Diterjemahkan dari bahasa Inggris ke bahasa Indonesia - www.onlinedoctranslator.

com

Diterima: 3 Februari 2021

DOI: 10.1111/sjpe.12275

ARTIKEL ASLI

Mengukur efektivitas kebijakan moneter

AS selama resesi COVID-19

Martin Feldkircher1 |Florian Huber2|Michael Pfarrhofer2

1Sekolah Studi Internasional Wina (DA),

Wina, Austria Abstrak
2Universitas Salzburg, Salzburg, Austria Resesi akibat COVID-19 yang dimulai pada bulan Maret 2020

menyebabkan penurunan aktivitas ekonomi yang belum pernah terjadi

Korespondensi
Martin Feldkircher, Sekolah Studi sebelumnya di seluruh dunia. Untuk melawan resesi ini, pembuat
Internasional Wina (DA), Wina, Austria. Surel:
kebijakan di bank sentral melakukan kebijakan moneter ekspansif.
martin.feldkircher@da-vienna.ac.at
Makalah ini menanyakan apakah langkah-langkah yang diambil oleh
Informasi pendanaan
Federal Reserve (Fed) AS telah efektif dalam meningkatkan aktivitas riil
Dana Sains Austria (FWF), Nomor
Hibah/Penghargaan: ZK 35 dan menenangkan pasar keuangan. Untuk mengukur efek ini pada

frekuensi tinggi, kami mengusulkan model autoregresif vektor frekuensi

campuran (MF-VAR) yang baru. Model ini memungkinkan kita untuk

menggabungkan informasi mingguan dan bulanan dalam kerangka

terpadu. Model kami menggabungkan serangkaian agregat

makroekonomi seperti produksi industri, tingkat pengangguran, dan

inflasi dengan informasi frekuensi tinggi dari pasar keuangan seperti

harga saham, selisih suku bunga, dan informasi mingguan mengenai

ukuran neraca The Fed. Kumpulan rangkaian waktu frekuensi tinggi

yang terakhir digunakan untuk menginterpolasi rangkaian waktu

bulanan secara dinamis untuk memperoleh ukuran makroekonomi

mingguan. Kami menggunakan pengaturan ini untuk mensimulasikan

kontrafaktual ketika tidak ada stimulus moneter. Hasilnya menunjukkan

bahwa ekspansi moneter menyebabkan pertumbuhan output dan imbal

hasil pasar saham yang lebih tinggi, kondisi pembiayaan jangka panjang

yang lebih menguntungkan, dan depresiasi dolar AS dibandingkan

dengan skenario acuan tanpa kebijakan.

KATA KUNCI

model frekuensi campuran, efektivitas kebijakan moneter,

kebijakan moneter inkonvensional

Scott J Polit Econ.2021;68:287–297. wileyonlinelibrary.com/journal/sjpe © 2021 Masyarakat Ekonomi Skotlandia|287

288 | FELDKIRCHERDll.

JELKLASIFIKASI

E52; E58; H12

1|PERKENALAN

Pembatasan di seluruh dunia untuk membendung penyebaran virus corona baru (COVID-19) memicu penurunan tajam aktivitas ekonomi

global, jatuhnya perdagangan, dan peningkatan pengangguran yang parah. Perkiraan pertama untuk tahun 2020 menunjukkan adanya

kontraksi yang cukup besar pada produk domestik bruto (PDB) di sebagian besar negara maju (McKibbin & Fernando, 2020). Saat ini, tingkat

keparahan krisis ekonomi Amerika sebanding dengan Depresi Besar pada tahun 1930an. Para pembuat kebijakan merespons dengan cepat,

dengan paket stimulus fiskal yang belum pernah terjadi sebelumnya, yang besarnya mencapai hampir 15% dari PDB global.1Senada dengan

itu, bank sentral juga memberikan stimulus dengan melonggarkan kebijakannya. Di banyak negara berkembang, bank sentral berhasil

memperkenalkan bentuk pelonggaran kuantitatif untuk pertama kalinya (Arslan dkk., 2020; Hartley & Rebucci, 2020), sementara di negara maju

yang memiliki ruang kebijakan, pelonggaran sebagian besar dilakukan dalam bentuk penurunan suku bunga, yang lebih lanjut memfasilitasi

penggunaan paket stimulus fiskal.

Di Amerika Serikat, dampak ekonomi dari pandemi ini sangat terasa pada pasar tenaga kerja: lapangan kerja
turun tajam dan upah dipotong (Cajner dkk., 2020; Kurmann dkk., 2020). Hal ini sangat melemahkan permintaan
dan inflasi. Sebagai gambaran, berdasarkan sebagian besar indikator ekonomi, kontraksi perekonomian AS
sebanding dengan Depresi Besar pada tahun 1930-an yang merupakan kemerosotan aktivitas ekonomi terbesar
dan terpanjang dalam sejarah AS.2
Iklim bisnis yang negatif juga menghambat pasar keuangan, dengan jatuhnya harga saham lebih parah dibandingkan krisis

sebelumnya yang dipicu oleh wabah penyakit menular (Baker et al., 2020). Sehubungan dengan itu, pasar Treasury AS mengalami

aksi jual yang tajam, yang menyebabkan lonjakan imbal hasil jangka panjang (Schrimpf et al., 2020). Bank Sentral AS (Fed)

menanggapinya dengan beberapa langkah termasuk pembukaan fasilitas kredit untuk mendukung pasar yang tidak berfungsi dan

tindakan yang bertujuan untuk mengurangi tekanan arus kas bagi usaha kecil dan menengah, serta pemerintah daerah. Namun,

tindakan yang paling menonjol adalah mengembalikan suku bunga kebijakan ke batas bawah nol dan melanjutkan pembelian

bulanan surat berharga dalam jumlah besar (segera senilai 80 miliar dolar AS dan total hingga 700 miliar dolar AS dalam beberapa

bulan mendatang).

