & adalah matriks dimensi D> X ^, D> XD, D> X>, D> X *
masing-masing dan% i 4V 1 * 4 + 3334 adalah faktor, menangkap penentu. Sebagai contoh,
% # dapat menangkap komponen dalam vektor koefisien yang umum di seluruh unit dan
dimensi variabel (atau kelompoknya) adalah, katakanlah, ^; % $ dapat menangkap komponen dalam
vektor koefisien yang umum di dalam satuan, sehingga dimensinya sama dengan D; % %
dapat menangkap komponen dalam vektor koefisien yang spesifik variabel, dengan demikian
dimensi sama dengan>; % & dapat menangkap komponen dalam koefisien yang tertinggal dan
Dimensi sama dengan \ # 5 \, dan seterusnya. Akhirnya, S t menangkap semua fitur termodelkan
dari vektor koefisien, yang mungkin ada hubungannya dengan waktu khusus atau keanehan lainnya
efek.
Anjak piutang seperti dalam (20) menguntungkan dalam banyak hal. Secara komputasi, ini berkurang
masalah memperkirakan koefisien D> X menjadi salah satu faktor estimasi ^ (D (> (\ # faktor
mengkarakterisasi mereka. Secara praktis, faktorisasi (31) mentransformasikan overparametrized
panel VAR menjadi model SUR pelit, di mana regressor adalah rata-rata tertentu
variabel VAR sisi kanan # tangan. Bahkan, menggunakan (20) dalam (19) yang kita miliki
( r
Mt1 . jt % j (! t (21)
j) #
dimana jt 1 T ! j menangkap masing-masing, umum, unit spesifik, variabel spesifik, lag spesifik
informasi hadir dalam variabel dependen yang tertinggal, dan! t 1 I t ( Nt S t . Perhatikan bahwa,
dengan konstruksi,. ini memiliki struktur rata-rata bergerak lambat. Jadi, para regresi dalam (21)
akan menangkap gerakan frekuensi rendah yang ada di VAR dan fitur ini sangat berharga
dalam jangka menengah keluar # dari latihan perkiraan sampel. Secara ekonomi, dekomposisi dalam
21
Halaman 24
(21) memungkinkan kita untuk mengukur, misalnya, kepentingan relatif dari kesamaan
dan unit khusus pengaruh fluktuasi di M t . Bahkan, KB @ t 1. #t % # memainkan peran
dari (vektor) indikator umum, sementara: B @ t 1. $ t % $ berperan sebagai vektor unit
indikator spesifik. Secara umum, KB @ t dan: B @ t berkorelasi sebagian dari variabel
di . #t juga masuk. $ t tetapi korelasi cenderung nol ketika D meningkat.
Untuk mengilustrasikan struktur. jt ms, misalkan ada> 1 + variabel, D 1 +
negara, ^ 1 * komponen umum, \ 1 * tertinggal, dan hilangkan komponen deterministik, untuk
kenyamanan. Kemudian:
! " #, y #, y #, y #, y
" ! "
d t# 8 #, # 8 $, # 8 #, $ 8 $, $ d#
% c# & #, @ #, @ #, @ #, @ & % t- # &
8 #, #
% t & 1! %%% 8 $, # 8 #, $ 8 $, $ & % c #t- # & (Saya t
# d$ $ &# $ (22)
t # 8 $,#, y# 8
$, y
$, # 8
$, y
#, $ 8
$, y
$, $
$ d t-$ #
$, @ $, @ $, @ $, @
c t$ 8 8 8 8 c $t- #
#, # $, # #, $ $, $
#, y #, y #, y #, y #, @ #, @ #, @ #, @ $, y $, y $, y $, y $, @ $, @ $, @ $, @
1 28
#, # 48 $, # 48 #, $ 48 $, $ 48 #, # 48 $, # 48 #, $ 48 $, $ 48 #, # 48 $, # 48 #, $ 48 $, $ 48 #, # 48 $, # 48 #, $ 48 $, $ 3 /
aku j
adalah vektor * / * dan elemen khas dari, , Diindeks
aku, s
oleh unit V, variabel
W, variabel dalam persamaan Y (tidak tergantung pada unit), dan unit dalam persamaan
^ (independen dari variabel). Jika kita tidak tertarik untuk memodelkan semua aspek ini, satu
kemungkinan faktorisasi aku s
1! # % # (! $ % $ (! % % % (S t (23)
di mana S t menangkap fitur yang tidak terhitung, dan untuk setiap _,% # adalah skalar,% $ adalah vektor + *,
% % Adalah + * vektor,! # adalah vektor * / *,

" "
&# ) &% )
&# ) &
& )&& &&
!$ # )&$ $ !% # &% ) $
# (X $ 1! %% # (X $ 1! %%
)&$ )&&
dengan & # 1 * *)) / , & $ 1)) * * / , & % 1 *) *) / dan & & 1) *) * / .
Mengganti (23) ke dalam model, panel VAR dapat ditulis ulang sebagai
! " " " "
d t# . #t . $, #, t ) . %, #, t )
% c# & & & . %, $, t &
% t & 1! %%. #t & . $, #, t ) & ) & (24)
# d$ $ # . #t $% # (! %%
# ) . $, $, t $% $ (! %%
# . %, #, t ) $% % (! T
t
c $t . #t ) . $, $, t ) . %, $, t
22
Halaman 25
dimana #t 1 d # (c # (d $ (c $ (c # (c $ ,
t- # t- # t- # t- # (*,. $, #, t 1 d# t- # t- # ,. $, $, t 1 d$ t- # t- #
. %, #, t 1 d # (d $ (c $ .
t- # t- # ,. %, $, t 1 c# t- # t- #
Spesifikasi dalam (21) lebih disukai daripada koleksi VAR atau VAR bilateral untuk
dua alasan. Pertama, penggunaan informasi cross sectional yang sangat membantu untuk mendapatkan lebih banyak
estimasi akurat dari parameter dan untuk mengurangi kesalahan standar. Kedua, jika
momentum yang disebabkan oleh guncangan di berbagai negara adalah hasil dari struktur yang rumit
dari saling ketergantungan yang tertunda, spesifikasi akan dapat menangkapnya. Struktur seperti itu
sebaliknya akan muncul sebagai kejutan luar biasa di dua kerangka kerja alternatif.
Mudah untuk memperkirakan model seperti (21). Terjebak _ pengamatan dalam vektor sehingga
r
(
M1 . j % j (! (25)
j) #
Dengan demikian, model reparametrized hanyalah model regresi multivariat. Jika faktoriza #
tion dalam (20) tepat, istilah kesalahan tidak berkorelasi dengan regresi dan OLS klasik
dapat digunakan untuk memperkirakan vektor% dan dengan demikian konsistensi vektor 3 diasuransikan ketika H tumbuh.
Ketika faktorisasi dalam (20) memungkinkan untuk kesalahan,! t memiliki heteroskedastik tertentu
matriks kovarians yang perlu diperhitungkan. Jika kerangka kerja Bayesian adalah pra #
Karena, posterior untuk yang tidak diketahui mudah dibangun. Biarkan S t % D &) 4 " u " J 'dan
selanjutnya membatasi J 1 - $ @ seperti dalam Kadiyala dan Karlsson (1997). Kemudian t % D &) 4- t " u '
di mana - t 1 & @ (- $ L / t L t '. Jadi, jika prior untuk &% 4 " u 4- $ ' adalah, misalnya, dari
tipe semi # konjugat:%% D &% " 4 $ " '4 " - # kamu % K & e " 4E " '4 - - $ %> &) 3.P " 4) 3.P " ^ $ ' 4 di mana
&% " 4 $ " 4e " 4E " 4P " 4 ^ $ 'adalah jumlah yang diketahui, K adalah singkatan dari distribusi Wishart, dan> untuk
Distribusi Gamma, seseorang dapat menggunakan sampler Gibbs untuk menyusun urutan untuk &% 4 " u 4- $ '
dari distribusi posterior bersama mereka lihat bagian selanjutnya untuk rincian.
23
Halaman 26
4 Menambahkan variasi waktu dalam koefisien
Literatur makroekonomi modern menganggap serius gagasan bahwa koefisien
dari VAR dan varians dari guncangan mungkin bervariasi dari waktu ke waktu. Misalnya, Cog #
ley dan Sargent (2005) dan Primiceri (2005) memelopori spesifikasi tempat VAR
koefisien berevolusi dari waktu ke waktu seperti jalan acak; Sims dan Zha (2006) menganggap bahwa VAR
koefisien berevolusi dari waktu ke waktu sesuai dengan proses pergantian Markov, sementara Auerbach dan
Gorodnichenko (2011) menentukan model VAR transisi yang mulus, di mana kontemporer
dan koefisien yang tertinggal adalah fungsi dari indikator variabel yang ditentukan sebelumnya.
Spesifikasi jenis ini juga dapat digunakan dalam kerangka VAR panel jika variasi waktu
dalam parameter dicurigai. Secara umum, adanya variasi waktu dalam koefisien
menambah kutukan dimensi dan kecerdikan diperlukan jika seseorang ingin mendapatkan
estimasi yang bermakna dari parameter dan respons terhadap guncangan minat.
Pendekatan yang digunakan di Canova dan Ciccarelli (2004 dan 2009), dan Canova et al.
(2007 dan 2012), yang memperluas struktur susut yang dijelaskan sebelumnya untuk kasus ini
model model waktu yang berbeda-beda, dapat pergi jauh ke arah itu.
Biarkan waktu berbagai model panel VAR diberikan oleh
d it 1 8 "i & _ '(8 it & O'M t- # (= itu & OK t (` itu (26)
di mana 8 it & O 'adalah koefisien pada variabel endogen lag Mt- # , K t adalah C * vektor
dari variabel eksogen lemah yang umum untuk semua unit dan koefisien waktu bervariasi # diperbolehkan
di kedua 8 itu & O 'dan = itu & O'. Spesifikasi semacam itu dapat digunakan, misalnya, untuk belajar
berbagai siklus waktu fitur vektor suatu negara, pola evolusi di
transmisi guncangan struktural di variabel atau unit, atau efek dari perubahan dalam
varians dari guncangan pada variabel endogen yang relevan. Variasi waktu dalam koefisien
menambahkan realisme ke spesifikasi tetapi mahal, karena ada parameter X 1 & D> \ (C] '
dalam setiap persamaan dan hanya ada satu periode waktu per unit untuk memperkirakannya.
24
Halaman 27
Dua pendekatan telah diusulkan untuk memperkirakan model tersebut. Untuk melihat apa yang mereka lakukan,
rewrite (26) dalam format persamaan simultan:
M t 1 N t t (I t (27)
di mana t 1 & / # t 43334 / Nt ' / dan itu adalah> X * vektor yang berisi, ditumpuk,> baris dari
matriks 8 "i , 8 itu dan = itu .
4.1 Jenis panel sebelumnya hierarkis
Di sini t diasumsikan jumlah dari dua komponen independen: satu yang merupakan unit
spesifik dan konstan sepanjang waktu; umum lainnya di seluruh unit tetapi waktu # bervariasi, yaitu:
itu 1 " i (( t
Sebelumnya dipertukarkan diasumsikan untuk " i
" i 1%" (a i 4 a i % D &) 4 " v ' (28)
dan, lapisan hirarki pengurangan dimensi lebih lanjut dapat ditentukan dengan pengaturan %
"%
D &) 4 # '. Di sisi lain, ( t diasumsikan mengikuti proses autoregresif:
( t 1, ( t- # (& *, '( " (S t (29)
Asumsi tambahan pada " v 4 ,, ( " dan S t menyelesaikan spesifikasi sebelumnya.
Pengaturan ini nyaman dan terbukti bermanfaat dalam peramalan dan analisis titik balik
(Canova dan Ciccarelli, 2004). Fakta bahwa # vektor parameter waktu bervariasi
seluruh unit tidak mencegah gerakan struktural unit # tertentu, karena itu bisa menjadi re #
ditulis sebagai
itu 1 & *, '& " i (( i" ' (& *, ' it- # (S t
di mana gerakan gigih di dalamnya didorong oleh koefisien yang sama,. Perhatikan juga itu
pengaturan menyediakan mekanisme umum untuk memperhitungkan pergeseran struktural tanpa secara eksplisit
memodelkan sumber mereka.
25
Halaman 28
Asumsi dibuat pada " i dan %

