লোকাল প্রজেকশন: ইমপালস রেসপন্স কীভাবে অনুমান করবেন

Impulse-response function (IRF) কোনো নির্দিষ্ট পরিবর্তন বা shock-এর পর outcome কীভাবে বদলায় তা বর্ণনা করে। গবেষক জানতে চাইতে পারেন, অপ্রত্যাশিত সুদের হার বৃদ্ধির পর output কীভাবে সাড়া দেয়, নির্দিষ্ট তারিখের announcement-এ কোনো security কীভাবে প্রতিক্রিয়া জানায়, অথবা শনাক্ত করা risk shock-এর পর portfolio কীভাবে বদলায়। বিভিন্ন horizon-এর path দেখায় প্রভাব কখন দেখা দেয়, কখন সবচেয়ে বড় হয় এবং কত দিন স্থায়ী হয়।

“Shock” শব্দটির স্পষ্ট সংজ্ঞা দরকার। policy rate, market price বা trading signal-এ দেখা কোনো পরিবর্তন নিজে থেকেই অপ্রত্যাশিত structural shock হয়ে যায় না। সেই পরিবর্তনে outcome সম্পর্কে তথ্যও থাকতে পারে। বিশ্বাসযোগ্য identification strategy না থাকলে LP coefficient হলো controls-সাপেক্ষ association বা linear projection, causal response নয়।

ধরা যাক, \(y_t\) হলো outcome এবং \(s_t\) হলো shock measure। Horizon \(h\)-এর একটি প্রচলিত LP specification হলো:

\[ y_{t+h} = \alpha_h + \beta_h s_t + \sum_{j=1}^{p}\Gamma_{h,j}'W_{t-j} + \varepsilon_{t,h}. \]

এখানে \(h\) হলো shock-এর পর কটি period পেরিয়েছে, \(W_{t-j}\)-তে নির্বাচিত lagged controls থাকে, আর \(\beta_h\) হলো আগ্রহের coefficient। গবেষক \(h=0,1,2,\ldots\)-এর প্রতিটির জন্য আলাদা regression estimate করেন। \(\hat\beta_h\)-গুলোকে \(h\)-এর বিপরীতে plot করলে response path পাওয়া যায়। Structural shock এবং যথাযথ identification থাকলে এই path structural IRF estimate করতে পারে; না হলে এটি conditional predictive projection বর্ণনা করে।

Jordà-র মূল পদ্ধতির বৈশিষ্ট্য হলো, প্রতিটি আগ্রহের period-এর regression সরাসরি estimate করা—একটি dynamic system fit করে সেখান থেকে বারবার দূরের ভবিষ্যৎ forecast করা নয়। আলাদা estimate নমনীয়তা দেয়, তবে একক system-এর আরোপ করা smooth dynamics তারা নিজে থেকে ভাগ করে না।

প্রতিটি observation-এ shock-এর সময় \(t\)-কে outcome মাপার সময় \(t+h\)-এর সঙ্গে যুক্ত করুন। \(h=0\) হলে shock-এর সময়কার outcome দেখা হয়; \(h=6\) হলে ছয় period পরের outcome। Shock-এর তারিখ একই থাকে, শুধু dependent variable-এর পর্যবেক্ষণ-সময় বদলায়। তাই \(h\) বাড়লে sample-এর শেষে ব্যবহারযোগ্য row কমে। Response path একসঙ্গে পড়তে প্রতিটি regression-এ একই shock definition এবং তুলনাযোগ্য controls ব্যবহার করুন।

চলক ও তাদের scale না জানলে \(\beta_h\) ব্যাখ্যা করা যায় না। \(s_t=1\) যদি অপ্রত্যাশিত ২৫ basis-point policy-rate বৃদ্ধিকে বোঝায়, তবে \(\beta_h\) সেই আকারের shock-এর আনুমানিক প্রতিক্রিয়া। \(s_t\) percentage point-এ মাপলে coefficient প্রতি এক percentage-point shock-এর response দেয়। Shock-এর scale বদলালে সব coefficient একই অনুপাতে বদলে যায়।

Dependent variable-এর সংজ্ঞা ঠিক করে path-টি cumulative নাকি প্রতিটি period-এর পরিবর্তন দেখায়। যেমন, \(Y_t\) একটি ধনাত্মক output index হলে সংজ্ঞা হতে পারে:

\[ r_{t,h} = 100\,[\log(Y_{t+h})-\log(Y_{t-1})]. \]

তখন \(r_{t,h}\) হলো shock-এর আগের level থেকে horizon \(h\) পর্যন্ত index-এর আনুমানিক cumulative percentage change। Monthly output change-এর মতো অন্য outcome ভিন্ন প্রশ্নের উত্তর দেয়। Cumulative level response-কে শুধু \(h\)-তম মাসে ঘটে যাওয়া পরিবর্তন বলে বর্ণনা করবেন না।

