简述货币政策效应非对称性
时间:2022-01-18 02:46:00
导语:简述货币政策效应非对称性一文来源于网友上传,不代表本站观点,若需要原创文章可咨询客服老师,欢迎参考。
一、引言
20世纪20年代以前,经济学家普遍认为,扩张性货币政策与紧缩性货币政策在实施效果上是对称的,在经济不景气的时候,政府可以通过施行扩张性货币政策,有效刺激经济增长,同样,在经济过度繁荣的时候,政府可以实施紧缩性货币政策有效防止通货膨胀,抑制经济过热。然而,20世纪30年代末,人们开始怀疑扩张性货币政策的有效性,1929~1933年经济大萧条期间,为了刺激经济复苏,美联储实施一系列扩张性货币政策,如美国3个月的国债率从1929年的5%下降到1932年的1%以下,但收效甚微。据此,凯恩斯提出了流动性陷阱。他指出,美国实施的一系列扩张性货币政策使得其经济系统陷入了流动性陷阱,导致货币政策失效。自此,经济学家开始思考货币政策效果的非对称性。近几十年来,随着经济、金融危机的频频爆发,货币政策已经成为中央银行实施宏观调控、应对危机的重要工具。2007年金融危机爆发后,我国宏观调控倾向于采取适度宽松的货币政策和积极的财政政策,央行连续降低人民币和外币存款利率以后,货币供给和流动性已经出现了明显的松动,4万亿元财政资金强力启动内需,确实十分明显地促进了经济增长,然而却也伴随着30年来史上最高的通货膨胀,面对持续走高的通胀问题,央行在2011年6月20日再次上调存款准备金率0.5个百分点,这已经是央行当年第6次,同时也是2010年以来的第12次上调准备金率。此后,央行在2011年基本上保持着准备金率“一月一调”的节奏。此外,2010年以来,央行已经5次加息,这样大力度的紧缩性货币政策是否能够有效地遏制通货膨胀的持续上涨,在我国经济运行当中货币政策是否也具有一定程度的非对称性,这是同宏观经济决策密切相关的重要问题,也是一个需要加以检验的实证问题。在此背景下,本文结合我国实际经济条件,采用较新的“有向无环图”技术识别SVAR,从“货币渠道”和“信贷渠道”两方面实证研究我国货币政策产出效应和价格效应在方向上的非对称性问题,从而为我国宏观政策当局提供理论分析和实证检验的参考依据。最早对货币政策在效果方向上的非对称性进行研究的是Cover(1992),随后国内外很多学者进行效仿。该文通过1951:1~1987:4的季度数据,运用两步OLS方法检验正负货币供给冲击对产出影响的非对称性。结果表明,无论在影响程度上还是在统计显著性上,负向货币供给冲击对产出的影响都要大于正向货币供给冲击对产出的影响,从而证实了货币政策效应非对称性的存在。随后,国内外众多学者对货币政策在效果方向上的非对称性问题进行了广泛的研究,但综合这些文献来看,对不同方向货币政策的识别方法主要有两种:一种是构建货币供给方程,由残差项识别,如Cover(1992)、ShahidMalik(2013)、黄先开和邓述慧(2000)、陆军、舒元(2002)、冯春平(2002)、张暾等(2013)等人的研究;第二种是通过HP滤波等时间趋势分析法对货币政策工具变量直接进行分析,如刘金全(2002)、邱宜欣、刘召虹(2012)、胡臻(2013)等人的研究。本文考虑到货币供给方程的构建并没有统一的理论依据,现有文献构建的货币供给方程也各有不同,因此本文采用第二种方法,即通过时间趋势分析分解出不同方向的货币政策进行分析。同时,现有文献大多只是对产出或价格方程进行OLS回归,考察不同方向货币政策的系数,或者采用VAR从单一货币政策传导渠道考察货币政策在方向上的非对称性,研究方法上具有一定的局限性。本文采用较新发展的“有向无环图技术(DAG)”识别SVAR模型的扰动项结构,采用脉冲响应分析和预测误差分解的方法,从“货币渠道”和“信贷渠道”两个层面实证检验我国货币政策产出效应和价格效应在方向上的非对称性,在一定程度上克服了传统VAR及SVAR模型中格兰杰因果检验不能刻画变量间同期因果关系以及传统choleskey分解方法受变量主观排序影响的局限,提高了本文研究结论的可信性。本文余下部分的结构安排为:第二部分是实证模型及方法;第三部分是变量选择以及数据说明;第四部分是实证结果及分析;第五部分是本文的结论。