"dapat digunakan untuk memulihkan posterior" i dan
berarti %
". Dengan demikian, seseorang dapat membedakan antara individu itu dan efek rata-rata% t 1%" (( t ,
seperti dalam Lindley dan Smith (1972). Perbedaannya relevan dalam konteks perkiraan, karena
orang mungkin memperhatikan prediksi dengan posterior rata - rata% t atau dengan
posterior dari distribusi efek khusus unit. Seperti dalam kasus koleksi VAR,
asumsi pertukaran pada " i memungkinkan untuk beberapa derajat pengumpulan cross sectional
informasi dan, sekali lagi, ini mungkin berguna ketika ada kesamaan dalam karakteristik
vektor variabel antar unit.
Struktur model dapat diringkas dengan skema hierarkis berikut:
M t 1 N t "(N t G N ( t (I t I t % D &) 4 " u '
"1 G N %
"(# #% D &) 4 '
%
"1) (2 2% D &) 4 # '
(t 1, ( t- # (& *, '( " (S t S t % D &) 4 " e ' (30)
di mana G N 1 e n "@ 0 e n 1 aSQ & * 4 * 4 3334 * '0 dan 1 @ "" v 3Canova dan Ciccarelli (2004)
menggambarkan bagaimana membangun distribusi posterior untuk (fungsi) parameter
bunga di bawah beberapa asumsi sebelumnya pada matriks varians kovarians " u4 4 # dan
" e 4 vektor rata-rata) dan pada awal ( " 4 menggunakan sampler Gibbs.
4.2 Struktur faktor untuk vektor koefisien
Kemungkinan lain adalah untuk memungkinkan variasi waktu dalam faktorisasi hadir dalam (20). Jadi,
membiarkan
t1 (j ! j % jt (S t (31)
dimana! j adalah matriks dengan satu dan nol dan% jt adalah faktor. Saat dalam pengaturan
eq. (20),% ms adalah hiperparameter tetap, sekarang mereka adalah proses stokastik dan dengan demikian a
spesifikasi hukum gerak mereka diperlukan untuk melengkapi model. Canova dan Ciccarelli
26
Halaman 29
(2009) mempelajari berbagai alternatif untuk hukum gerak ini. Representasi sederhana, bersarang
dalam spesifikasi mereka, yang menggambarkan intinya adalah
% t 1% t- # ($ t $ t % D &) 4 $ t '3 (32)
di mana% t 1 2% #t 4% $ t 3333 / , $ t adalah blok diagonal dan I t , S t dan $ t saling independen.
Dalam (32) faktor-faktor yang menggerakkan koefisien panel VAR berubah seiring waktu secara acak
berjalan. Spesifikasi ini mirip dengan yang digunakan dalam VAR koefisien waktu yang bervariasi
sastra, tetapi sangat pelit karena menyangkut% t , yang memiliki dimensi yang jauh lebih kecil
daripada t vektor, dan memungkinkan kita untuk fokus pada perubahan koefisien yang permanen.
Varian dari $ t , pada prinsipnya, diizinkan untuk # waktu yang bervariasi. Spesifikasi seperti itu menyiratkan
ARCH # M memberi efek pada representasi untuk Mt dan ini adalah cara memodelkan waktu yang bervariasi
momen kedua bersyarat, alternatif dari spesifikasi volatilitas stokastik yang digunakan, misalnya,
dalam Cogley dan Sargent (2005) dan banyak lainnya. Perbedaan utamanya adalah volatilitas di sini
perubahan akan terkait dengan perubahan koefisien. Perhatikan bahwa biaya komputasi terlibat
dalam menggunakan spesifikasi ini terbatas karena dimensi% t jauh lebih kecil daripada
dimensi dari M t . Diagonalitas blok $ t 4 di sisi lain, menjamin
identifikasi faktor-faktor tersebut.
Untuk membuat spesifikasi yang terdiri dari (27) (31) dan (32) dapat diperkirakan, kita perlu asumsi #
dalam hal kesalahan pada (27) dan dari (31). Jika kita membiarkan saya t % D &) 4 " u 'dan S t % D &) 4" u "J' 4
di mana J 1 - $ @ k adalah matriks XX, model reparametrized memiliki struktur ruang keadaan:
M t 1 & N t ! '% T (! T ! t 1 I t ( Nt S t % D &) 4- t " u '
% t 1% t- # ($ t $ t % D &) 4 $ t ' (33)
di mana - t 1 & @ (- $ N / t N t '. Estimasi Bayesian membutuhkan distribusi sebelumnya untuk " u 4 $ t 4- $
dan% " . Canova dan Ciccarelli (2009) menunjukkan bagaimana kepadatan sebelumnya bersama ini dapat ditentukan
sehingga distribusi posterior untuk jumlah bunga dapat dihitung numeri #
dihabiskan dengan metode MCMC. Setelah distribusi ini ditemukan, lokasi dan dispersi
27
Halaman 30
ukuran untuk setiap fungsi kontinu yang menarik dari parameter dapat diperoleh. Sim #
juga, kemungkinan marginal dan distribusi prediktif yang diperlukan untuk pengecekan model
dan perbandingan model mudah dibangun.
Jika metode klasik lebih disukai, perhatikan bahwa (33) adalah sistem ruang keadaan linear, di mana
% itu mewakili kondisi yang tidak dapat diobservasi. Dengan demikian, variasi dari algoritma filter Kalman dapat
digunakan untuk membangun fungsi kemungkinan yang kemudian dapat dimaksimalkan sehubungan dengan
parameter yang relevan (lihat misalnya Ljung dan Soderstrom, 1983).
4.3 Implementasi dalam sampel kecil
Pendekatan yang dijelaskan dalam dua subbagian sebelumnya, kondisi awal \
pengamatan. Ketika T besar, perbedaan kemungkinan kondisional dan tidak bersyarat
kemungkinan kecil. Ketika T kecil, informasi hadir dalam kondisi awal
dapat berisi informasi penting untuk jumlah yang menarik. Secara intuitif, dengan H 1 +)
pengamatan membuang, katakan \ 1 -4 kondisi awal secara efektif mengurangi informasi
sebesar 20 persen, membuat kemungkinan lebih datar dan menyisakan sebelum beban untuk diproduksi
kelengkungan yang cukup di posterior. Masalah ini relevan untuk banyak aplikasi, karena pada
praktiknya, deret waktu makro yang sebanding di sejumlah negara atau sektor hanya ada
selama 15 # 20 tahun terakhir, paling-paling. Jadi, seseorang mungkin ingin mengambil semua informasi yang ada
diperhitungkan ketika membangun posterior dari jumlah bunga.
Dalam kasus (33), tergantung pada pengamatan pertama, kemungkinannya adalah
&% 2d4. ' (&) t - t '2 " u 2 -".' T Sc \ 2) 3. ( t & M t . t % t ' / & - t " u ' - # & M t . t % t '3 (34)
Sejak . t 1 N t ! j 4 kemungkinan. jt sebanding dengan kemungkinan N t 3 Kemungkinan
dari kondisi awal dapat ditulis sebagai
B & .21 '(Sc \ 2) 3. ( i %' / & " . ' - # & N t N'3

&Nt N % (35)
dimana N%adalah vektor parameter rata-rata. Kemungkinan penuh sampel itu sederhana
produk dari (34) dan (35) dan dapat dikombinasikan dengan sebelum menghasilkan posterior
28
Halaman 31
kernel atau posterior bersyarat untuk yang tidak diketahui yang kemudian dapat digunakan ke Gibbs
sampler.
5 Respons impuls dan identifikasi kejutan
Identifikasi guncangan dapat dilakukan dengan metode standar. Untuk mengurangi jumlahnya
pembatasan identifikasi, biasanya diasumsikan bahwa " u adalah blok diagonal, dengan blok
sesuai dengan setiap unit, gunakan batasan identifikasi simetris di seluruh unit (ini
bisa nol, jangka panjang atau menandatangani pembatasan atau kombinasi dari mereka) dan memerlukan
guncangan struktural menjadi ortogonal. Block diagonality menyiratkan perbedaan dalam respons
di dalam dan melintasi unit: dalam suatu unit, variabel diizinkan untuk bergerak secara instan;
lintas unit, variabel dapat bereaksi tetapi hanya dengan lag. Pembatasan identifikasi simetris
menyiratkan bahwa sementara efek guncangan mungkin berbeda di berbagai negara, sifat guncangan
gangguan (yaitu guncangan permintaan atau penawaran) tidak tergantung pada unit.
Batasan jenis ini telah digunakan untuk mendapatkan rata-rata (cross sectional) rata-rata #
mensponsori atau respons rata-rata dari kelompok unit tertentu yang homogen
dinamika mereka. Jarocinski (2010), misalnya, membandingkan respons terhadap kebijakan moneter
guncangan di negara-negara kawasan Euro sebelum EMU dengan yang di negara-negara anggota baru
dari Eropa Tengah Timur. Guncangan kebijakan moneter diidentifikasi dengan nilai yang sama
pembatasan di setiap kelompok negara. Estimator Bayes hierarkis digunakan untuk menurunkan
distribusi posterior dari parameter VAR bentuk tereduksi dan untuk membangun impuls
tanggapan untuk rata-rata dan untuk anggota individu dari masing-masing kelompok. Rebucci (2010) adalah
tertarik untuk menilai peran guncangan eksternal dan kebijakan untuk variabilitas pertumbuhan. Dia
menggunakan penduga kelompok rata-rata klasik untuk membangun efek rata-rata dari guncangan ini menggunakan
koleksi model autoregresif vektor untuk delapan belas negara berkembang. Luar
dan guncangan kebijakan diidentifikasi dengan memaksakan dekomposisi Choleski yang sama di semua negara #
mencoba. Akhirnya, Ciccarelli et al. (2012b) menganalisis apakah kerapuhan keuangan telah mengubah
29
Halaman 32
mekanisme transmisi kebijakan moneter di kawasan Euro. VAR panel diperkirakan
untuk negara-negara inti dan negara-negara di bawah tekanan finansial, yang memungkinkan lereng dan masalahnya #
matriks dampak poraneous berbeda di semua kelompok, tetapi membatasi mereka agar umum
dalam kelompok. Guncangan kebijakan moneter diidentifikasi menggunakan pembatasan yang sama dalam
dua kelompok dan fungsi respon impuls rata-rata untuk setiap kelompok dibangun.
Identifikasi guncangan agak lebih rumit ketika saling ketergantungan statis
lintas unit diperbolehkan dan simetri lintas unit dalam identifikasi guncangan tidak dapat dilakukan
diasumsikan. Alat yang mudah digunakan dalam situasi ini dijelaskan dalam Canova dan
Ciccarelli (2009). Peneliti menggunakan panel VAR dengan interdependen statis dan dinamis #
dan, mungkin, variasi waktu dalam koefisien mungkin tertarik untuk menghitung
tanggapan variabel endogen terhadap guncangan dalam variabel atau guncangan ke koefisien #
penerima (melalui guncangan ke umum ( t atau guncangan ke faktor% t ) dan dalam menggambarkan mereka
evolusi seiring waktu. Dalam situasi ini, respons dapat diperoleh sebagai perbedaan antara
dua prakiraan bersyarat: satu di mana variabel tertentu (koefisien) dikejutkan dan satu
di mana gangguan diatur ke nol.
Secara formal, biarkan d t menjadi sejarah bagi d t ,% t lintasan untuk koefisien sien hingga _, $ t
lintasan untuk varian dari koefisien hingga _; ayo t !!