Tulisan ini mencoba memberikan penilaian awal mengenai seberapa sukses pelonggaran moneter di Amerika Serikat dalam

menstabilkan harga dan memberikan stimulus pada perekonomian. Salah satu kekhawatiran ketika menilai efektivitas respons

kebijakan secara real-time adalah frekuensi rendah dari banyak agregat makroekonomi (yang sebagian besar tersedia dalam

frekuensi bulanan atau triwulanan). Bahkan jika kita mengandalkan data bulanan, kita hanya memiliki sedikit pengamatan yang

dapat kita gunakan untuk menyimpulkan dampak kebijakan moneter selama krisis COVID-19 terhadap beberapa jumlah penting

yang menjadi perhatian para pembuat kebijakan. Untuk tujuan ini, kami meminjam kekuatan dari data yang tersedia pada frekuensi

lebih tinggi. Rangkaian waktu ini sering kali diambil sampelnya pada frekuensi harian atau mingguan dan memungkinkan kita

menyusun ukuran mingguan produksi industri, inflasi, dan pengangguran. Hal ini dicapai dalam kerangka multivariat yang koheren

yang memungkinkan interaksi dinamis antara kuantitas makroekonomi dan keuangan yang dipertimbangkan.

1Untuk gambaran umum mengenai langkah-langkah kebijakan ini, lihat bruegel.org/publications/datasets/covid-national-dataset.

2Namun, perbandingan langsung terhadap PDB penuh dengan kesulitan pengukuran. Meskipun demikian, beberapa perbandingan kasar dapat dibuat. Pertama, proyeksi perekonomian AS

saat ini menunjukkan resesi yang parah dengan kontraksi PDB yang besarnya sama dengan yang terjadi pada masa Depresi Besar, namun menunjukkan pemulihan yang cepat setelahnya.

Sebaliknya, Depresi Hebat adalah resesi yang sangat berkepanjangan yang mencapai titik terendah dalam aktivitas ekonomi setelah empat tahun. Tingkat pengangguran AS, meningkat

selama tahun 2020 dari 3,5% pada bulan Februari menjadi hampir 15% pada bulan April sebelum menurun pada bulan-bulan berikutnya, menjadi sekitar 7,9% pada bulan September. Selama

Depresi Hebat, pengangguran tidak meningkat tajam pada bulan-bulan awal resesi, namun secara bertahap meningkat menjadi 25% pada tahun 1933 dan bertahan di atas 10% sepanjang

tahun 1930an (Wheelock, 2020).

FELDKIRCHERDll. |289

Kerangka ekonometrik yang diusulkan adalah autoregresi vektor frekuensi campuran (MF-VAR, lihat Schorfheide & Song, 2015)

yang memodelkan semua variabel pada frekuensi mingguan. Dengan menggunakan representasi ruang keadaan dari sistem

multivariat, kami menyusun kembali kuantitas frekuensi rendah dalam komponen mingguan dengan selisih antara nilai observasi

bulanan. Pengamatan yang hilang ini selanjutnya diestimasi dengan mempertimbangkan properti model dan menggunakan deret

waktu berfrekuensi lebih tinggi secara dinamis. Metode seperti ini telah banyak digunakan pada tahun-tahun belakangan ini untuk

meningkatkan akurasi prediksi dari ramalan atau perkiraan sekarang, sebagian besar dengan menghubungkan rangkaian data

seperti produk domestik bruto ke beberapa rangkaian frekuensi tinggi yang memiliki daya prediksi untuk kuantitas frekuensi

rendah (lihat Cimadomo & D'Agostino , 2015; Cimadomo et al., 2020; Schorfheide & Song, 2015, dan banyak lainnya).

Kerangka kerja ekonometrik terkait juga telah digunakan untuk analisis struktural (lihat, misalnya, Ferrara & Guerin, 2018;

Foroni & Marcellino, 2014; Ghysels, 2016; Marcellino & Sivec, 2016; McCracken et al., 2015). Ghysels (2016) memberikan pembahasan
komprehensif tentang inferensi struktural menggunakan data frekuensi campuran. Dia berpendapat bahwa penggunaan frekuensi

yang lebih tinggi dan lebih rendah secara bersamaan memperkenalkan beberapa kasus menarik mengenai potensi pembatasan

waktu sehubungan dengan guncangan laten dan teramati serta menghubungkan pendekatan berbasis VAR dengan regresi

pengambilan sampel data campuran (MIDAS). McCracken dkk. (2015), misalnya, mempertimbangkan perbedaan dampak

guncangan kebijakan moneter yang bergantung pada bulan mana guncangan tersebut terjadi. Foroni dan Marcellino (2014)

menanyakan apakah data frekuensi campuran membantu menelusuri dampak guncangan kebijakan moneter dalam konteks model

keseimbangan umum stokastik dinamis (DSGE) dan menjawab pertanyaan ini dengan tegas.

Pendekatan kami memiliki semangat yang paling dekat dengan Marcellino dan Sivec (2016), dalam arti bahwa kami

mengandalkan metode struktural yang sudah ada dalam konteks lingkungan data frekuensi campuran. Kami menggunakan model

kami untuk mensimulasikan dampak guncangan kebijakan moneter. Dengan menggunakan guncangan ini, kita dapat menghitung

dekomposisi historis mingguan dan melakukan skenario kontrafaktual untuk menyelidiki dampak kebijakan moneter terhadap

perekonomian AS. Hasilnya menunjukkan bahwa tanpa ekspansi moneter, aktivitas perekonomian AS akan jauh lebih rendah.

Dengan kata lain, The Fed sejauh ini telah berhasil meredam dampak ekonomi dari krisis COVID-19. Dampak positif terhadap

pertumbuhan output didukung oleh peningkatan imbal hasil pasar saham, pelonggaran kondisi pembiayaan jangka panjang, dan

depresiasi dolar AS. Sebaliknya, dampaknya terhadap inflasi dan tingkat pengangguran tidak signifikan secara statistik.