ছোট পরিবর্তনের ক্ষেত্রে log difference-কে 100 দিয়ে গুণ করলে তা percentage change-এর আনুমানিক মান দেয়। Dependent variable cumulative log difference হলে \(\beta_h\) shock-এর ঠিক আগের baseline-এর তুলনায় \(h\) period পরের estimated level difference বোঝায়। Monthly growth rate ব্যবহার করলে প্রতিটি period-এর growth-rate response estimate হয়। শিরোনাম বা figure-এ শুধু “output response” লিখলে সংজ্ঞা অস্পষ্ট হতে পারে; level, cumulative change ও period-by-period change আলাদা করে লিখুন।

ধরা যাক, মাসিক একটি গবেষণায় \(s_t=1\) মানে অপ্রত্যাশিত ২৫ basis-point rate increase এবং ওপরের cumulative output measure ব্যবহার করা হয়েছে। নিচের সংখ্যা কেবল শেখানোর জন্য কাল্পনিক; বাস্তব data থেকে পাওয়া estimate নয়। প্রতিটি standard error-কে \(1.96\) দিয়ে গুণ করে শুধু pointwise হিসাব দেখানো হয়েছে।

এই উদাহরণে ছয় মাসের estimate shock-এর আগের level থেকে 0.60% নিচে, এবং এর pointwise interval-এ শূন্য নেই। বারো মাসের estimate কম ঋণাত্মক, কিন্তু interval-এ শূন্য আছে। শুধু এই তথ্য থেকে ছয় ও বারো মাসের মধ্যে recovery হয়েছে বলা যায় না: estimate-এ uncertainty আছে, horizon-গুলোর estimate পরস্পর correlated, আর overlap করা interval দুই horizon-এর পার্থক্য পরীক্ষা করে না। পুরো path নিয়ে দাবি করতে হলে উপযুক্ত contrast বা joint inference দরকার। এই সংখ্যা কোনো policy forecast নয়, বাস্তব অর্থনীতির ফলও নয়।

তালিকার ছয় মাসের মানের অর্থ এই নয় যে শুধু ষষ্ঠ মাসেই output 0.60% কমেছে। সংজ্ঞায়িত cumulative dependent variable অনুযায়ী, এটি shock-এর আগের baseline-এর তুলনায় output index-এর estimated level difference। একইভাবে, বারো মাসের interval-এ শূন্য থাকা প্রমাণ করে না যে ওই সময়ে প্রভাব শেষ হয়েছে; নির্বাচিত standard error ও pointwise হিসাব শূন্যকে বাদ দিতে পারেনি—এটুকুই বোঝায়। Confidence interval estimate-এর precision জানায়, sample ও identification-এর সীমা দূর করে না।

LP একটি estimation method; identification-এর জন্য প্রয়োজনীয় variation এটি নিজে দেয় না। গবেষক structural model, high-frequency surprise measure, বৈধ external instrument বা সমর্থনযোগ্য assumption-সহ research design দিয়ে shock নির্ধারণ করতে পারেন। প্রতিটি পদ্ধতিতে প্রমাণ দরকার যে shock-কে অন্য খবর এবং outcome থেকে ফিরে আসা feedback থেকে আলাদা করা যায়।

Controls গবেষণা প্রশ্নের সময়ক্রমের সঙ্গে মিলতে হবে। Shock-এর আগের lagged variable পূর্ববর্তী অবস্থা বিবেচনায় নিতে পারে। Shock-এর পর মাপা variable নিজেই shock-এর প্রতিক্রিয়া হতে পারে। এমন mediator-কে control করলে total response-এর অংশ বাদ পড়তে পারে বা নতুন bias তৈরি হতে পারে। Shock-এর ঠিক আগে কোন তথ্য পাওয়া গিয়েছিল তা লিখুন, এবং প্রতিটি control regression-এ কেন আছে তা ব্যাখ্যা করুন।

উল্লেখযোগ্য \(\hat\beta_h\) পেলেই দেখতে অপ্রত্যাশিত কোনো ঘটনা exogenous shock হয়ে যায় না। Anticipation, একই সময়ের announcement, measurement error, বদলে যাওয়া policy rule এবং sample selection যাচাই করুন। Finance-এ overlapping news বা common shock outcome-গুলোকে একসঙ্গে নাড়াতে পারে, যদিও গবেষণার event-টি কারণ না হয়।

External instrument ব্যবহার করলে instrument-টি আগ্রহের shock-এর সঙ্গে সম্পর্কিত—এটি দেখান এবং exclusion restriction ব্যাখ্যা করুন: ফলাফলে প্রভাব ফেলার অন্য কোনো পথ যেন না থাকে। High-frequency surprise measure-এর ক্ষেত্রে announcement window-তে কোন খবর একসঙ্গে এসেছে এবং দাম কত দ্রুত তথ্য ধারণ করে তা পরীক্ষা করুন। প্রথমে shock-এর identification যুক্তি স্থির করুন, তারপর সেটির response estimate করার LP বেছে নিন। Regression fit ভালো বা p-value ছোট হলেই identification assumption প্রমাণিত হয় না।