二、实证模型及方法
1.有向无环图(DAG)有向无环图主要通过计算一系列变量之间的相关系数矩阵来分析判断这些变量之间是否存在因果关系,尤其是同期因果关系,图中的方向代表因果,但不存在闭合回路,因此名叫有向无环图(DirectedAcyclicGraphs)。与传统的granger因果检验不同,有向无环图可以检验变量之间的同期相关性,从而避免传统方法在SVAR的识别问题中受到变量次序影响较大的问题。下面具体介绍有向无环图是如何体现变量之间的因果关系的。对于变量X,Y和Z,如果Y和Z的无条件相关系数不为零,但在给定X的条件相关系数为零,我们则可以说X既是Y也是Z的原因,记作Y←X→Z;反之,如果X和Z的无条件相关系数为零,但在给定Y下的条件相关系数不为零,则称X和Z都是Y的原因,记作:X→Y←Z。有向无环图由点和连结它们的有向边组成,反映变量之间的同期因果关系。具体来说,若变量X和Y的连结方式是X→Y,表明X和Y存在同期因果关系,且X是引起Y变化的原因;若X和Y的连结方式是X-Y,表明X和Y存在同期因果关系,但它们谁是因谁是果还不明确;若X和Y的连结方式是XY,表明X和Y是相互独立的,不存在同期因果关系。Spirtesetal(1993)、PeterSpirtes(2005)对DAG的画法提出和完善了PC算法。该算法的具体做法是,首先从“完全无向图”出发,各个变量(顶点)之间均存在连线(边),当某两个变量之间的相关系数或条件相关系数在某一给定显著性水平下为0时,则移去这两个变量之间的连线。该算法首先计算变量的相关系数(可理解成0阶条件相关系数),移去相关系数为0的变量之间的连线,紧接着计算变量的1阶条件相关系数,移去1阶条件相关系数为0的变量之间的连线,这样推进下去,直到分析完变量的N-2阶条件相关系数(N为变量的个数)。本文采用Fisher'sZ统计量来推断某两个变量之间的相关系数是否显著异于0。z(籽(i,j|k)n)=12(n-k-3)1/2×ln(1+(籽i,j|k))×1-(籽,i,j|k)-1→→其中n为用来估计相关系数的观测值个数,籽(i,j|k)是序列i和序列j在给定序列k的总体条件相关系数,k是k中变量个数,即计算条件相关系数的阶数。若i、j、k均服从正态分布,则z(籽(i,j|k)n)-z(r(i,j|k)n)也服从正态分布,其中r(i,j|k)为样本条件相关系数。在完成上述步骤后,我们需要为保留下来的连线画出方向,即确定保留连线的变量之间的因果关系方向。主要借助“相邻(adjacent)”和“隔离集(sepset)”两个概念。两个变量之间存在连线,我们称该两个变量是相邻的,否则则称该两个变量是不相邻的;隔离集是指使得某两个变量之间的连线被移去的条件变量,即使得某两个变量的条件相关系数为0的条件变量,例如,若籽(i,j|k)为0,则称k为i,j的隔离集。这样一来,我们可以很方便的给出有向无环图的方向。例如,若X和Y相邻,Y和Z相邻,但X和Z不相邻,即X-Y-Z,如果Y不在X和Z的隔离集里,则我们可以确定这3个变量的有向无环图为X→Y←Z。2.SVAR模型缩减型VAR只能描述各个内生变量的动态形成过程,注重内生变量的“跨期”相关性,而没有考虑内生变量的同期相关性,而SVAR则可以根据相关理论设定变量之间的因果关系。