Sisa dari makalah ini disusun sebagai berikut. Bagian 2 menjelaskan secara singkat kumpulan data dan model ekonometrik

yang digunakan, sedangkan Bagian 3 menunjukkan hasil utama. Pada bagian ini, kita membahas reaksi dinamis terhadap

guncangan kebijakan moneter dan membahas dekomposisi historisnya. Terakhir, bagian terakhir merangkum dan menyimpulkan

makalah secara singkat.

2| EMPI RI CAL FR AMEWORK

2.1| Model VAR frekuensi campuran

Sebagaimana dinyatakan di bagian pendahuluan, salah satu permasalahan utama dalam menilai dampak kebijakan moneter terkait COVID-19

secara memadai adalah rentang waktu ketersediaan data yang sangat singkat. Untuk memberikan perkiraan yang tepat waktu, kita dapat

fokus pada variabel frekuensi tinggi seperti selisih suku bunga atau harga saham. Namun hal ini biasanya tidak menjadi kepentingan langsung

para pembuat kebijakan. Di kalangan pembuat kebijakan, menilai dampak intervensi kebijakan moneter terhadap output, inflasi, dan pasar

tenaga kerja adalah hal yang relevan. Sayangnya, untuk semua variabel tersebut, kita hanya memiliki sedikit pengamatan, sehingga sulit

melakukan penilaian yang memadai terhadap efektivitas kebijakan.

Sebagai solusinya, kami mengusulkan untuk memasangkan panel indikator mingguan, yang terdapat dalam W-vektor dimensi(W), T
sebuah dengan indikator bulanan yang disimpan dalam sebuahMvektor -dimensi
T
(W)dalam MF-VAR. Vektor-vektor ini dijalankan dariT=1, …,T,

denganTmenunjukkan jumlah minggu dalam sampel kami. Mengikuti Schorfheide dan Song (2015), kami berasumsi demikian(W) T

adalah ukuran mingguan laten dari indikator frekuensi rendah.

290 | FELDKIRCHERDll.

Salah satu tujuan utamanya adalah untuk (W)untuk mendapatkan ukuran mingguan dari variabel frekuensi rendah.
T
menyimpulkan bahwa hal ini dicapai dengan T= (kamu
T
(M),kamu(W))�, yang merupakan( =MM+MW)vektor -dimensi, dan asumsi
T
mendefinisikan bahwa hal tersebut mengikuti VAR(P) proses:

T=C+A1kamuT−1+… +APkamuT-P+T, T∼ (0M, ΣT) (1)

Di manaCadalah×1-vektor intersep, danAP= (P=1,…,P)adalah×Mmatriks koefisien yang terkait dengan lag ke-thT.Tadalah proses

Gaussian white noise dengan matriks varians-kovarians yang bervariasi terhadap waktuT. Untuk mempercepat komputasi dan

berasumsi bahwa guncangan COVID-19 menyebabkan peningkatan tajam dalam varian kondisional semua elemen dalamT, kami

memperkenalkan model volatilitas stokastik umum (CSV) yang awalnya diusulkan di Carriero dkk. (2016).

Beberapa makalah membahas metode untuk memperkirakan model VAR sehubungan dengan guncangan yang sangat
beragam seperti yang terjadi selama pandemi (Huber et al., 2021; Lenza & Primiceri, 2020; Schorfheide & Song, 2020). Pendekatan

kami paling mirip dengan Lenza dan Primiceri (2020), yang menemukan bahwa keseluruhan dinamika makroekonomi dan

hubungan lintas variabel selama bulan-bulan pandemi konsisten dengan periode sebelum pandemi. Mereka mengusulkan matriks

varianskovarians VAR untuk mengikuti distribusi campuran, menurunkan bobot observasi luar untuk memungkinkan estimasi

matriks koefisien yang stabil.

Kami berasumsi demikianTdidorong oleh faktor skalar sehingga:

T=eHT× Σ,

Dan Tberevolusi menurut proses AR(1):

T=H+H(HT−1-H) +ht, T∼ (0, 1) .

Di Sini,mikroHmenunjukkan mean tanpa syarat,ρHparameter autoregresif dan 2varians

H
kesalahan. Tsim-

ply menskalakan matriks varians-kovarians waktu-invarian Σ. Hal ini memungkinkan kita untuk menangkap perubahan umum yang tiba-tiba

dalam varians sambil membiarkan hubungan yang ada pada saat itu tidak berubah seiring berjalannya waktu. Faktor skala umumHTbertindak

serupa dibandingkan dengan kerangka yang diusulkan dalam Lenza dan Primiceri (2020) dan menunjukkan lonjakan besar selama pandemi.

Hal ini mengurangi bobot pengamatan pandemi di bagian belakang seluruh koefisien lainnya, sehingga memungkinkan untuk memperkirakan

MF-VAR dengan koefisien yang konstan (tanpa mempengaruhi perkiraan secara signifikan) bahkan ketika menghadapi outlier besar yang

dihasilkan oleh pandemi. Persamaan (1) dapat dituangkan dalam bentuk pendampingnya:

zT=FzT−1+T, (2)

dengan T= (kamu�,…,kamu�
T T-P+1
, 1)�dan menjadi×Kmatriks pendamping (untuk =PM) dengan yang pertamaMbaris yang diberikan oleh

A1,…,AP,C). Baris yang tersisa didefinisikan untuk mengembalikan identitas sedemikian rupa sehingga T−j=kamuT−juntukJ=1,…,P-1. PertamaM
elemennyaηTsama denganεT, sedangkan semua elemen lainnya sama dengan nol.

Nilai-nilai yang hilang diTdapat diperoleh dengan mengartikan Persamaan (2) sebagai persamaan evolusi keadaan yang memberikan informasi

bagaimana unsur-unsur masukzT(dan dengan demikianT) terkait dari waktu ke waktu.