t! # 1 2d / t! # 4 333d / t !! 3 / jadilah a
koleksi pengamatan masa depan dan% t !!
t! # 1 2% / t! # 4 333% / t !! 3 / kumpulan lintasan masa depan
untuk% t . Biarkan - 1 & " u 4- $ '; set * / t 1 2` / # t 4` / $ t 4 $ / t 3, di mana` #t adalah guncangan ke endogen
variabel dan ` $ t mengguncang variabel yang telah ditentukan atau eksogen (jika ada).
Biarkan * j, t menjadi realisasi dari * j, t ukuran "4 dan, # t1 0d t 4% t 4 $ t 4-4A t 4 * j, t 4 * -j, t 4 * t !!

t! # 1 dan
,$ menunjukkan semua guncangan,

t1 0d t 4% t 4 $ t 4-4A t 4 * t 4 * t !! t! # 1 dua set pengkondisian, di mana * -j, t
tidak termasuk yang ada di komponen j # th, dan A t memenuhi A t A / t 1 " u . Kemudian, respons di
cakrawala. ke + impuls dalam * j, t , W 1 * 4333 adalah
@ Fy j& _4. ' 1 <& dt !! 2, # t& lt !! 2, $ t'

. 1 * 4 + 4333 (36)
Perhatikan bahwa dalam (36), sejarah koefisien dan variansnya diambil seperti yang diberikan pada
30
Halaman 33
setiap titik waktu dan bahwa ukuran impuls impuls, bisa positif atau negatif,
tetapi juga dianggap seperti yang diberikan. Ini karena orang mungkin tertarik untuk membandingkan respons
dari waktu ke waktu untuk lintasan yang diberikan dari koefisien dan varians mereka (daripada mereka
nilai rata-rata) dan karena ukuran impuls yang relevan umumnya ditentukan oleh
pertimbangan kebijakan atau stabilitas. Ketika koefisien konstan, * / t 1 2` / # t 4` / $ t 3 dan
(36) menghasilkan fungsi respons impuls tradisional terhadap guncangan struktural.
Strategi identifikasi kejut yang tepat, yaitu pemilihan matriks (skala besar) A t
dan evolusi waktunya, adalah area terbuka untuk penelitian karena dimensinya yang murni membuatnya
sulit menemukan kendala yang cukup untuk mencapai identifikasi untuk semua kejutan. Pintasan, seperti
struktur blok, mungkin tidak terlalu menarik roti manis dapat membayangkan situasi di mana guncangan
ditransmisikan lintas unit dalam periode waktu. Cara pintas alternatif, seperti yang ada
dikenakan di Canova et al. (2012), di mana guncangan yang terjadi dalam satu unit (Jerman) diperbolehkan
untuk memberi makan secara serentak pada semua unit lain (negara-negara Eropa) tetapi tidak sebaliknya, mungkin
dapat diterima jika ada alasan ekonomi yang bagus untuk membenarkan mereka. Dalam kedua kasus, dinamika
saling ketergantungan dibiarkan tidak dibatasi.
Jenis pembatasan yang digunakan untuk identifikasi adalah masalah selera. Nol kembali #
pembatasan dan format Choleski untuk A t 1 A untuk semua _, adalah yang paling umum dan adil
Identifikasi biasanya dicari, meskipun overidentifikasi memerlukan ekstensi # yang sederhana
Sion alat yang dijelaskan dalam Canova dan Perez Forero (2012) untuk VAR standar. Seperti dalam
unit VAR tunggal, seseorang juga bisa menggunakan informasi eksternal untuk mengidentifikasi guncangan di berbagai #
unit ent. Misalnya, seseorang dapat mengukur, menggunakan informasi yang tidak ada dalam model,
elastisitas penerimaan pajak dan pengeluaran pemerintah terhadap guncangan output di setiap lintas
unit sectional dan menggunakan pembatasan ini untuk mengidentifikasi pengeluaran pemerintah dan pendapatan pajak
guncangan di semua unit, menambahkan pembatasan bahwa pengeluaran pemerintah domestik dan melakukan #
pendapatan mestic tidak secara instan menanggapi guncangan yang dihasilkan di unit lain. Panjang
menjalankan pembatasan # la Blanchard dan Quah (1989) serta pembatasan heteroshedasticity
31
Halaman 34
a # la Lanne dan Lutkepohl (2010) juga dimungkinkan. Dalam kedua kasus tersebut, seseorang harus menyatakan dengan jelas
apa yang terjadi pada variabel unit lain dan seringkali batasan yang diperlukan untuk mencapainya
identifikasi secara ekonomi sulit dibenarkan. Misalnya saja batasan jangka panjang
digunakan, kita harus memaksakan bahwa guncangan pasokan asing tidak memiliki efek jangka panjang pada domestik
variabel nyata atau bahwa mereka memiliki efek yang sama dengan guncangan pasokan domestik, keduanya
sangat tidak enak.
Pembatasan rambu juga dapat digunakan (lihat misalnya Calza et al., 2013, dan Sa et al., 2012). Di
dalam kasus ini, biasanya menggunakan jenis pembatasan yang sama pada setiap unit cross sectional.
Baru-baru ini, De Graeve dan Karas (2011) telah menyarankan menggunakan heterogenitas cross sectional
untuk mengidentifikasi guncangan struktural tertentu. Pendekatan mereka melibatkan tanda dan ketimpangan yang mengesankan
% - m, ts
pembatasan pada % u k, t
, respons variabel M m pada horizon _ (^ 4 ^ 1) 4 * 4 + 43334 terhadap
goncangkan k pada waktu t, ` k, t , untuk subset unit 1 0 * 43334C1.
Pendekatan ini paling baik dipahami dengan sebuah contoh. Misalkan dimen cross sectional #
Sion panel dapat dikelompokkan berdasarkan indikator yang dapat diamati, misalnya di
sampel bank, apakah simpanan bank diasuransikan atau tidak. Misalkan endogen
variabelnya adalah deposito; t dan tingkat bunga rata-rata yang mereka peroleh F t . Kemudian, bank lari
diidentifikasi sebagai guncangan yang membuat dua variabel bergerak berlawanan arah dalam a
situasi di mana masalah jaminan simpanan. Artinya, bank run dikaitkan dengan penurunan
deposito dan kenaikan tingkat bunga yang ditawarkan oleh bank yang tidak diasuransikan. Tertanggung
bank mungkin juga merespons, karena efek penularan, tetapi responsnya akan lebih kecil
karena asuransi deposito membuat mereka kurang bertanggung jawab atas pelarian. Demikianlah, bersama dengan tandanya
pembatasan, De Graeve dan Karas memaksakan bahwa 2; t, u 2 7 2; t, ( 2 dan 2F t, u 2 7 2F t, ( 2, di mana
`singkatan dari tidak diasuransikan dan @ untuk bank berasuransi. Oleh karena itu, setelah menjalankan bank, setoran
arus keluar di bank yang diasuransikan tidak boleh lebih besar dari pada bank yang tidak diasuransikan, dan yang sesuai
kenaikan suku bunga simpanan harus lebih kecil untuk tertanggung daripada bank yang tidak diasuransikan.
Pembatasan identifikasi cross sectional jenis ini tampaknya berguna jika seseorang dapat dengan tajam
32
Halaman 35
stratifikasi data dengan beberapa indikator eksogen. Sebagai contoh, seseorang dapat memaksakan kembali #
pembatasan untuk mengidentifikasi guncangan yang berasal dari negara kurang berkembang (LDC), ketika sampel
termasuk LDC dan negara-negara maju, setelah diakui bahwa guncangan berasal dari LDC
tidak mungkin menghasilkan jumlah volatilitas yang sama di kedua kelompok negara. Al#
Secara istimewa, seseorang dapat mengidentifikasi guncangan yang terutama memengaruhi perekonomian terbuka kecil yang terintegrasi
dalam ekonomi dunia. Jika dampak guncangan tertentu kuat di ekonomi terbuka
tetapi lemah dalam perekonomian yang relatif lebih tertutup atau jika lebih banyak perekonomian yang tertutup merespons
kejutan hanya melalui efek putaran kedua, tanda dan batasan magnitudo diferensial dapat membantu
untuk mengisolasi mereka. Akhirnya, suatu pendekatan yang menggabungkan tanda dan pembatasan ketimpangan dapat
digunakan juga untuk membedakan guncangan yang terjadi di unit dengan penyesuaian lambat vs cepat atau
di pasar yang terpengaruh secara berbeda oleh adanya gesekan tertentu.
Kombinasi pembatasan tanda dan besaran relatif tampaknya sangat
alat identifikasi yang kuat jika stratifikasi yang digunakan relevan. De Graeve dan
Karas menunjukkan bahwa dalam sampel bank mereka pembatasan ini memungkinkan untuk mengidentifikasi bank run
goncangan yang memiliki karakteristik yang mirip dengan yang diperoleh dengan narasi yang lebih
pendekatan atau ex # post insight. Perhatikan bahwa seperangkat kendala yang dapat diterapkan seseorang cukup besar,
membuat kombinasi batasan tanda dan besaran relatif berpotensi digunakan di
banyak situasi. Sebagai contoh, seseorang dapat menerapkan batasan besaran relatif pada a
% - m,
! ts % - "m, ts
variabel tertentu di seluruh himpunan bagian # , $ unit % = k, t
$ % = k, t
, lintas variabel
% - m!, ts % - m ", ts
dalam subset unit tertentu, % = k, t
$ % = k, t
, atau lintas variabel dan lintas
% - !m!, ts % - m!,
" ts
subset unit % = k, t
$ % = k, t
. Jelas, yang mana yang digunakan tergantung pada pertanyaan
dan data yang tersedia. Pembatasan teori didorong jelas lebih disukai, tetapi pembatasan
dapat diperoleh dari fakta-fakta bergaya yang dapat diandalkan yang menjadi ciri berbagai kelompok unit yang berbeda
bekas.
Sementara pembatasan identifikasi De Graeve dan Karas hanya melibatkan con #
efek sementara dari guncangan, orang dapat mempertimbangkan juga pembatasan dinamis karakterisasi
33
Halaman 36
bentuk relatif dan / atau besaran relatif untuk mengidentifikasi guncangan dalam panel VAR. Inves masa depan #
tigations perlu mengklarifikasi pembatasan dinamis seperti apa yang konsisten dengan ekonomi
teori dan dapat digunakan secara bermakna untuk mengidentifikasi kejutan yang menarik.
6 Perbandingan dengan pendekatan alternatif
Seperti yang telah kami tekankan, panel VAR memiliki kemampuan unik untuk memodelkan dinamika antar #
dependensi, heterogenitas cross sectional dan, pada saat yang sama, menjelaskan evolusi
pola penularan. Namun, untuk memperkirakannya berbagai pembatasan harus dilakukan
dibebankan. Jadi, wajar untuk bertanya bagaimana model panel VAR dibandingkan dengan model lain,
yang masih memungkinkan kita untuk mempelajari saling ketergantungan dan transmisi guncangan di seluruh unit
tetapi memaksakan pembatasan alternatif pada sifat saling ketergantungan hadir dalam
data.
Bagian ini membuat sketsa fitur-fitur utama VAR Bayesian skala besar (misalnya Banbura
et al, 2010), model ekonometrik spasial (lihat Anselin, 2010), model faktor (lihat misalnya Stok
dan Watson, 1989, 2003), VAR global (lihat Dees et al., 2007 dan Pesaran, et al., 2004) dan
panel VAR bilateral (lihat misalnya Eldelstein dan Kilian, 2009), dan menyoroti kesamaan
dan perbedaan dengan panel VAR.
6.1 VAR Skala Besar
Sepupu dekat panel Bayesian VAR adalah model Bayar VAR skala besar yang disarankan
oleh Mol et al. (2008) dan baru-baru ini dipekerjakan oleh Banbura et al. (2010). Seperti pada panel VAR,
baik interdependensi statis dan dinamis diperbolehkan, tetapi peneliti tidak memberikan
pertimbangan keberadaan dimensi panel dalam data. Dengan demikian, semua variabel
diperlakukan secara simetris, terlepas dari apakah mereka milik unit atau tidak, dan apakah
mereka mengukur kuantitas yang sama di unit yang berbeda atau tidak. Mengingat besarnya skala
model, metode estimasi klasik juga tidak layak, terutama jika fitur waktu bervariasi
diizinkan untuk. Kurangnya perspektif panel tercermin dalam jenis prior yang dikenakan
34
Halaman 37
dalam estimasi Bayesian, yang biasanya dari tipe Litterman # Minnesota (lihat Doan, et al.,
1984), dan tidak mengeksploitasi informasi cross sectional yang ada dalam data.
Kegagalan untuk mengenali bahwa ada dimensi cross sectional ke set data yang tersedia
mungkin tidak terlalu merusak dalam hal perkiraan, karena sudah diketahui bahwa dimensi #
penyusutan ality lebih penting daripada detail yang tepat tentang bagaimana hal itu diterapkan pthe
Litterman # Minnesota sebelum memang penyusutan sebelumnya. Namun, pilihan prior mungkin
batasi jenis analisis yang dapat dilakukan, karena matriks kovarian kesalahan memiliki a
struktur tertentu yang umumnya diabaikan dalam latihan kebijakan.
Seperti pada panel VAR, variasi waktu dalam koefisien dari VAR skala besar relatif
mudah diijinkan (lihat misalnya Koop dan Korobilis, 2011). Namun, kecerdikan perlu
digunakan karena variasi waktu yang tidak terbatas pada semua koefisien tidak mungkin untuk diperkirakan. Jadi
struktur faktor, seperti yang dijelaskan dalam persamaan (31), mungkin perlu dibuat
masalah estimasi dapat dikelola, dan proses sederhana untuk variasi waktu perlu dilakukan
dikenakan untuk kemudahan komputasi.
6.2 VAR spasial
VAR skala besar juga populer dalam kerangka ekonometrik klasik. Di sini, dimensi #
Pembatasan alitas langsung diberlakukan untuk membuat estimasi layak. Salah satu contohnya
batasan reduksi dimensionalitas adalah batasan yang tertanam dalam VAR yang digunakan dalam spasial
literatur ekonometrik (lihat Anselin, 2010). Dengan asumsi, untuk kesederhanaan hanya satu lag dari
variabel dependen dan tidak ada komponen deterministik, VAR spasial memiliki bentuk
M < 1, G # M <- # (` < (37)
`< 1G$S< (38)
di mana G # dan G $ adalah matriks bobot tetap. Misalnya, struktur khas untuk G # adalah
35
Halaman 38
! "
^ ## ^ #$ ) ) 333 ) )
% &
% ^ )$ # ^^ %
$$ ^ $% ^)% & 333
$ - %% 333 )) )) &
G#1 %
% 333 333 333 333 333
&
&
% 333 333 &
# ) ) ) ) 333 ^ * - # $ * - $ ^ *-#$*-# ^ *-#$* $
) ) ) ) 333 ) ^ *$*-# ^ *$*