SVAR(P)模型定义如下:Ayt=pi=1移A*iyt-i+Bεt其中,yt为一个K维向量,结构性扰动项被假定为白噪声过程,P为滞后阶数,上式左乘A-1后可以得到缩减型VAR模型,如下所示:yt=籽i=1移A-1A*iyt-i+A-1Bεtyt=籽i=1移Aiyt-i+滋t可见,通过对A、B矩阵施加约束,可以识别出SVAR模型的扰动项冲击,而由对A、B矩阵施加约束类型的不同,SVAR模型可以分为如下三种情况(详细请参阅Pfaff(2006)):(1)B被设定为单位阵,这种情况下,最少需要施加约束条件个数为K(K-1)/2。(2)A被设定为单位阵,这种情况下,最少需要施加约束条件个数也为K(K-1)/2。(3)AB矩阵均被施加约束,这种情况下,最少需要施加的约束条件个数为K2+K(K-1)/2本文采用第(1)种方式,结合DAG分析对SVAR模型施加约束。A矩阵的非对角元素反映了变量之间的同期相关关系即因果关系。克服了传统的Cholesky分解识别SVAR中主观设定变量次序所带来的偏误,更准确地反映了数据的真实生成过程。
三、变量与数据
1.变量选择《中国人民银行法》规定了我国货币政策的最终目标是“促进经济增长、实现充分就业、保持物价稳定和国际收支平衡”。结合我国现实国情,在金融危机的冲击下,我国经济增长放缓,通货膨胀高涨,因此,在这种情况下,笔者认为应当将经济增长和物价稳定作为我国货币政策的两个最主要的最终目标。因此,本文选取产出GDP和消费者价格指数CPI作为衡量和评价我国货币政策效果的指标。考虑到货币政策的传导渠道主要是“货币渠道”和“信贷渠道”,本文选取广义货币供给量M2和金融机构人民币各项贷款余额L作为货币政策工具变量,由于GDP数据只有季度数据,本文选取工业企业增加值Y作为产出水平的替代变量。2.数据来源及处理本文所采用的数据除工业增加值Y①来自wind数据库外,其他数据全部来自中经网统计数据库,其中CPI经笔者自己换算成定基比数据,选取1998年12月作为基期,全部数据的时间范围是1999年1月至2013年5月。为了消除季节性因素,本文对所有的变量采用X-12的方法进行了季节性调整,为了降低数据的异方差性,本文对各变量进行了自然对数化处理,处理后的变量名都在原来的基础上加上前缀“L”。需要特别指出的是,本文采用Hodrick-Precott滤波法对不同方向上的货币政策进行识别,对于某一特定的经济时间序列{St},包含趋势成分和波动成分。可以采用HP滤波将其波动成分和趋势分离出来,具体做法如下:minTt=1移(St-STt)2+姿Tt=1移[(STt+1-STt)-(STt-STt-1)]2移移其中STt为趋势项,姿取值一般由序列的时间频率决定,本文采用月度数据,姿取14400。本文采用HP滤波对LM2和LL进行分析,识别出货币政策的方向。具体波动成分结果如图1所示。由此可以定义出货币政策的不同方向如下:μm+=max(CLM,0)μ-m=min(CLM,0),μL+=max(CLM,0)μ-L=min(CLM,0)其中,μ+m代表扩张性货币供给政策,μ-m代表紧缩性货币供给政策;μ+L代表扩张性信贷政策,μ-L代表紧缩性信贷政策。
四、实证结果及分析
1.单位根检验为了增加实证结论的稳健性,本文分别采用ADF和PP法检验各变量的平稳性。检验结果如表1所示。两种检验方法一致表明,产出水平LY、物价水平LCPI、LM2、LL均为非平稳的I(1)过程,μm+、μ-m、μ+L、μ-L都是平稳的。2.协整检验在构建SVAR模型前,先对变量进行Johansen协整检验,以选择合适的SVAR模型。考虑如下的误差修正模型:驻Xt=μ+HXt-1+ki=1移追i驻Xt-1+et其中,Xt是(n×1)维向量,驻为一阶差分算子,μ为截距向量,追(i=1,2...k)为(n×n)阶系数矩阵,et为残差序列,矩阵H反应了n个变量的长期均衡关系,决定了VAR的正确形式:譹訛当H矩阵的秩为0时,n个变量不存在协整关系,应选择一阶差分VAR形式;譺訛当秩大于0小于k时,变量间存在协整关系,可选择水平VAR形式或采用VECM模型。