Konsisten dengan Mariano dan Murasawa (2003), kami berasumsi bahwa nilai bulanan yang diamati kami (M), yang
T
nyatakan denganXT(M), terkait dengan (M)sebagai
T
berikut:

( )
X(M)= kamu(M)+kamu(M)+kamu(M)+kamu(M) ∕4.
(3)
T T T-1 T-2 T-3

Inilah yang disebut pembatasan antarwaktu. Pembatasan spesifik secara inheren terikat pada transformasi apriori dari data yang

mendasarinya. Data dalam tingkat log sering kali menggunakan pembatasan melalui rata-rata seperti dalam Schorfheide dan Song (2015),

sementara ini diterjemahkan menjadi skema segitiga untuk data yang dimodelkan dalam perbedaan log periode demi periode, lihat Mariano

dan Murasawa (2003) untuk detailnya. Untuk analisis empiris kami, semua variabel dimasukkan ke dalam model sebagai log tahun ke tahun
FELDKIRCHERDll. |291

perbedaan. Persamaan Pembatasan (3) diperoleh dengan mengasumsikan bahwa pengamatan bulanan pada tingkat log adalah

rata-rata pengamatan mingguan laten yang sesuai pada bulan yang bersangkutan (untuk rinciannya, lihat Lampiran A).

Perhatikan bahwa asumsi ini menyiratkan bahwa setiap bulan memiliki tepat empat minggu (dan dengan demikian kita mengurangi

empat minggu per tahun untuk mencapai 48 minggu).3Tentukan matriks seleksi(M)yang sama dengan matriks identitas dalam waktuThanya
T
pada minggu terakhir suatu bulan dan sama dengan matriks nol untuk tiga minggu awal, dan Λ(M)adalah matriks sedemikian rupa sehingga:

X(M)=S(M)X(M)=S(M)Λ(M)zT.
T T T T

Untuk indikator mingguan, kami berasumsi bahwa identitasX(W)=kamu

T
(W)berlaku jika kumpulan datanya seimbang. Jika
T
beberapa nilai mingguan hilang, kami memperkenalkan matriks seleksi terpisah(N)dengan
T
X(N)=S(TN)kamu(TN). Mengikuti
T
Schorfheide dan Song (2015), persamaan observasi yang menghubungkan besaran laten yang diamati adalah:

XT=ℳTΛzT. (4)

Di Sini,XT= (X(M
T
)�,X(W)�)�,adalah matriks seleksi dan Λ terdiri dari Λ(M)dan vektor seleksi yang tepat untuk
T
memilih besaran frekuensi tinggizT.
Mengikuti literatur terkait tentang VAR skala menengah hingga besar dan MF-VAR, kami memperkirakan model menggunakan

metode Bayesian yang sudah mapan (Bańbura dkk., 2010; Carriero dkk., 2015, 2016; Koop dkk., 2020; Schorfheide & Lagu, 2015). Ini

menyiratkan bahwa kita perlu menentukan prior pada semua parameter model. Membiarkan 2untuk
M
=1,…,Mmenunjukkan varians sisa regresi AR(4) independen dari variabel yang menggunakan T.Dalam makalah ini, kami

pengaturan sebelumnya berikut:

• Untuk koefisien VAR, kami mengandalkan konjugasi tipe Minnesota sebelumnya (mirip dengan Schorfheide & Song, 2015).
Kami menumpuk koefisiennyaA= (A1,…,AP,C)�dalam sebuah(MP+1)×1-vektor= vektor(A) .Yang sebelumnya mengambil formulir
( )
∼ A , Σ⊗Ξ ,denganA ,Ξ menunjukkan hyperparameter. Rata-rata sebelumnya adalahA =0[M(MP+1)].Elemen diagonal
dariΞ = diagram( {Saya}Mp+1) ,ditetapkan sebagai berikut:
Saya=1

⎧
⎪ 2∕(P 2×S)2M , untuk kelambatanP variabelM,Saya=M(P−1)+MSaya
1
Saya=⎨
2,
⎪ 3
untukMP+1 (mencegat).
⎩

Hyperparameternya adalah1= 0,2(mengatur ketatnya keseluruhan sebelumnya),2= 1(lag-peluruhan) dan3= 10

(mencegat).

• Pada parameter persamaan keadaanT, kami menggunakan Beta sebelumnya pada koefisien autoregresif yang
diubah H+1)∕2∼ℬ (5, 1.5), prior yang terdistribusi normal pada mean Gamma tak bersyarat H∼ (0, 100)dan sebuah

2∼ (1∕2, 1∕2) .
sebelumnya
H
• Terakhir, kami menggunakan invers Wishart yang kurang informatif sebelumnya∼ℐ (S ,ay ) ,dengan momen sebelumnya yang diberikan

oleh = (ay -M-1)×diagram(S2,…,S2)Danay =M+2.

1 M

Estimasi dilakukan dengan menggunakan algoritma Markov chain Monte Carlo (MCMC) yang dibahas dalam Schorfheide dan

Song (2015) dan diimplementasikan secara efisien dalam paket Rmfbvar(Ankaragren & Yang, 2019).

3Kami menggunakan solusi praktis ini untuk mendapatkan kumpulan data mingguan yang seimbang dengan menggunakan data pada empat minggu pertama setiap bulan dan

membuang beberapa minggu berikutnya setelahnya. Karena minggu terkadang mencakup dua bulan, kami mengalokasikannya berdasarkan hari kerja yang ditetapkan pada saat

penerbitan seri masing-masing. Untuk kumpulan rangkaian harian per minggu, kami mengalokasikan minggu-minggu yang tumpang tindih dengan dua bulan berdasarkan pada bulan

mana sebagian besar hari kerja berada.

292 | FELDKIRCHERDll.