Di sini hanya tetangga yang akan memiliki reaksi dinamis pada unit V dalam satu periode sementara
sisanya diasumsikan memiliki efek yang dapat diabaikan. Struktur ini menyiratkan kejutan itu
berasal dari unit V dapat ditransmisikan setelah satu periode ke unit W jika W adalah tetangga V.
Namun, jika W bukan tetangga dari V, efek tertunda lebih lama dan akan tergantung pada caranya
banyak tetangga antara unit W dan unit V. Gagasan untuk membatasi efek dinamis
tetangga telah diimplementasikan menggunakan, misalnya, daerah yang berbagi perbatasan atau toko
yang terletak di kota yang sama. Tiga adalah kelemahan utama dari prosedur ini.
Pertama, bobot harus dipilih sebelum estimasi dan bobot yang berbeda mungkin
digunakan oleh peneliti yang berbeda pada set data yang sama, tergantung pada fokus
analisis. Kedua, pengaturannya sulit untuk menghibur dalam menganalisis, misalnya, negara
dalam serikat moneter karena umpan balik umum dimungkinkan atau situasi di mana berbatasan
(nasional, regional, dll.) tidak mencerminkan pemisahan ekonomi yang ada antar unit.
Ketiga, meskipun pendekatannya relatif mudah diimplementasikan ketika d2 < adalah skalar, itu jauh
lebih rumit ketika d2 < adalah vektor karena elemen yang berbeda dari d2 < mungkin berbeda
hubungan antar unit. Misalnya, jika d2 < termasuk output dan konsumsi dan
unit adalah negara, skema tetangga mungkin sesuai untuk output, jika unit demikian
dikelompokkan menggunakan sumber daya alam mereka, tetapi mungkin sangat tidak layak untuk dikonsumsi
jika migrasi ke semua unit penting.
Baru-baru ini, Chudik dan Pesaran (2011) telah memperluas kerangka kerja ini untuk memungkinkan G dan F
menjadi matriks penuh dan estimator klasik turunan dengan asumsi bahwa ada yang lemah
atau ketergantungan lintas bagian yang kuat antar unit. Gagasan dasar dari pendekatan mereka masih
untuk membedakan antara tetangga dan bukan # tetangga, di mana yang # sebelumnya tidak dapat diabaikan
36
Halaman 39
efek statis dan dinamis pada unit V dan yang terakhir memiliki efek yang dapat diabaikan. Namun, bahkan
jika efek non-tetangga mungkin secara individual kecil, jumlah nilai absolutnya
mungkin tidak kecil, membuat efek umpan balik agregat berpotensi besar. Untuk menjelaskan ini,
penulis berasumsi bahwa umpan balik dinamis yang dihasilkan oleh tetangga adalah penting dan
independen pada D, sedangkan efek non-tetangga tergantung pada D. Ketika D meningkat, jika
ada korelasi silang yang lemah antara unit dan non-tetangga, modelnya mendekati
VAR spasial di mana efek non-tetangga tidak menarik atau sementara tidak diperkirakan
efek tetangga dapat secara konsisten diperkirakan hanya mengabaikan non-tetangga
umpan balik. Di sisi lain, ketika ada korelasi silang yang kuat antara unit dan
beberapa non-tetangga, struktur akan mendekati model faktor, di mana satu unit drive
fluktuasi dalam semua yang lain, mengendalikan efek tetangga. Di sini mengabaikan
umpan balik yang dihasilkan oleh faktor tersebut dapat menyebabkan estimasi parameter yang tidak konsisten.
Nilai utama pengaturan adalah untuk menyediakan tautan antara parameter klasik susut #
usia, sebagaimana tersirat oleh model VAR spasial, dan penyusutan data klasik, sebagaimana tersirat oleh faktor
model, yang keduanya berusaha untuk mengurangi kutukan dimensi hadir secara besar-besaran
skala VAR. Pendekatan ini juga memberikan pembenaran untuk menggunakan Global VAR ap #
pendekatan dijelaskan nanti. Kerugian utama dari prosedur ini serupa dengan
VAR spasial, yaitu bahwa (i) tetangga dan bukan # tetangga perlu dipilih apriori;
(ii) pendekatannya sulit diimplementasikan jika d2 < adalah vektor; dan (iii) sulit a priori
untuk mengetahui apakah ketergantungan cross sectional lemah atau kuat menjadi ciri unit di bawah
pertimbangan.
6.3 Model Faktor Dinamis
Model faktor yang tidak dapat diobservasi populer dalam literatur makroekonometrik terapan #
karena mereka menangkap gagasan bahwa comovements hadir dalam serangkaian besar seri mungkin
didorong oleh sejumlah kecil variabel laten, dan karena mereka relatif mudah
menetapkan dan memperkirakan (Forni et al., 2000 dan 2005; Stock dan Watson, 2002).
37
Halaman 40
Model faktor memiliki fitur menarik lainnya: formatnya konsisten dengan ekonomi
teori. Untuk mengetahui alasannya, pertimbangkan model faktor prototipe:
M < 1 0T < (` <
8&O< 1S<
SAYA & O`1 <a < (39)
di mana M < adalah [> * vektor, T < adalah Z5 [> * vektor faktor. Log # dilinearisasi
solusi dari model DSGE adalah
L< 1 8G < (9a <
G < 1: G <- # (; ` < (40)
Misalnya, dalam kasus model RBC internasional, G < 1 2X 2 < 4 # 2 < 34 X 2 < adalah modal
saham, # 2 < guncangan teknologi di negara saya dan L < vektor termasuk konsumsi,
investasi, output, jam, dll di setiap negara. Di sini ` < 1 2` # < 4 333` 7 < 3 adalah vektor dari
inovasi dalam proses teknologi, dan I&O '1 @. Pemeriksaan sederhana menunjukkan hal itu
aturan keputusan dalam (40) memiliki struktur faktor dan kesamaan ini memungkinkan statistik dan
analisis ekonomi agar lebih terhubung.
Ketika [> kecil, seseorang dapat menggunakan algoritma EM atau sampler Gibbs untuk memperkirakan
faktor dan parameter bebas dari model, jika a < dan S < terdistribusi normal. Jika
[> sebagai gantinya besar, rata-rata akan memastikan bahwa komponen istimewa ` < akan membatalkan
%
di luar. Dalam situasi ini, seseorang dapat menggunakan M < 1 0T < (` < & 0% M < (` < 4M
di <mana
adalah vektor Z *
Diperkirakan rata-rata variabel dalam M < (lihat misalnya Forni dan Reichlin, 1998).
Model faktor dinamis multi unit (skala besar) dan panel VAR berbeda dalam jumlah
ukuran. Dalam hal spesifikasi, struktur kompleks saling ketergantungan yang dinamis
tidak dimodelkan pada yang pertama dan sebaliknya ditangkap dengan serangkaian faktor yang tidak dapat diobservasi.
Selanjutnya, keberadaan informasi cross sectional umumnya diabaikan.
38
Halaman 41
Interpretasi respon impuls biasanya jauh lebih mudah di panel VAR daripada
dalam model faktor. Bahkan, dalam model faktor analisis dinamis biasanya dilakukan
dengan mengejutkan faktor-faktor dan melihat bagaimana impuls dalam faktor-faktor ini ditransmisikan ke Internet
variabel endogen. Dengan demikian, strukturnya tidak memungkinkan kita untuk belajar, katakanlah, betapa terkejutnya
dihasilkan dalam satu unit disebarkan ke unit lain atau mengidentifikasi saling ketergantungan itu
buat efek besar atau kecil. Di sisi lain, dengan memilih kombinasi dengan tepat
guncangan, seseorang dapat meniru dengan panel VAR memodelkan jenis latihan yang biasanya
dilakukan dalam model faktor.
Akhirnya perhatikan, bahwa setelah pengurangan dimensi parameter dijelaskan di bagian 3
dan 4 dilakukan, panel VAR dengan interdependensi dapat ditulis dalam format faktor.
Namun, dua perbedaan penting muncul. Pertama, regresi dalam (21) adalah kombinasi
dari kelambatan variabel sisi kanan panel VAR dan dengan demikian dapat diamati. Di
model faktor, faktor tidak dapat diamati dan biasanya diperkirakan menggunakan rata-rata (himpunan bagian)
dari nilai saat ini dari variabel endogen. Karenanya, mereka cenderung memiliki perbedaan
karakteristik dan rentang ruang informasi yang berbeda. Apakah nilai keterlambatan atau saat ini dari
variabel endogen memberikan informasi superior untuk keadaan model teoritis
adalah pertanyaan terbuka yang perlu diselidiki lebih lanjut. Kedua, para regresi (21)
sama-sama menimbang informasi yang ada di subset dari variabel yang digunakan untuk membangunnya.
Skema pembobotan yang sama berasal langsung dari (20) dan fakta bahwa semua variabel
diukur dalam satuan yang sama (semua variabel akan direndahkan dan distandarisasi). Dalam faktor
model, sebagai gantinya, estimasi faktor mencerminkan variabilitas relatif dari variabel
digunakan untuk membangunnya.
6.4 VAR global
VAR global (GVAR) serupa dalam semangat untuk model faktor dan Dees et al. (2007)
menunjukkan bagaimana mereka dapat diperoleh ketika DGP adalah model faktor dengan diamati dan
faktor yang tidak dapat diobservasi. Mereka menarik bagi pengguna karena mereka menangkap secara intuitif
39
Halaman 42
fitur-fitur penting dari sebuah panel sambil berusaha mempertahankan struktur sederhana yang memungkinkan
mereka dapat diperkirakan dengan mudah.
Untuk tujuan kami, GVAR dapat dianggap sebagai kumpulan VAR khusus unit
yang mana ditandai pada faktor umum yang tidak dapat diobservasi. Pertimbangkan struktur di (26) di mana
sekarang koefisiennya invarian waktu, hanya kelambatan variabel untuk unit tertentu
muncul dan tambahkan vektor baru variabel yang tidak dapat diobservasi c < , yaitu,
d 2 < 1 8 2 & O'd 2 <- #(= 2 & O'K < (? 2 & O'c < (S 2 < (41)
c < , berpotensi, vektor dari proses autoregresif dengan varian hingga dan? 2 & O 'adalah a
polinomial dalam operator lag. Atur untuk kesederhanaan K < 1) 4 + _. Kemudian (41) adalah koleksi
unit VAR spesifik yang dihubungkan bersama oleh adanya vektor faktor yang tidak dapat diobservasi.
Faktor-faktor yang tidak dapat diobservasi mempersulit estimasi karena teknik filter Kalman perlu digunakan,
dan kecuali dimensi cross sectional kecil, perhitungan mungkin menuntut.
Seperti dalam model faktor skala besar, ide dasar GVAR adalah bahwa, jika D memadai
besar, satu dapat proksi G < dengan rata-rata unit silang dari d 2 < (dan K < 4 saat ada).
Jadi, agaknya memperkirakan (41) satu perkiraan
d 2 < 1 8 2 & O'd 2 <- #(? 2 & O'd * 2 < (S 2 < (42)
*
dimana d * 2 < 1 '
3) # ^ 23 d 3 < dengan ^ 22 1) dan ^ 23 adalah seperangkat bobot khusus negara yang
mencerminkan kepentingan relatif unit dalam agregat. Misalnya, jika unitnya adalah
negara, orang tidak mengharapkan mereka sama pentingnya dalam ekonomi dunia dan
mungkin ingin mempertimbangkan variabel spesifik negara dengan bagian mereka dalam perdagangan dunia. Kalau tidak,
mereka dapat menangkap variabilitas relatif jika, misalnya, penampang berisi unit
menampilkan fluktuasi siklus dengan amplitudo yang berbeda.
Model seperti (42) dapat diperkirakan dalam dua langkah. Pertama, VAR khusus negara
Diperkirakan dan semua variabel endogen dari model yang dikumpulkan. Kedua, vektor M < 1
2M # < 43334M *, 3, di mana masing-masing M 2 < 1 2d 2 < 4d * # < 3 secara bersamaan diselesaikan dari model. Pesaran
40
Halaman 43
et al (2007) menunjukkan bahwa ini setara dengan menentukan VAR skala besar dari formulir
M < 1; & O`m <- # (` < (43)
dimana @ ; & O 'adalah matriks D> * yang elemen V khasnya adalah *; 2 & O '^ 2 .
Oleh karena itu, Global VAR adalah VAR skala besar terbatas, di mana variabel unit berbeda
dalam suatu persamaan ditimbang menurut 2 2 . Karena bobotnya spesifik untuk negara dan
biasanya # priori ditentukan oleh penyidik, GVAR memaksakan struktur tertentu
pada saling ketergantungan hadir dalam data. Secara khusus, ia secara selektif memilih apa
interdependensi mungkin # a priori penting berdasarkan, misalnya, pada perdagangan atau keuangan
pertimbangan, dan memaksa dinamika yang sama pada variabel milik semua unit,
terlepas dari faktor skala. Dalam pengertian ini, ini menyerupai versi ekstrim dari Minnesota
sebelumnya dalam variabel unit yang berbeda dari yang muncul di sisi kiri
hubungan memiliki bobot yang lebih kecil dari miliknya.
Untuk menyatakan konsep secara berbeda, GVAR menjadi dapat diperkirakan memaksakan pembatasan
bahwa dinamika yang dihasilkan oleh variabel unit berbeda pada variabel unit V adalah
sebanding dengan bobotnya. Ini secara efektif meruntuhkan jumlah koefisien yang diperkirakan
ke nomor yang lebih mudah dikelola, sebanding dengan yang diperkirakan menggunakan koleksi
unit VAR tunggal.
6.5 VAR panel bilateral
Adalah umum untuk menjalankan panel VAR bilateral atau trilateral dengan unit yang mewakili negara,
sektor atau komponen terpilah dari variabel makro penting, bahkan jika DGP
diduga jauh lebih rumit (lihat misalnya Eldelstein dan Kilian, 2009). Satu
alasan untuk melakukannya adalah kemudahan interpretasi. Lain adalah untuk mengurangi vektor parameter
diperkirakan dan dengan demikian mengurangi kutukan masalah dimensionalitas. Namun, itu mudah
untuk menunjukkan bahwa pendekatan semacam itu cenderung mendistorsi kedua properti yang diperkirakan
guncangan struktural dan dinamika transmisi mereka.
41
Halaman 44
Untuk melihat bagaimana ini bisa terjadi, pertimbangkan tiga unit panel struktural berikut VAR (1)
d # < 1 8 ## d # <- # (8 # $ d $ <- # (8 #% d % <- # (A ## ` # < (44)
d $ < 1 8 $ # d # <- # (8 $$ d $ <- # (8 $% d % <- # (A $ # ` # < (A $$ ` $ < (A $% ` % < (45)
d % < 1 8 % # d # <- # (8 % $ d $ <- # (8 %% d % <- # (A % # ` # < (A % $ ` $ < (A %% ` % < (46)