在单位根检验的基础上,对各非平稳变量进行Johansen协整检验,结果如表2所示。从表2可看出,迹检验和最大特征根检验结果一致,都表明在5%的显著性水平下无法拒绝“协整向量个数为0”的原假设。因此,各变量之间不存在协整关系,本文将LY及LCPI进行一阶差分,与四个政策变量平稳序列的水平值构建VAR。3.各变量的因果关系的DAG分析对各变量的水平VAR模型进行估计后,可得到各变量的残差相关系数矩阵,如下所示:利用上述相关系数矩阵,我们采用PeterSpirtes(2005)的PC算法,对变量之间的同期因果关系进行DAG分析,为后面SVAR的识别提供依据。首先,我们从“完全无向图”出发,然后利用上述相关系数矩阵,采用TETRAD软件对各变量之间的无条件相关系数和偏相关系数进行计算,去掉无条件相关系数和偏相关系数不显著的变量之间的连线,最后确定连线的方向。参照杨子晖(2007)的研究,对于样本容量不大的情况,选取较高的显著性水平,如20%。结果显示,dly与的相关系数为0.013,其P值则高达0.8651,远大于20%,因此我们认为它们之间不存在同期因果关系并移除之间的连线,同理,dly与μ+L、dly与μ-L、dlcpi与μ-m、dlcpi与μ+L、μ-m与μ+L、μ+L与μ-L、μ+m与μ-L之间的无条件相关系数或偏相关系数的P值分别为0.25、0.82、0.87、0.34、0.27、0.64、0.27,因而认为均不存在同期因果关系,移除它们之间的连线。最后,进一步依据前面所述的隔离集,明确各变量间的因果方向,结果如图2所示。4.基于DAG的SVAR估计在上一节DAG分析的基础上,我们得出了各变量之间的同期因果关系,据此,我们设定SVAR的约束矩阵形式为:由此,可以估计出SVAR模型,进一步分析货币政策在方向上的非对称性。(1)货币政策产出效应在方向上的非对称性。对产出进行脉冲响应分析,如图3所示,货币供给政策对产出的影响具有非对称性。具体表现在:扩张性货币供给冲击对产出的影响比较慢,在第3期达到最大,货币供给量增加1%,产出增加0.02个百分点,随后逐渐降低,并收敛于0;紧缩性货币供给冲击对产出的影响较快,货币供给减少1%,当期产出水平减少0.04个百分点,随后逐渐减少,并收敛到0。同时,相较于货币供给政策,信贷政策对产出的影响较小,但也存在非对称性。表现在:扩张性信贷政策对产出的影响比较慢,政策存在滞后性,在第2期影响达到最大,随后逐渐降低并收敛于0;紧缩性信贷政策对产出的影响比较快,不存在时滞性。为了进一步检验上述结果的稳健性,我们对SVAR展开预测方差分解,结果列于表3。方差分解分析的结果显示,从第3个月开始,产出水平的波动有近10%来自货币供给的冲击,而信贷冲击的解释程度不足2%,说明相较于“信贷渠道”,“货币渠道”是我国现阶段货币政策传导的主要途径;在中长期,扩张性货币供给政策冲击对产出水平波动的解释程度仅为2%,而紧缩性货币供给政策冲击对产出的波动解释程度为8%,扩张性信贷政策冲击对产出波动的解释程度非常小,仅为0.6%,紧缩性信贷政策冲击对产出波动的解释程度则为1.2%,说明我国货币政策的产出效应在方向上存在非对称性。表现为:相较于扩张性货币政策,紧缩性货币政策对产出的影响更大,这与前面脉冲响应分析的结果是一致的。(2)货币政策价格效应在方向上的非对称性。同理,对价格水平进行脉冲响应分析,结果如图4所示,货币政策价格效应在方向上也存在明显的非对称性。扩张性货币供给政策冲击对价格的影响几乎不存在时滞,当期就有一个微小的正向效应,随后逐渐降低,最后收敛于0;紧缩性货币供给政策冲击对价格的影响则相对较慢,存在时滞,大约在3个月后对价格波动的抑制作用达到最大,随后逐渐降低,并收敛于0;扩张性信贷政策冲击对价格的影响比较慢,存在时滞,在第20个月达到最大,随后逐渐降低,并收敛于0;紧缩性信贷政策冲击对价格的影响则比较快,当期就对价格产生抑制效果,当金融机构各项贷款余额减少1%时,价格水平增长率当即下降0.002个百分点,随即抑制效果慢慢降低,最后收敛于0。