2.2| Data

Analisis kami berfokus pada reaksi indeks harga konsumen (CPIAUCSL), tingkat pengangguran (UNRATE) dan produksi industri

(INDPRO) terhadap pelonggaran kebijakan moneter. Semua variabel fokus ini berada pada frekuensi bulanan. Variabel dengan

frekuensi lebih tinggi sebagian besar terdiri dari indikator keuangan. Secara khusus, kami memasukkan jumlah uang beredar (M2)

sebagai variabel kebijakan, yaitutingkat ekspektasi inflasi lima tahun ke depan(T5YIFR) untuk mengukur ekspektasi inflasi berbasis

pasar, indikator komposit NASDAQ (NASDAQCOM), indikatorNilai tukar dolar AS/euro (DEXUSEU) dantingkat jatuh tempo konstan

perbendaharaan sepuluh tahun(WGS10YR). Sebagai ukuran tekanan finansial, kami mengandalkanIndeks volatilitas CBOE(VIX,
VIXCLS).

Periode sampel berlangsung dari minggu pertama tahun 2011 hingga minggu ke 24 tahun 2020 (akhir minggu: 8 Juni 2020) dan diambil

dari database FRED Federal Reserve Bank of St. Louis. Jika data mentah untuk variabel keuangan berada pada frekuensi yang lebih tinggi

daripada mingguan (yaitu, harian untuk T5YIFR, NASDAQCOM, DEXUSEU, VIXCLS), kami mengambil nilai akhir minggu. Semua variabel

dimasukkan ke dalam model sebagai log-difference dari tahun ke tahun. Kami memilihP=12 lag (kelambatan mingguan selama 3 bulan).

3|SKENAR IO DAN ANALISIS KONTERFAKtual ADALAH

Pada bagian ini, kami mengkaji dampak perluasan jumlah uang beredar AS terhadap output, inflasi, tingkat pengangguran
dan beberapa indikator keuangan. Berikut ini, kita melanjutkan dalam dua langkah.
Pertama, kami melihat kemungkinan keseluruhan model kami dengan memeriksa fungsi respon impuls. Untuk tujuan tersebut, kami

mengandalkan skema identifikasi rekursif sederhana dengan mengurutkan variabel bulanan terlebih dahulu, diikuti oleh M2. Terakhir, kami

memasukkan semua indikator mingguan lainnya. Perhatikan bahwa skema rekursif sederhana ini menyiratkan tidak ada batasan pada variabel

frekuensi rendah. Secara khusus, dalam penerapan kita, dekomposisi Cholesky menyatakan bahwa tidak ada efek yang terjadi bersamaan

dengan indikator frekuensi tinggi terhadap inflasi, output dan tingkat pengangguran, sebuah asumsi yang disetujui oleh sebagian besar

ekonom. Hal ini juga berkaitan dengan pembahasan kita sebelumnya tentang inferensi struktural dalam model data frekuensi campuran.

Ghysels (2016) menyatakan bahwa guncangan frekuensi tinggi biasanya teridentifikasi dengan baik dalam model VAR frekuensi campuran,

namun mengidentifikasi dampak rangkaian frekuensi rendah lebih sulit. Fokus kami adalah mengidentifikasi guncangan pada rangkaian

frekuensi tinggi, dan pembatasan yang kami terapkan menyiratkan bahwa guncangan pada variabel frekuensi rendah menyebabkan respons

yang sama pada variabel frekuensi tinggi.4Hal ini konsisten dengan anggapan bahwa rangkaian laten dapat diartikan sebagai menangkap

ekspektasi variabel frekuensi rendah sehubungan dengan kumpulan data frekuensi tinggi secara real time.

Kami mengambil pandangan luas mengenai bagaimana kebijakan moneter diukur dalam model kami dengan melihat perluasan M2. Hal

ini mencerminkan kedua langkah yang baru-baru ini diambil oleh The Fed, yaitu pemotongan suku bunga besar-besaran yang disertai dengan

dimulainya program pembelian aset mereka. Meskipun kebijakan moneter konvensional terutama dilakukan melalui stimulasi permintaan

agregat, kebijakan moneter konvensional mempengaruhi perekonomian melalui saluran penyeimbangan kembali portofolio. Singkatnya, jika

bank sentral membeli aset keuangan dari pasar, imbal hasil aset tersebut akan menurun dan investor yang bertujuan untuk memulihkan

durasi portofolionya akan mencari aset dari pasar lain. Hal ini menghasilkan pelonggaran menyeluruh terhadap kondisi pembiayaan secara

keseluruhan sehingga meningkatkan investasi perusahaan dan rumah tangga, permintaan agregat dan pertumbuhan harga. Untuk ringkasan

yang bagus, lihat Joyce dkk. (2012). Memang benar, literatur empiris yang mengkaji dampak pelonggaran kuantitatif selama krisis keuangan

global menunjukkan dampak positif terhadap harga ekuitas, terutama karena pelonggaran tersebut mengurangi jangka waktu atau premi

risiko melalui efek keseimbangan portofolio (Gagnon et al., 2011; Rogers et al., 2014) , likuiditas pasar (Christensen & Gillan, 2013; Christensen

& Krogstrup, 2015), PDB riil dan inflasi (Chung et al., 2012).

4 Perhatikan bahwa guncangan terhadap rangkaian selain pengukuran frekuensi tinggi M2 hanya merupakan kepentingan tidak langsung. Namun, perlu disebutkan bahwa
mengandalkan MF-VAR dengan guncangan laten dapat mengakibatkan potensi masalah pembatasan waktu, yang dapat mengubah fungsi respons impuls (untuk diskusi
dan pendekatan alternatif, lihat Ghysels, 2016).
FELDKIRCHERDll. |293

GAMBAR 1Respon impuls berfungsi terhadap guncangan deviasi satu standar hingga M2. Catatan: Respons median di
samping kelompok kredibel posterior 90 persen. Garis horizontal hitam menandai nol