di mana d2 < adalah dari dimensi> * dan semua akar dari 8 matriks berada di luar lingkaran satuan.
Dalam sistem ini berita formulir tereduksi menjadi d # < sebanding dengan ` # < sedangkan formulir tereduksi
berita ke d $ < dan d % < adalah kombinasi linear dari tiga inovasi struktural (` # < 4` $ < 4` % < '.
Misalkan seorang peneliti memutuskan untuk menggunakan data dari unit 1 dan 2 hanya untuk membentuk bilateral
panel VAR. Maka model yang diperkirakan akan menjadi
d # < 1 & 8 ## (8 #% & @ 8 %% O ' - # 8 % # ' d # <- #(& 8 # $ (8 #% & @ 8 %% O ' - # 8 % $ ' d $ <- #(S # < (47)
d $ < 1 & 8 $ # (8 $% & @ 8 %% O ' - # 8 % # ' d # <- #(& 8 $$ ( $ 8 % & @ 8 %% O ' - # 8 % $ ' d $ <- #(S $ < (48)
dimana
S # < 1 A ## ` # < (& @ 8 %% O ' - # & A % # ` # < (A % $ ` $ < (A %% ` % < ' (49)
S $ < 1 A $ # ` # < (A $$ ` $ < (A $% ` % < (& @ 8 %% O ' - # & A % # ` # < (A % $ ` $ < (A %% ` % < ' (50)
Perhatikan bahwa respons dinamis yang disebabkan oleh guncangan formulir yang diperkecil akan berbeda di
dua sistem. Khususnya, dalam sistem yang diperkirakan, dinamika sebenarnya akan menjadi kontra #
ditandai oleh respons dinamis dari variabel unit 3 terhadap guncangan struktural. Untuk
contoh, dinamika bentuk tereduksi dari unit 1 akan ditangkap dengan benar hanya ketika 8 #%
adalah nol yang membutuhkan unit 1 untuk eksogen sehubungan dengan sistem. Namun,
bahkan dalam kasus khusus ini, dinamika struktural akan ditangkap secara tidak benar dalam perkiraan
sistem karena tiga alasan. Pertama, sementara dalam model yang benar bentuk berita dikurangi ke unit
1 adalah versi skala dari inovasi sejati yang mengenai unit itu, dalam sistem yang diperkirakan
S # < mencampur guncangan struktural dari unit yang berbeda dan ini benar bahkan ketika aslinya
42
Halaman 45
sistem hanya memiliki keterlambatan interdependensi tetapi tidak ada interdependensi statis, yaitu A 1 @. Di
Selain itu, sementara dalam sistem asli unit 1 telah ditentukan sebelumnya, dalam perkiraan itu adalah
tidak. Dengan kata lain, sementara pemesanan blok Choleski tertentu akan dapat pulih
inovasi pada unit pertama dalam sistem asli, penerapan struktur seperti itu
akan menginduksi kesalahan identifikasi penting dalam sistem yang diperkirakan.
Kedua, bahkan jika inovasi bentuk tereduksi dalam sistem asli secara serial tidak #
berkorelasi, korelasi serial akan muncul dalam perkiraan, sejak marjinalisasi
tersirat dalam penghapusan data dari unit 3 menciptakan komponen rata-rata bergerak
dalam bentuk berkurang kesalahan dari sistem yang diperkirakan. Dengan demikian, baik panjang lag dari
Taksiran panel VAR meningkat dengan tepat atau kesalahan form yang dikurangi akan menjadi seri #
sekutu berkorelasi. Dengan kata lain, untuk memperkirakan VAR panel asli (1) dengan yang lebih kecil
jumlah unit, kita membutuhkan panel VARMA atau VAR (p) dengan \ umumnya besar.
Ketiga, guncangan istimewa dalam sistem asli dapat muncul sebagai guncangan biasa
sistem estimasi. Misalnya, ketika A 1 @ struktural guncangan ke variabel
unit ketiga akan muncul dalam sistem yang diperkirakan sebagai kejutan umum untuk unit 1 dan 2. Oleh karena itu,
orang harus berhati-hati dalam menafsirkan bukti empiris yang mendukung guncangan umum di
sistem seperti itu
Secara umum, sepertinya praktik yang buruk untuk menghindari kutukan masalah dimensionalitas
menggunakan sistem bilateral dan trilateral ketika proses menghasilkan data mungkin lebih
rumit. Variabel yang dihilangkan menciptakan distorsi penting pada estimasi struktural
mengejutkan dan menghambat kemampuan peneliti untuk menginterpretasikan respons dinamis yang diperkirakan.
6.6 Ringkasan
Semua pendekatan yang tersedia menerapkan batasan. VAR Bayesian skala besar dan
Panel Bayesian VAR meninggalkan model tidak terbatas tetapi menggunakan susut sebelum efektif #
mengurangi dimensi vektor koefisien secara efektif. Model ekonometrik spasial,
model faktor, VAR global, dan VAR bilateral di sisi lain, memaksakan
43
Halaman 46
bahwa semua saling ketergantungan dapat ditangkap dengan serangkaian faktor, atau bahwa hanya ada a
jumlah efek tetangga yang sangat terbatas, atau elemen off diagonal dari matriks
; & O 'sebanding dengan elemen diagonal, atau bahwa sistem yang diestimasi lebih rendah
dimensi daripada DGP. Semua pembatasan dapat dilanggar dalam praktik dan tidak jelas
mana yang lebih disukai. Secara teori, pembatasan sebelumnya lebih unggul daripada batasan dogmatis #
tions. Pertanyaan yang menarik untuk penelitian di masa depan adalah apakah dan dengan cara apa berbeda
serangkaian pembatasan memengaruhi kemampuan kita untuk menangkap dan menafsirkan ekonomi yang saling tergantung
dengan fitur heterogen.
7 Kesimpulan
Selama lima belas tahun terakhir, telah terjadi peningkatan dan penyatuan yang cukup besar dalam
standar pengumpulan data dan upaya substansial untuk membuat data terperinci dan dapat dibandingkan
(pada bank, perusahaan, industri) di berbagai negara dan wilayah di dunia. Ini berarti
bahwa sementara analisis empiris sebelumnya terbatas pada sekelompok negara maju,
saling ketergantungan hampir tidak dieksplorasi, dan perbandingan lintas negara sangat sedikit, sekarang
dimensi panel penting ditambahkan pada latihan dan studi yang menganalisis perbedaan
antara, katakanlah, pasar negara berkembang dan ekonomi maju, atau terbuka dan relatif tertutup
ekonomi sekarang lebih sering.
Bersama dengan perbaikan dalam pengumpulan data, telah terjadi sedikit demi sedikit
peningkatan saling ketergantungan yang stabil antara wilayah, negara, dan sektor. Phe #
Nomenon bukan hanya obyek studi akademik. Istilah seperti nglobal economieso, nglobal
saling ketergantungan, transmisi global telah menjadi bagian dari diskusi setiap hari di Indonesia
pers populer. Ini berarti bahwa ekonomi, wilayah atau sektor tidak dapat lagi diperlakukan
dalam isolasi dan limpahan sekarang lazim. Dalam tatanan global baru ini, di mana guncangan terjadi
cepat disebarkan dan efek penularan penting, heterogenitas substansial kembali
utama. Asimetri baik dalam kecepatan dan besarnya pemulihan dari 2008
44
Halaman 47
resesi dan kesenjangan Utara # Selatan yang semakin kuat yang menjadi ciri utama po #
diskusi litik tentang krisis utang Eropa yang berkepanjangan adalah contoh sederhana dari ini
heterogenitas. Heterogenitas memiliki asal yang berbeda, tetapi pendapatan, kondisi awal, geo #
perkembangan grafis, perdagangan dan keuangan, lembaga dan budaya sering diindikasikan
sebagai faktor pendorongnya.
Sejak jalur pertumbuhan, respons dinamis terhadap guncangan dan transmisi melintas
sektor, pasar atau negara mungkin berbeda secara substansial, tidak menyenangkan, baik dari
sudut pandang ekonomi dan ekonometrik, untuk memperlakukan semua unit secara simetris atau hanya mempertimbangkan
agregat seperti Uni Eropa atau kawasan Euro, mengabaikan kekhasan negara tertentu.
Kehadiran heterogenitas dinamis menunjukkan bahwa ada banyak ruang untuk mempelajari caranya
guncangan ditransmisikan lintas unit; untuk mengkarakterisasi tidak hanya efek rata-rata tetapi juga
perbedaan lintas bagian yang membantu memahami sumber heterogenitas potensial;
untuk menganalisis bagaimana kecenderungan masa lalu telah menciptakan status quo saat ini dan bagaimana seharusnya
mengharapkan situasi saat ini berkembang di masa depan; dan untuk menyediakan pembuat kebijakan dengan
fakta yang dapat membantu membangun skenario alternatif dan merumuskan keputusan kebijakan.
Panel VAR tampaknya sangat cocok untuk mengatasi masalah yang saat ini ada di
panggung utama diskusi di bidang akademik dan di arena kebijakan yang mereka mampu (i)
menangkap interdependensi statis dan dinamis, (ii) memperlakukan tautan di seluruh unit dalam
mode tidak terbatas, (iii) dengan mudah memasukkan variasi waktu dalam koefisien dan dalam
varians dari guncangan, dan (iv) menjelaskan heterogenitas dinamis cross sectional. Itu
boom baru-baru ini dalam analisis empiris menggunakan panel VAR di bidang ekonomi makro, perbankan dan
keuangan, dan ekonomi internasional membuktikan fakta sederhana ini.
Panel VAR dibangun di atas logika yang sama dengan VAR standar tetapi, dengan menambahkan, tanda silang
Dimensi sectional, mereka adalah alat yang jauh lebih kuat untuk mengatasi kebijakan yang menarik
pertanyaan. Tujuan artikel ini adalah untuk menunjukkan fitur dan ciri khas mereka
aplikasi potensial mereka, jelaskan bagaimana perkiraan mereka dan bagaimana kejutan biasanya
45
Halaman 48
diidentifikasi, bagaimana seseorang berurusan dengan variasi waktu struktural; apa perbedaan di antara keduanya
model panel VAR yang digunakan dalam studi ekonomi mikro dan makro ekonomi; bagaimana panel
VAR dan koleksi VAR membandingkan dan bagaimana VAR panel berhubungan dengan populer lainnya
alternatif seperti VAR skala besar, model Factor atau GVAR.
Dimensi besar panel VAR biasanya membuat kutukan dimensi menjadi masalah
terutama ketika para peneliti tertarik untuk memeriksa tautan input # output suatu daerah,
seperti Amerika Latin, atau area, seperti area Euro, tempat dimensi deret waktunya
panel pendek. Artikel ini menyajikan pendekatan penyusutan yang membutuhkan banyak waktu
berurusan dengan masalah dimensionalitas tanpa kompromi terlalu banyak pada struktur dan
kemampuan untuk menjawab pertanyaan ekonomi yang menarik.
Masih banyak tantangan dan pekerjaan di masa depan harus mencoba untuk memperbaiki pendekatan yang ada,
baik dari segi estimasi dan inferensi. Misalnya, Koop dan Korobilis (2012)
telah menyarankan algoritma cepat untuk memperkirakan VAR waktu koefisien skala besar yang bervariasi
tetapi tidak jelas apakah ini akan bekerja juga dalam waktu yang berbeda koefisien panel VAR,
di mana penyusutan cross sectional menjadi penting. Demikian pula, belum jelas bagaimana caranya
memperluas metode switching Markov dari Sims dan Zha (2006) ke kerangka panel dan
apakah probabilitas transisi harus menampilkan heterogenitas lintas unit yang penting. Itu
properti estimator yang digunakan belum dievaluasi dalam situasi ekonomi yang relevan dan
tidak jelas apakah tes untuk pemilihan model atau untuk latihan validasi kuat atau tidak.
Ketika datang ke identifikasi, kecuali untuk De Graeve dan Karas (2012), teknik
adalah yang tradisional digunakan dalam VAR dan tidak ada upaya telah dilakukan untuk mengeksploitasi kekayaan
dari informasi cross sectional. Juga tidak ada upaya untuk langsung menghubungkan panel VAR
untuk model DSGE menarik yang dikembangkan dalam literatur ekonomi internasional dan untuk
mempelajari apakah mereka dapat digunakan sebagai tempat uji coba untuk berbagai teori penularan.
Secara keseluruhan, panel VAR memiliki potensi untuk menjadi sama pentingnya dengan VAR untuk menjawab
pertanyaan ekonomi yang relevan yang tidak memerlukan spesifikasi rinci dari struktur
46
Halaman 49
ekonomi.
47
Halaman 50
Referensi
[1] Anselin, L., 2010. Tiga Puluh Tahun Ekonometrika Spasial. Makalah dalam Ilmu Regional,
89, 3 # 25.
[2] Arellano, M. dan Bond, S., 1991. Beberapa tes Spesifikasi untuk data Panel: Monte
Carlo bukti dan Aplikasi untuk Persamaan Ketenagakerjaan, Ulasan Ekonomi
Studi, 58, 277 # 297.
[3] Auerbach, A. dan Gorodnichenko, Y., 2011. Mengukur respons Keluaran terhadap fiskal
guncangan. Jurnal Ekonomi Amerika: Kebijakan Publik, 4,1 # 27.
[4] Beetsma, R. dan Giuliadori, M., 2011. Dampak kejutan pembelian pemerintah:
Tinjau dan perkiraan untuk EU, Jurnal Ekonomi, 121, F4 # F32.
[5] Beveridge, S. dan Nelson, C.1981. Pendekatan baru untuk dekomposisi ekonomi
seri waktu menjadi komponen permanen dan sementara dengan perhatian khusus pada
pengukuran siklus bisnis. Jurnal Ekonomi Moneter, 7, 151 # 174
[6] Blanchard, O, J. dan Quah, D., 1989. Efek dinamis dari permintaan Agregat dan
gangguan pasokan. American Economic Review, 79, 655 # 673.
[7] Boutbtane, E., Coulibaly, D., Rault, C., 2010. Imigrasi, pertumbuhan, dan pengangguran #
ment: bukti Panel VAR dari negara-negara OECD, manuskrip.
[8] Banbura, M., Giannone, D., dan Reichlin, L., 2010. Bayar VAR berskala besar,
Jurnal Ekonometrika Terapan, 25, 71 # 92.
[9] Caivano, M., 2006. Transmisi guncangan antara AS dan kawasan Euro,
Bank of Italy, naskah.
[10] Calza, A., Monacelli, T. dan Stracca, L., 2012. Keuangan perumahan dan kebijakan Moneter,
Jurnal Asosiasi Ekonomi Eropa yang akan datang.
[11] Canova, F., 2004. Pengujian untuk Klub Konvergensi dalam Penghasilan per Kapita: Prediktif
Pendekatan Kepadatan. Tinjauan Ekonomi Internasional, 45, 49 # 77.
[12] Canova, F., 2005. Transmisi Guncangan AS ke Amerika Latin, Journal of