另外,从图4还可以看出,相比货币供给政策冲击而言,信贷政策冲击对价格的影响更大,表明我国货币政策对价格水平的传导途径以“信贷渠道”为主。为了进一步验证上述结果的稳健性,我们对上述“有向无环图”下的SVAR中价格水平展开预测方差分解,结果列于表4。预测方差分解分析结果显示,货币政策的价格效应存在非对称性。具体来看,从第一期开始,扩张性货币供给政策冲击对价格波动的影响程度便达1.4%,明显大于紧缩性货币供给政策冲击对价格波动的影响程度;信贷政策冲击对价格波动的贡献率大于货币供给政策,进一步证实我国货币政策对价格的传导途径以“信贷渠道”为主。扩张性信贷政策冲击对价格波动的影响比较慢,在中长期对价格波动的贡献率达到15%;而紧缩性信贷政策冲击对价格波动的影响则比较快,第一期对价格波动的贡献率便达到40%,中长期对价格波动的贡献率约9%,可见,短期来看,紧缩性信贷政策冲击对价格波动产生比较大的影响,但中长期来看,扩张性信贷政策冲击对价格波动产生比较大的影响。
五、研究结论与启示
本文采用新发展的DAG技术识别SVAR模型,从“货币渠道”和“信贷渠道”两个方面实证检验我国货币政策的产出效应和价格效应在方向上的非对称性,并比较了“货币渠道”和“信贷渠道”对实体经济影响的有效性,从而为我国宏观政策当局提供理论分析和实证检验的参考依据。与以往SVAR模型采用传统识别方法不同,本文采用的DAG技术是一个客观数据决定(data-determined)分析方法,不仅能够客服传统choleski分解方法依赖变量顺序的局限,而且还能反映变量之间的同期因果关系,在一定程度上大大提高了本文研究的合理性和科学性。采用DAG技术研究发现,紧缩性货币供给政策到经济增长存在同期因果关系,扩张性货币供给政策和紧缩性信贷政策到价格存在同期因果关系。我们由此对VAR的残差项进行结构性分解识别SVAR,并通过脉冲响应分析和预测方差分解分析发现,我国货币政策的产出效应与价格效应具有不同的传导途径,货币政策对产出的影响以“货币渠道”传导为主,而对价格的影响则以“信贷渠道”传导为主。同时,本文的研究发现,我国货币政策的产出效应和价格效应在效果方向上均存在明显的非对称性。◇扩张性货币供给政策冲击及信贷政策冲击对产出水平的影响时效慢,影响程度比较小,而紧缩性货币供给政策冲击及信贷政策冲击对产出水平的影响时效快,影响程度大;这与Cover(1992)、RenéGarcia&HuntleySchaller(1999)、ShahidMalik(2013)、陆军、舒元(2002)、刘金全(2002)等人的研究结论完全一致。◇扩张性货币供给政策冲击对价格水平的影响时效快,而紧缩性货币供给政策冲击对价格水平的影响时效慢。扩张性信贷政策冲击对价格水平的影响时效慢,而紧缩性信贷政策冲击对价格水平的影响时效快,在短期,紧缩性信贷政策对价格水平具有较大影响,而在中长期,扩张性信贷政策对价格水平具有较大影响。这与邱宜欣、刘召虹(2012)等人的研究结果相似。这些结论表明,在产出水平低,物价低的经济萧条期,施行扩张性的货币政策更倾向于提高物价水平,而对产出水平的促进作用则相对不够有效,而在产出水平高,通胀水平高的经济繁荣期,紧缩性的货币政策则更倾向于降低产出水平,而在治理通胀的能力方面则显得不够,说明单独采用货币政策调控宏观经济具有一定的局限性,政策当局应当合理搭配其他政策工具才能有效调控宏观总体经济运行情况。
作者:陈浪南 张华 单位:中山大学
- 上一篇:劳动力供应与货币供应研究
- 下一篇:美国汇率政治视角分析
精品范文
10简述教学规律