Hasilnya digambarkan pada Gambar 1 yang menunjukkan median posterior (garis padat) dengan interval kredibel
90%. Gambar tersebut menunjukkan bahwa guncangan ekspansif terhadap jumlah uang beredar (M2) secara signifikan
meningkatkan pertumbuhan output dan menurunkan tingkat pengangguran. Efek ini cukup persisten dan terjadi secara
perlahan. Kami tidak menemukan dampak kenaikan yang signifikan terhadap inflasi, meskipun kami telah memasukkan
ekspektasi inflasi yang secara umum dapat membantu memitigasi teka-teki harga (Castelnuovo & Surico, 2010) yang
sering dijumpai dalam studi empiris. Temuan ini dapat dijelaskan oleh periode waktu yang dipertimbangkan, yang ditandai
dengan rendahnya tingkat suku bunga dan inflasi. Mengenai variabel keuangan, kami melihat adanya efek kenaikan yang
signifikan dan terus-menerus terhadap imbal hasil ekuitas, depresiasi dolar AS, dan penurunan imbal hasil jangka panjang.
VIX juga segera meningkat, yang mungkin terkait dengan kenaikan imbal hasil ekuitas yang positif dan nyata.
Kesimpulannya, pendekatan frekuensi campuran menghasilkan fungsi respons impuls yang sejalan dengan prediksi
sebagian besar studi empiris mengenai dampak kebijakan moneter.
Selanjutnya, kami membuat skenario kontrafaktual. Untuk tujuan tersebut, kami membangun dekomposisi historis yang

menjelaskan penyimpangan deret waktu dari trennya akibat guncangan ke persamaan dalam sistem. Menetralisir guncangan

terhadap jumlah uang beredar setelah krisis COVID-19 menghasilkan skenario kontrafaktual untuk menjawab pertanyaan

bagaimana pertumbuhan output, pengangguran, dan inflasi akan berkembang tanpa The Fed memberikan stimulus moneter. Kami

memilih minggu terakhir bulan Februari (minggu kedelapan tahun 2020) sebagai observasi pertama pada periode pandemi.

Hasilnya digambarkan pada Gambar 2. Pada panel atas, kami menunjukkan evolusi rangkaian aktual (garis hitam tebal)
dan respons berdasarkan skenario kontrafaktual (area berarsir abu-abu, garis putus-putus) serta interval kredibel 90%.
Karena pergerakan frekuensi tinggi dari variabel frekuensi rendah diperkirakan dalam kerangka MF-VAR, kami juga
menggambarkan interval yang kredibel untuk sejarah evolusi mingguan inflasi, tingkat pengangguran dan pertumbuhan
output (garis tipis hitam).
Hasilnya menunjukkan bahwa pertumbuhan output akan lebih lemah tanpa stimulus kebijakan moneter yang diberikan oleh

The Fed. Temuan ini mungkin disebabkan oleh pengaruh kuat kebijakan moneter terhadap variabel-variabel keuangan: imbal hasil

ekuitas akan jauh lebih rendah dan imbal hasil jangka panjang akan lebih tinggi jika tidak ada kebijakan. Analisis tersebut juga

menunjukkan bahwa kebijakan moneter memicu depresiasi nilai tukar yang lebih kuat dan karenanya meningkatkan daya saing

eksternal perekonomian AS. Sebaliknya, kontrafaktual tidak menunjukkan pengaruh yang signifikan terhadap pengangguran dan

inflasi. Mengingat tertundanya respons terhadap pengangguran yang dibahas dalam konteks fungsi respons impulsif, hal ini

mungkin merupakan artefak dari periode kontrafaktual yang dianggap terlalu singkat untuk mendeteksi dampak perluasan.

Untuk menyelidiki signifikansinya secara lebih sistematis, panel bawah Gambar 2 menyajikan perbedaan
respons dalam skenario tanpa kebijakan dan skenario kebijakan beserta interval kredibel 90%. Analisis itu
294 | FELDKIRCHERDll.

Seri (padat, hitam) dan kontrafaktual (putus-putus, abu-abu)

Perbedaan (skenario kontrafaktual aktual)

GAMBAR 2Analisis kontrafaktual untuk tahun 2020 berdasarkan penetapan guncangan yang teridentifikasi pada M2 setelah
permulaan krisis COVID-19 (minggu terakhir bulan Februari 2020, minggu kedelapan) menjadi nol. Catatan: Garis hitam solid
menggambarkan evolusi sebenarnya dari rangkaian tersebut (di samping 90 persen kumpulan kredibel posterior untuk variabel
bulanan), garis putus-putus di samping area berwarna abu-abu (kumpulan kredibel posterior 90 persen) menunjukkan
kontrafaktual (panel atas). Bagian belakang perbedaan antara skenario aktual dan kontrafaktual (panel bawah). Garis hitam
horizontal menandakan angka nol, dan garis merah vertikal menandakan awal masa pandemi [Gambar berwarna dapat dilihat di
wileyonlinelibrary.com]

menguatkan temuan di atas bahwa kebijakan moneter menyebabkan pertumbuhan output yang lebih tinggi, peningkatan imbal hasil ekuitas

dan pelonggaran kondisi pendanaan jangka panjang. Hal ini juga menyebabkan nilai dolar AS lebih rendah secara signifikan.

4|KATA PENUTUP

Dalam catatan ini, kami memberikan investigasi empiris pertama mengenai dampak kebijakan moneter AS dalam merangsang

pertumbuhan sebagai respons terhadap COVID-19. Untuk tujuan tersebut, kami memperkirakan MF-VAR pada data bulanan dan

mingguan. Model ini memungkinkan kita memperkirakan ukuran mingguan produksi industri, inflasi, dan tingkat pengangguran.

Kami kemudian mensimulasikan dampak kebijakan moneter ekspansif dan menilai dampaknya terhadap variabel endogen dalam

model.

Hasilnya menunjukkan bahwa Bank Sentral AS berhasil menstimulasi pertumbuhan berkat harga saham yang lebih tinggi dan kondisi

pendanaan jangka panjang yang lebih menguntungkan. Selain itu, kebijakan moneter juga memicu depresiasi dolar AS yang mendukung daya

saing eksternal perekonomian AS. Sebaliknya, kami tidak menemukan dampak signifikan terhadap pengangguran dan inflasi, keduanya

merupakan variabel yang biasanya bereaksi lebih lambat terhadap stimulus ekonomi.
FELDKIRCHERDll. |295

UCAPAN TERIMA KASIH

Kami ingin mengucapkan terima kasih kepada editor Peter Smith, Gian-Luca Melchiorre dan dua wasit anonim atas
komentar dan saran yang berharga. Huber dan Pfarrhofer mengucapkan terima kasih atas dukungan finansial dari
Austrian Science Fund (FWF, hibah no. ZK 35).