Applied Econometrics, 20, 2005, 229 # 251.
[13] Canova, F., 2007. Metode untuk Riset Makroekonomi Terapan, Princeton Univer #
sity Press, Princeton, NJ.
48
Halaman 51
[14] Canova, F. dan Ciccarelli, M., 2004. Prediksi dan Prediksi Titik Balik dalam a
Panel Bayesian VAR Model, Jurnal Ekonometrika, 120, 2004, 327 # 359.
[15] Canova, F., dan Ciccarelli, M., 2009. Memperkirakan model VAR multi-negara. Antar#
Ulasan Ekonomi Nasional, 50, 929 # 961.
[16] Canova, F. dan Ciccarelli, M., 2012. ClubMed? Fluktuasi siklus di Mediter #
ranean basin, Jurnal Ekonomi Internasional, 88, 162 # 175.
[17] Canova, F., Ciccarelli, M., Ortega, E., 2007. Kesamaan dan Konvergensi dalam G # 7
Cycles, Jurnal Ekonomi Moneter, 54, 850 # 878.
[18] Canova, F., Ciccarelli, M., Ortega, E., 2012. Apakah perubahan kelembagaan mempengaruhi bisnis
siklus ?, Jurnal Dinamika dan Kontrol Ekonomi, 36, 1520 # 1533.
[19] Canova, F., Gambetti, L., 2009. Perubahan Struktural dalam ekonomi AS, Apakah ada a
peran untuk Kebijakan Moneter. Jurnal Dinamika Ekonomi dan Kontrol, 33, 477 # 490.
[20] Canova, F. dan Marrinan, J., 1998. Sumber dan Propagasi Output Internasional
Siklus: Guncangan atau Transmisi Umum? Jurnal Ekonomi Internasional, 46,
133 # 166.
[21] Canova, F. dan Pappa, P., 2004. Apakah Membutuhkan Kebajikan? Ekonomi Makro
Pengaruh Kendala Fiskal, dalam Clarida, R., Frankel, J., Giavazzi, F. dan K. West
(eds.) NBER Seminar Internasional tentang Ekonomi Makro, Biro Ekonomi Nasional
Penelitian.
[22] Canova, F. dan Pappa, P., 2007. Perbedaan Harga dalam Serikat Moneter: Peran
Guncangan Fiskal (dengan E. Pappa). Jurnal Ekonomi, 117, 2007, 713 # 737.
[23] Canova, F. dan Pina, J., 2005. Salah Spesifikasi Kebijakan Moneter dalam model VAR, di
Diebolt, C. dan Kyrtsou, C. (eds.), Tren Baru Dalam Ekonomi Makro, Springer Verlag.
[24] Canova, F. dan Perez Forero, F., 2012. Memperkirakan terlalu teridentifikasi, non # rekursif, waktu
berbagai kantor, VAR struktural, kertas kerja UPF.
[25] Chari, VV, Kehoe, P. dan McGrattan, E., 2008. VAR struktural dengan Long
Jalankan pembatasan yang berguna untuk mengembangkan Teori Siklus Bisnis, Jurnal Moneter
Ekonomi, 55,1337 # 1352.
49
Halaman 52
[26] Chib, S., Greenberg, E., 1995. Analisis Hirarkis Model SUR dengan Extensions
untuk Kesalahan Serial Terkait dan Waktu # Memvariasikan Model Parameter. Jurnal Econo #
metrik, 68, 409 # 431.
[27] Chudik, A. dan Pesaran, H., 2011. VAR # dimensi tak terbatas dan model faktor.
Jurnal Ekonometrika, 163, 4 # 22.
[28] Ciccarelli, M., E. Ortega dan MT Valderrama, 2012a. Heterogenitas dan silang #
limpahan negara dalam # hubungan ekonomi makroekonomi. ECB WP akan terbit.
[29] Ciccarelli, M., A. Maddaloni dan JL Peydró, 2012b. Transmisi heterogen

