文 | 许文立 许坤  

 

宏观经济学经验研究的识别问题向来很困难，因为政府并不会随机的选择政策工具来干预经济社会发展。相反，美联储雇佣几百位经济学博士来仔细分析经济数据，并内生地作出货币政策决策。经验宏观经济学研究有一个非常重要的分支就是尝试识别宏观经济政策中的外生变动部分，并用这个部分去评估政策效应。这类研究称为直接因果推断。

 

但是，经验宏观经济学研究的直接因果推断存在一个严重的问题：我们试图寻找的“自然实验”极其稀少。从一般的经验研究评价框架来看，内部有效性和外部有效性是评价经验研究的两个方面。前者是指一个研究关于因果效应的统计推断对于所研究的总体和环境是有效的，后者是指一个研究的结论能推广至其他总体和环境，具体参见《应用计量经济学讲稿：第五讲》。内部有效性问题在微观计量经济学的因果推断中已经详细论述（注：评价内部有效性的两个方面：OLS估计量无偏和一致；标准误得到的置信区间有合意的置信水平。而估计量有偏的原因主要有五个方面：(1)遗漏变量偏误；(2)回归函数误设；(3)变量的测量误差；(4)样本选择偏误；(5)双向因果。这些问题都有相应的改善方法，具体参见《应用计量经济学讲稿：第六讲-第八讲》）。而外部有效性则甚少关注，Stock and Watson（2015）在其“计量经济学导论”中只是提到要在经验研究开始前就做好研究设计，以避免外部有效性问题。但是，宏观经济学中外部有效性问题则十分常见。第一个外部有效性问题是由于政策的动态性质使得这些政策具有高维性，例如，一些政策仅仅影响短期预期，另一些政策同时影响短期和长期预期，还有一些政策影响未来几年内的政策预期。识别出一个政策冲击在某一时点的效应，并不意味着就识别出了该政策在不同时点的效应。第二个外部有效性问题是财政政策效应依赖于货币政策的响应，而货币政策的效应依赖于财政政策的响应。第三个外部有效性问题是财政政策和货币政策依赖于经济的松紧与开放程度有所不同。第四个外部有效性问题是政策干预的突然性既会影响经济的响应程度，也会影响经济的响应起点。

 

上述外部有效性问题意味着即使我们找到了能识别得非常干净的政策实验，识别结果也仅仅为我们提供了未来的政策如何影响经济的一个局部评估。

 

正因为上述问题，经验宏观经济学的研究者们通常采用结构模型。这类研究更加关注数据矩，并详细讨论数据矩以区分不同模型。这类推断中的因果效应估计（即，已识别的结构冲击的响应）应该是模型所需匹配的目标矩——无条件均值、方差和协方差等。Nakamura, E., & Steinsson, J. (2018)将“已识别的结构冲击的响应估计值”称为“识别矩（identified moments）”——应用微观经济学称其为“因果效应”（注：“识别矩”对国内大部分应用微观计量研究者可能比较奇怪。在常见的计量经济学中，需要识别的是参数，而不是矩。而本文是从更广义的角度来用“矩”指代目标统计量——研究者想要模型匹配的统计量。而用“识别”是因为我们脑中的目标统计量是因果效应参数的估计值，或者宏观经济学家所称的已识别结构冲击的响应估计值，它们都与简单的无条件矩——均值、方差和协方差——相对。）。

 

识别矩对于区分不同类型的宏观经济模型特别有用。

 

案例一：区分不同DSGE模型——RBC和NK

 

一种方法是利用完全信息结构估计法——极大似然估计法和贝叶斯估计法。另一张方法就是RBC模型的传统方法——匹配无条件均值、方差和协方差。（注：具体论述可参见“关于DSGE模型的几点回应” ）例如，Rotemberg and Woodford（1997）、CEE（2005）估计了产出和通胀对已识别货币政策冲击的响应，并用这些响应估计值区分不同的经济周期模型。Gali（1999）、Basu et al.（2006）用产出和劳动时间对已识别生产率冲击的响应区分不同模型。

 

案例二：cross-sectional识别策略

 

最近越来越多的文献利用cross-sectional识别策略——地理分解的面板数据集（geographically disaggregated panel datasets）——来研究政策的宏观经济因果效应。最显著的例子就是用该方法来估计地方政府的财政支出乘数。虽然，地区财政乘数并不能直接回答国家层面的财政刺激效应，但是，地区财政乘数在区分不同经济周期模型方面具有极大的优势（Nakamura and Steinsson,2014）。那些能匹配地区较大乘数的模型意味着产出对需求冲击有较强的响应。在这些模型中，当货币政策受到ZLB约束时，总的乘数很大。正因为如此，近期的地区财政乘数的估计为总的财政刺激效应提供了强有力的间接推断。

 

案例三：政策实施时点的随机变动

 

很多学者都利用财政刺激时点的随机变动来估计季度边际消费倾向（Johnson et al.，2006; Parker et al.，2013）。Kaplan and Violante（2014）用这些估计量区分了不同消费动态模型。他们支持那些增加非流动性资产的模型。

 

识别矩所依赖的识别假设具有非常大的争议。那么，为什么还要使用这些矩？这种方法相对于简单的无条件矩具有什么优势呢？一个优势是，在某些情形下，模型匹配识别矩的能力主要依赖于模型的部分模块，而对模型其他模块的误设不敏感。（注：本文用识别矩来讨论矩匹配问题是相对于Chetty（2009）的充分统计量来说的。）

 

许文立，安徽大学经济学院/宏观经济研学会

许坤，中国人民大学财政与公共政策研究所/宏观经济研学会

 

文献：Nakamura, E.,& Steinsson, J. (2018). Identification inmacroeconomics. Journal of Economic Perspectives, 32(3), 59-86.