ID ORC
Martin Feldkircher https://orcid.org/0000-0002-5511-9215

REFERENSI
Ankaragren, S., & Yang, Y. (2019). Model Bayesian VAR frekuensi campuran di R: Paket mfbvar.Mimeo. Teknis
Laporan. https://cran.r-project.org/web/packages/mfbvar/index.html
Arslan, Y., Drehmann, M., & Hofmann, B. (2020). Pembelian obligasi bank sentral di negara-negara emerging market.Buletin BIS,
20. https://www.bis.org/publ/bisbull20.htm
Baker, S., Bloom, N., Davis, S., Kost, K., Sammon, M., & Viratyosin, T. (2020). Dampak pasar saham yang belum pernah terjadi sebelumnya
COVID 19.Seri kertas kerja NBER,26945. https://ideas.repec.org/s/nbr/nberwo.html
Bańbura, M., Giannone, D., & Reichlin, L. (2010). Regresi otomatis vektor Bayesian besar.Jurnal Ekonometrika Terapan,
25(1), 71–92.
Cajner, T., Crane, L., Decker, RA, Grigsby, J., Hamins-Puertolas, A., Hurst, E., Kurz, C., & Yildirmaz, A. (2020). Amerika Serikat
pasar tenaga kerja selama awal pandemi.Seri kertas kerja NBER,27159. https://ideas.repec.org/p/bfi/ wpaper/
2020-58_revision.html
Carriero, A., Clark, TE, & Marcellino, M. (2015). Nowcasting real-time dengan model frekuensi campuran Bayesian dengan sto-
volatilitas chastik.Jurnal Royal Statistics Society. Seri A (Statistik dalam Masyarakat),178(4), 837.
Carriero, A., Clark, TE, & Marcellino, M. (2016). Volatilitas drifting yang umum terjadi pada Bayesian VAR yang besar.Jurnal Bisnis &
Statistik Ekonomi,34(3), 375–390.
Castelnuovo, E., & Surico, P. (2010). Kebijakan moneter, ekspektasi inflasi, dan teka-teki harga*.Jurnal Ekonomi,
120(549), 1262–1283.
Christensen, JHE, & Gillan, JM (2013).Apakah pelonggaran kuantitatif mempengaruhi likuiditas pasar?Seri Kertas Kerja 2013–26.
Bank Sentral Federal San Francisco.
Christensen, JH, & Krogstrup, S. (2015). Transmisi pembelian aset: Peran cadangan.Surat Ekonomi FRBSF.
https://ideas.repec.org/a/fip/fedfel/00060.html
Chung, H., Laforte, JP, Reifschneider, D., & Williams, JC (2012). Apakah kita sudah meremehkan kemungkinannya
dan tingkat keparahan peristiwa batas bawah nol?Jurnal Uang, Kredit dan Perbankan,44, 47–82. https://doi. org/
10.1111/j.1538-4616.2011.00478.x
Cimadomo, J., & D'Agostino, A. (2015). Menggabungkan variasi waktu dan frekuensi campuran: Analisis terhadap pemerintahan
pengganda pengeluaran di Italia.Jurnal Ekonometrika Terapan,31(7), 1276–1290. https://doi.org/10.1002/jae.2489 Cimadomo, J.,
Giannone, D., Lenza, M., Monti, F., & Andrej, S. (2020). Nowcasting dengan autoregresi vektor Bayesian yang besar
sion.Seri Kertas Kerja ECB,2453. https://ideas.repec.org/p/ecb/ecbwps/20202453.html
Ferrara, L., & Guerin, P. (2018). Apa dampak makroekonomi dari guncangan ketidakpastian yang sering terjadi?Jurnal dari
Ekonometrika Terapan,33(5), 662–679. https://doi.org/10.1002/jae.2624
Foroni, C., & Marcellino, M. (2014). Model struktural frekuensi campuran: Identifikasi, estimasi, dan analisis kebijakan.
Jurnal Ekonometrika Terapan,29(7), 1118–1144. https://doi.org/10.1002/jae.2396
Gagnon, J., Raskin, M., Remache, J., & Sack, B. (2011). Dampak pasar keuangan dari Federal Reserve berskala besar
pembelian aset.Jurnal Internasional Perbankan Sentral,7(1), 3–43.
Ghysels, E. (2016). Makroekonomi dan realitas data frekuensi campuran.Jurnal Ekonometrika,193(2), 294–314.
https://doi.org/10.1016/j.jeconom.2016.04.008
Hartley, J., & Rebucci, A. (2020). Sebuah studi peristiwa pelonggaran kuantitatif bank sentral COVID-19 di negara maju dan berkembang
perekonomian.Seri kertas kerja NBER,27339. https://www.nber.org/papers/w27339
Huber, F., Koop, G., Onorante, L., Pfarrhofer, M., & Schreiner, J. (2021). Nowcasting dalam kondisi pandemi menggunakan non-parametrik
VAR frekuensi campuran.Jurnal Ekonometrika, Akan datang. https://www.sciencedirect.com/science/article/pii/
S0304407620303936
Joyce, M., Miles, D., Scott, A., & Vayanos, D. (2012). Pelonggaran kuantitatif dan kebijakan moneter yang tidak konvensional – Sebuah pengenalan
pengurangan.Jurnal Ekonomi,122(564), F271–F288. https://doi.org/10.1111/j.1468-0297.2012.02551.x
Koop, G., McIntyre, S., Mitchell, J., & Poon, A. (2020). Pertumbuhan output regional di Inggris: Lebih tepat waktu
dan perkiraan frekuensi yang lebih tinggi dari tahun 1970.Jurnal Ekonometrika Terapan,35(2), 176–197. https://doi.org/10.1002/ jae.2748
296 | FELDKIRCHERDll.