mekanisme: Kebijakan moneter dan kerapuhan keuangan di kawasan Euro. Kertas disiapkan
untuk Panel Kebijakan Ekonomi ke-56.
[30] Cogley, T., Sargent, T., 2005. Drifts and Volatilities: Kebijakan Moneter dan Hasil
di pos WWII AS. Ulasan tentang Dinamika Ekonomi, 8, 262 # 302.
[31] Cooley, T. dan LeRoy, S., 1985. Ekonomi makro makro: Sebuah kritik. Jurnal dari
Ekonomi Moneter, 16, 283 # 308.
[32] Cooley, T. dan Dwyer, M, 1998. Analisis Siklus Bisnis tanpa banyak Teori: A
Lihatlah VAR Struktural. Jurnal Ekonometrika, 83, 57 # 88.
[33] Cushman, D. dan Zha, T., 1997. Mengidentifikasi kebijakan moneter dalam ekonomi terbuka kecil
di bawah nilai tukar yang fleksibel. Jurnal Ekonomi Moneter, 39, 433 # 448.
[34] De Graeve, F dan Karas, A., 2012. Mengidentifikasi VAR melalui Heterogenitas: An
Aplikasi untuk menjalankan Bank, naskah Riskbank.
[35] Dees, S, Di Mauro, F., Pesaran, H. dan Smith, V., 2007. Menjelajahi Internasional
Keterkaitan wilayah Euro: Analisis VAR Global. Jurnal Ekonometrik Terapan,
22, 1 # 38.
[36] Del Negro, M., Otrok, C., 2003. Model Faktor Dinamis dengan Waktu # Memvariasikan Para #
meter: Mengukur Perubahan dalam Siklus Bisnis Internasional, Federal Reserve Bank
dari New York, manuskrip.
[37] Del Negro, M. dan Schorfheide, F., 2010. Bayesian Macroeconometrics, dalam J. Geweke,
G. Koop dan H. Van Dijk (eds.) The Oxford Handbook of Bayesian Econometrics.
[38] Doan, T., Litterman R., Sims, C., 1984. Prakiraan dan Proyeksi Bersyarat
Menggunakan Realis Sebelumnya Distribusi. Ulasan Ekonometrik, 3, 1 # 100.
50
Halaman 53
[39] Edelstein, P. dan Kilian, L. 2009 Seberapa sensitif pengeluaran konsumen untuk ritel
harga energi? Jurnal Ekonomi Moneter, 56, 766 # 779.
[40] Faust, J. dan Leeper, E., 1997. Apakah Pembatasan Jangka Panjang Benar-Benar Mengidentifikasi Apa Pun?
Jurnal Statistik Bisnis dan Ekonomi, 15, 345 # 353.
[41] Fernandez Villaverde, J., Rubio Ramirez, J, Sargent, T.and M. Watson, 2007. The
A, B, C dan D untuk memahami VAR, American Economic Review, 97, 1021 # 1026.
[42] Forni, M., Reichlin, L., 1998. Letms get Real: A factor Analytic Approach to Disag #
Dinamika Siklus Bisnis yang terregulasi. Ulasan Studi Ekonomi, 65, 453 # 473.
[43] Gertler, M., Comin, D., 2006. Siklus Jangka Menengah. American Economic Review, 96,
523p551.
[44] Geweke, J., 2000. Simulasi Berdasarkan Bayesian Inference for Economic Time Series
dalam Mariano, R., Schuermann, T. dan Weeks, M. (eds.). Kesimpulan Berbasis Simulasi
Dalam Ekonometrika: Metode dan Aplikasi, Cambridge, Inggris: Universitas Cambridge
Tekan.
[45] Holtz # Eakin, D., Newey, W. dan Rosen, H., 1998. Memperkirakan autoregresi Vecro
dengan data panel. Econometrica, 56, 1371 # 1395.
[46] Jarocinski, M., 2010. Respons terhadap guncangan kebijakan moneter di timur dan barat
Eropa: perbandingan. Jurnal Applied Econometrics, 25, 833 # 868.
[47] Kadiyala, KR, Karlsson, S., 1997. Metode Numerik untuk Estimasi dan Inferensi
dalam Bayesian # VAR Models. Jurnal Ekonometrika Terapan 12, 99p132.
[48] Kilian, L., 2012. Autoregresi Vektor Struktural. Akan datang: N. Haschimzade
dan M. Thornton (eds.), Buku Pegangan atau Metode Penelitian dan Aplikasi dalam Em #
makroekonomi pirical, Camberley, Inggris: Edward Elgar.
[49] Kilian, L. dan C. Vega, 2011. Apakah Harga Energi Menanggapi Ekonomi Makro AS
Berita? Tes Hipotesis Harga Energi yang Ditentukan sebelumnya. Ulasan dari
Ekonomi dan Statistik, 93, 660 # 671.
[50] Koop, G. dan Korobilis, D., 2012. VAR waktu bervariasi dalam skala besar. Universitas
Strathclyde, naskah.
51
Halaman 54
[51] Kose, A. Otrok, C. dan Whiteman, C., 2003. Siklus Bisnis Internasional: Dunia,
Wilayah, dan Negara # Faktor-Faktor Khusus. Ulasan Ekonomi Amerika, American Eco #
nomic Association, 93, 1216 # 1239.
[52] Kose, A. dan Prasad, E., 2010. Pasar negara berkembang: ketahanan dan pertumbuhan di seluruh dunia
kekacauan. Brooking Institution Press, Washington, DC.
[53] Long J. dan Plosser, C., 1983. Siklus Bisnis Riil, Jurnal Ekonomi Politik, 91,
39 # 69.
[54] Lane, P. dan Benetrix, A., 2010. Perbedaan internasional dalam kebijakan fiskal selama
krisis global. kertas kerja CEPR 8009.
[55] Lanne M., dan Lutkepohl, H., 2008. Mengidentifikasi Guncangan Kebijakan Moneter melalui Perubahan
dalam Volatilitas, Jurnal Uang, Kredit dan Perbankan, 40, 1131 # 1149.
[56] Love, I., dan Zicchino, L., 2006. Perkembangan keuangan dan investasi yang dinamis
perilaku: Bukti dari Panel VAR. Tinjauan Segar Ekonomi dan
Keuangan, 46, 190 # 210.
[57] L. Ljung, dan Soderstrom, T., 1984. Teori dan Praktek Identifikasi Rekursif,
MIT Press. Cambridge, Mass.
[58] Mol, CD, Giannone, D., dan Reichlin, L., 2008. Peramalan menggunakan sejumlah besar
prediktor: Apakah susut bayesian merupakan alternatif yang valid untuk komponen utama? Jurnal
dari Econometrics, 146, 318 # 328.
[59] Peersman, G., 2005. Apa yang menyebabkan perlambatan awal milenium? Berbasis bukti
pada autoregresi vektor. Jurnal Applied Econometrics, 20, 185p207.
[60] Pesaran, H., Schuerman, T., Wiener, S., 2004. Modeling regional interdependen #
Cies menggunakan # kesalahan global mengoreksi model ekonomi makro. Jurnal Bisnis dan
Statistik Ekonomi, 22, 129 # 162.
[61] Pesaran, H. dan Smith, R., 1995. Memperkirakan Hubungan Jangka Panjang dari Dinamis
Panel Heteroegeneous. Jurnal Ekonometrika, 68, 79 # 113.
[62] Primiceri, G., 2005. Waktu Memvariasikan Vektor Struktural dan Autoregresi Moneter
Kebijakan. Tinjauan Studi Ekonomi, 72, 821 # 852.
[63] Ramey, V. dan Shapiro, M., 1998. Realokasi modal yang mahal dan dampak pemerintahan #
pengeluaran pemerintah. Carnegie # Seri Konferensi Rochester tentang Kebijakan Publik, 48, 145 # 194
52
Halaman 55
[64] Rebucci, A. 2010. Apakah pertumbuhan eksogen? Bukti dari tahun 1970-an dan 1980-an.
Ekonomi Terapan, 42, 535 # 543.
[65] Sa, F., P. Towbin, dan T. Wieladek, 2012. Arus Masuk Modal, Struktur Keuangan dan
Boom perumahan, University of Cambridge, manuskrip.
[66] Sargent, T., 1989. Dua model Pengukuran dan Akselerator Investasi.
Jurnal Ekonomi Politik, 97, 251 # 287.
[67] Sims, C., 2000. Menggunakan perspektif kemungkinan untuk mempertajam wacana ekonometrika:
Tiga contoh. Jurnal Ekonometrika, 95, 443 # 462.
[68] Sims, C. dan Zha, T., 1998. Metode Bayesina untuk Model Dinamik Multivariat.
Tinjauan Ekonomi Internasional, 39, 949 # 968.
[69] Sims, C. dan Zha, T., 2006. Apakah Ada Rezim yang Berganti dalam Kebijakan Moneter AS ?.
American Economic Review, 96, 54 # 81.
[70] Sims, E., 2012. Berita, Non # Invertibilitas, dan VAR Struktural. Akan datang, Iklan #
vanced dalam volume Ekonometrika 28.
[71] Stock, J., H. Watson, MW, 1989. Indeks Baru Indikator Bertepatan dan Terkemuka,
dalam Blanchard, O. dan Fisher, S. (eds.), NBER Ekonomi Makro Ekonomi, 4.
[72] Saham, JH dan Watson, MW, 2002a. Peramalan menggunakan komponen utama
dari sejumlah besar prediktor. Jurnal Asosiasi Statistik Amerika,
97, 1167 # 1179.
[73] Saham, J. Watson, M., 2003. Memahami Perubahan dalam Siklus Bisnis Internasional
Dinamika. Jurnal Asosiasi Ekonomi Eropa, 3, 968 # 1006
[74] Stock, J., Watson, M., 2012. Mengurai Saluran Resesi 2007 # 2009.
NBER WP no. 18094.
[75] Swaamy, 1970 Inferensi efisiensi dalam model regresi koefisien acak, Economet #
rica, 38, 311 # 323.
[76] Zellner, A. dan Hong, C., 1989. Peramalan tingkat pertumbuhan internasional menggunakan Bayesian
Shringkage dan prosedur lainnya. Jurnal Ekonometrika, 40, 183 # 202.
53

Translate Panel Vektor Model Autoregresif - Survei

Diunggah oleh

Informasi Dokumen

Judul Asli

Hak Cipta

Format Tersedia

Bagikan dokumen Ini

Bagikan atau Tanam Dokumen

Opsi Berbagi

Apakah menurut Anda dokumen ini bermanfaat?

Apakah konten ini tidak pantas?

Hak Cipta:

Format Tersedia

Translate Panel Vektor Model Autoregresif - Survei

Diunggah oleh

Hak Cipta:

Format Tersedia

11/14/2019 Panel vektor model autoregresif: survei

Serie PaPer yang berfungsi

Fabio Canova dan Matteo Ciccarelli

Pada 2013 semua ECB

catatan: Kertas Kerja ini tidak boleh dilaporkan

sebagai mewakili pandangan Central Eropa

Ucapan Terima Kasih

Fabio Canova (penulis yang sesuai)

© Bank Sentral Eropa, 2013

Alamat Kaiserstrasse 29, 60311 Frankfurt am Main, Jerman

Seluruh hak cipta.

ISSN 1725-2806 (online)

Klasifikasi JEL: C11, C30, C53.

Kata kunci: Panel VAR, Estimasi, Identifikasi, Inferensi.

Ringkasan bukan teknis

hasil ekonomi dan keputusan kebijakan yang salah.

realisme model DSGE.

atau pasar) dalam pekerjaan terapan.

unit heterogen saling tergantung. Kesimpulan dan beberapa pertimbangan tambahan

2 Apa itu VAR panel?

variabel endogen. VAR untuk Mt adalah

didistribusikan. Batasan biasanya dikenakan pada matriks 8 j untuk membuat koefisien

termasuk konstanta, boneka musiman dan polinomial deterministik dalam waktu.

dalam hal ini VAR

M t 1 8 " & _ '(8 & O'M # t- # (= & O'K $ t (` t 3

bahwa kontribusi M t-j ke M t 4 kecil ketika W besar.

d it 1 8 "i & _ '(8 i & O'M t- # (` itu V 1 * 43334D _ 1 * 43334H (2)

8 "i & _ 'dan 8 i mungkin tergantung pada unit.

Ketika panel VARX dipertimbangkan, representasi adalah

d it 1 8 "i & _ '(8 i & O'M # t- # (= i & O'K t (` it (3)

ada di setiap unit, ada pembatasan pada matriks kovarian guncangan.

D 1, negara dan ada C 1 + variabel eksogen yang lemah. Lalu, hilangkan

istilah deterministik, model panel VARX adalah

d #t 1 8 ## & O'd # t- # (8 # $ & O'd $ t- # (8 #% & O'd % t- # (= # & O'K t (` #t (4)

d $t 1 8 $ # & O'd # t- # (8 $$ & O'd $ t- # (8 $% & O %% t- # (= $ & O'K t (` $ t (5)

d % t 1 8 % # & O'd # t- # (8 % $ & O'd $ t- # (8 %% & O'd % t- # (= % & O'K t (` % t (6)

di mana 8 ih, j 4 V4 U 1 * 4 + 4, berada. . matriks untuk setiap W dan 8 i &, j 4V

heterogenitas & 8 i, k * 1 8 i! #, k 4X * 1 V4 V (*).

aplikasi. Misalnya, ketika menganalisis transmisi guncangan di keuangan

biaya transaksi berbeda, dll.

Beberapa submodels menarik bersarang dalam spesifikasi dan karenanya membatasi #

Karas, 2012; dan Sa et al., 2012, untuk contoh terkini).

implikasi penting untuk identifikasi efek dinamika minat.

2.2 Untuk apa VAR panel digunakan?

dengan metode Monte Carlo yang sederhana.

Panel VAR khususnya cocok untuk menganalisis transmisi idiosinkratik

meningkatkan output domestik, pekerjaan, konsumsi, dan investasi, diteruskan ke

factorso bagian lintas perusahaan AS.

krisis baru-baru ini (Ciccarelli et al., 2012b).

adalah apakah bank diasuransikan atau tidak oleh regulator.

2.3 Apakah mereka konsisten dengan teori ekonomi?

karakteristik yang berbeda dari inovasi model teoretis tetapi

menyediakan pan event yang, secara probabilistik, cukup jauh.

3 Estimasi formulir berkurang

saling ketergantungan dinamis ini diperbolehkan untuk. Demi kelengkapan, keduanya

3.1 Panel VAR tanpa saling ketergantungan dinamis

memerlukan perbedaan spesifikasi, membuang informasi sampel dan dapat membuat

model stasioner dan non stasioner. Secara umum, masalah inkonsistensi

d it 1 8 "i (8 & O'd it- # (` itu (8)

estimator kemungkinan maksimum parameter akan konsisten, bahkan dengan H pendek.

tidak berkorelasi dengan istilah kesalahan.

Ketika H dan D berukuran sedang dan heterogenitas dinamis diduga, beberapa

bentuk npartial poolingomungkin membantu meningkatkan kualitas estimasi koefisien

dengan & # 1 * )) / , & $ 1)) * / , & % 1 ) ) / dan & & 1) ) / .

itu 1 & , '& " i (( i" ' (& , ' it- # (S t