Kurmann, A., Lale, E., & Ta, L. (2020).Dampak COVID-19 terhadap lapangan kerja dan jam kerja di AS: Perkiraan real-time dengan data domestik
data dasar. Laporan Teknis mimeo. Sekolah Tinggi Bisnis LeBow, Universitas Drexel.
Lenza, M., & Primiceri, G. (2020). Cara memperkirakan VAR setelah Maret 2020.Seri Kertas Kerja ECB.2461. https://ide.
repec.org/p/ecb/ecbwps/20202461.html
Marcellino, M., & Sivec, V. (2016). Guncangan moneter, fiskal dan minyak: Bukti berdasarkan FAVAR struktural frekuensi campuran.
Jurnal Ekonometrika,193(2), 335–348. https://doi.org/10.1016/j.jeconom.2016.04.010
Mariano, RS, & Murasawa, Y. (2003). Indeks siklus bisnis baru yang kebetulan berdasarkan rangkaian bulanan dan triwulanan.
Jurnal Ekonometrika Terapan,18(4), 427–443. https://doi.org/10.1002/jae.695
McCracken, MW, Owyang, M., & Sekhposyan, T. (2015). Peramalan real-time dengan frekuensi campuran yang besar, Bayesian
VAR.Makalah Kerja FRB St,2015-30. https://research.stlouisfed.org/wp/more/2015-030
McKibbin, W., & Fernando, R. (2020). Dampak makroekonomi global dari COVID-19: Tujuh skenario.CAMA bekerja-
seri kertas,19/2020. https://cama.crawford.anu.edu.au/publication/cama-working-paper-series/16221/globa l-
macroeconomic-impacts-covid-19-seven-scenarios
Rogers, JH, Scotti, C., & Wright, JH (2014). Mengevaluasi dampak pasar aset dari kebijakan moneter yang tidak konvensional: A
perbandingan lintas negara.Makalah Diskusi Keuangan Internasional, Dewan Gubernur Federal Reserve System (AS),
1101. https://www.federalreserve.gov/econres/ifdp/evaluating-asset-market-effects-of-
unconventionalmonetary-policy-a-cross-country-comparison.htm
Schorfheide, F., & Lagu, D. (2015). Perkiraan waktu nyata dengan VAR frekuensi campuran.Jurnal Bisnis & Ekonomi
Statistik,33(3), 366–380. https://doi.org/10.1080/07350015.2014.954707
Schorfheide, F., & Lagu, D. (2020). Perkiraan real-time dengan VAR frekuensi campuran (standar) selama pandemi.
Makalah Kerja Federal Reserve Bank of Philadelphia,20-26. https://ideas.repec.org/p/fip/fedpwp/88332.html Schrimpf, A., Shin,
H., & Sushko, V. (2020). Leverage dan margin meningkat di pasar pendapatan tetap selama krisis Covid-19.
Buletin BIS. Laporan Teknis 2,2. https://ideas.repec.org/p/bis/bisblt/2.html
Wheelock, DC (2020). Membandingkan resesi COVID-19 dengan depresi besar.Sinopsis Ekonomi,2020(39).
1–4. https://doi.org/10.20955/es.2020.39

Cara mengutip artikel ini:Feldkircher M, Huber F, Pfarrhofer M. Mengukur efektivitas kebijakan moneter
AS selama resesi COVID-19.Scott J Polit Econ. 2021;68:287–297.https://doi.org/10.1111/
sjpe.12275
FELDKIRCHERDll. |297

LAMPIRAN A

DER I PPN STR TIK INTERTEMPOR AL Membiarkandan(

T(M))menunjukkan tingkat log dari masing-masing kuantitas frekuensi rendah yang diamati setiap bulan
dan menunjukkan proses mingguan laten yang tidak pernah diamati (dalam level log) olehdan(Y(MT)).

Level log dari rangkaian mingguan yang diamati dikumpulkan dalam vektordan(Y(W)). Semua Tseri ini disertakan dalam model

kami sebagai perbedaan tahun ke tahun. Ingatlah bahwa kita berasumsi bahwa setiap tahun terdiri dari 48 minggu. Ini menyiratkan

bahwaX(W)=catatan( T T(W)) −catatan( T(W )) =

-48
Δcatatan(
48 T(W)), dan karenanya,(W)= ΔT 48lihatlah G(Y( W
)iklan
)N
T
(M)= Δ (( ))
48catatanYM .
T T
Konsisten dengan asumsi pembatasan untuk data tingkat log dalam Schorfheide dan Song (2015) dan turunannya dalam

Mariano dan Murasawa (2003), pembatasan kami adalah sebagai berikut:

( )
)
danT(M)=catatanY(TM + catatanY(M)+catatanY(M)+catatanY(M) ∕4,
T-1 T-2 T-3

yaitu, pengukuran bulanan dikaitkan dengan pengukuran mingguan yang tidak teramati dengan membuat rata-rata pada minggu-minggu tertentu dalam bulan tersebut.

Mengambil perbedaan dari tahun ke tahun akan menghasilkan

(( )( )( )( ))
(M)=
dan T(M)-catatan T-48 catatanY(M)-catatanY(M)
T T-48
+ catatanY(M)-catatanY(M)
T-1 T-49
+ catatanY(M)-catatanY(M)
T-2 T-50
+ catatanY(M)-catatanY(M)
T-3 T-51
∕4.

Dengan menggunakan notasi tingkat pertumbuhan tahun-ke-tahun yang diperkenalkan di atas, hal ini menghasilkan spesifikasi yang tepat dari

pembatasan antarwaktu dalam Persamaan (3):

( )
X(M)=kamu(M)+kamu(M)+kamu(M)+kamu(M) ∕4.
T T T-1 T-2 T-3