IRF estimate করার প্রতিদ্বন্দ্বী পদ্ধতি হিসেবে LP এবং vector autoregression (VAR) প্রায়ই পাশাপাশি উপস্থাপন করা হয়। Plagborg-Møller এবং Wolf দেখান, তথ্য ও identification সামঞ্জস্যপূর্ণ, shock normalization উপযুক্ত এবং lag structure unrestricted হলে দুই পদ্ধতি একই population response estimate করতে পারে। এটি একটি অভিন্ন estimand নিয়ে ফল; finite sample-এ estimate অবশ্যই এক হবে বা সব LP ও VAR একই restriction ব্যবহার করে—এমন দাবি নয়।

নির্দিষ্ট \(p\)টি lag স্থির করলে, \(h\leq p\) পর্যন্ত response estimand কাছাকাছি মিলতে পারে, কিন্তু আরও দূরের horizon-এ পার্থক্য দেখা দিতে পারে। Finite sample-এ LP প্রতিটি horizon সরাসরি estimate করে, তাই বেশি variable হতে পারে; VAR একটি যৌথ dynamic model ব্যবহার করে path-কে মসৃণ করতে পারে। উপযুক্ত structure সাহায্য করে, অনুপযুক্ত restriction বিভ্রান্ত করতে পারে। শুধু method-এর নাম দেখে কোনো একটিকে সব ক্ষেত্রে সেরা বলা যায় না।

“LP বেশি robust, VAR বেশি efficient”—এমন স্থির নিয়ম মুখস্থ না করে ব্যবহৃত dynamic restriction পরীক্ষা করুন। নমনীয় common specification-এ population target একই হলেও বাস্তব sample-এ lag সংখ্যা ও information set ভিন্ন হলে estimate-এর path ও precision বদলায়। Coefficient-এর আকার সরাসরি তুলনা করতে shock normalization-ও এক হতে হবে। তুলনার সময় method-এর নামের পাশাপাশি shock unit, অন্তর্ভুক্ত variable, lag সংখ্যা, sample এবং identification restriction লিখে রাখুন।

প্রতিটি \(h\)-এর regression একটি estimate ও uncertainty measure দেয়। \(h\) বাড়লে sample-এর শেষ দিকে \(y_{t+h}\) না থাকায় usable observation কমতে পারে। বহু period-পরের outcome-ও overlap করে, তাই residual এবং বিভিন্ন horizon-এর estimate পরস্পর নির্ভরশীল হতে পারে। Standard error বা bootstrap বেছে নিতে হবে design ও inference target অনুযায়ী।

Pointwise 95% interval প্রতিটি horizon আলাদাভাবে তৈরি হয়। এটি পুরো response curve-কে 95% coverage দেওয়ার নিশ্চয়তা দেয় না। পুরো path নিয়ে দাবি হলে simultaneous confidence band আলাদা inferential object হিসেবে report করুন। Montiel Olea এবং Plagborg-Møller নির্দিষ্ট assumption-এ কিছু lag-augmented LP-র জন্য উপযোগী ফল প্রতিষ্ঠা করেছেন; তা diagnostics বাদ দেওয়া বা যেকোনো regression-এ একই standard-error recipe বসানোর অনুমতি নয়। তাঁদের unit-root setting-এ বর্ণিত ফল এমন horizon-কে অন্তর্ভুক্ত করে না যার দৈর্ঘ্য sample size-এর অনুপাতে বাড়ে। Controls, horizon range, covariance বা bootstrap পদ্ধতি এবং interval pointwise নাকি simultaneous—সব জানান।

বহু period-পরের outcome overlap করায় residual-এ autocorrelation হতে পারে; কিন্তু সব LP-তে একই HAC lag ব্যবহার করলেই সমস্যা মেটে না। Inference গবেষণায় আলোচিত lag-augmented LP নির্দিষ্ট regression specification ও শর্ত ব্যবহার করে, যার মধ্যে system variable-এর অতীত মান থাকে। সাধারণ empirical কাজে standard error পদ্ধতিটি estimator, series-এর persistence, sample length এবং লক্ষ্য horizon-এর সঙ্গে কেন মানানসই তা ব্যাখ্যা করুন। দীর্ঘ horizon-এ interval প্রশস্ত হওয়া হিসাবের ভুল না-ও হতে পারে; ব্যবহারযোগ্য observation ও তথ্য কমে যাওয়ার ফল হতে পারে।

গবেষক recession indicator-এর মতো দেখা যায় এমন state-এর সঙ্গে shock interaction করে regime অনুযায়ী response আলাদা কি না দেখতে পারেন। একাধিক outcome, shock size বা subsample-ও পরীক্ষা করা যায়। প্রতিটি সম্প্রসারণ estimand বদলায় এবং available observation ভিন্নভাবে ব্যবহার করে। Sample ভাগ করলে uncertainty বড় হতে পারে, বিশেষত দীর্ঘ horizon-এ।

সম্ভব হলে কোন horizon ও state গুরুত্বপূর্ণ তা আগে নির্ধারণ করুন। অনেক outcome, lag, sample বা shock definition পরীক্ষা করলে সেই অনুসন্ধান জানিয়ে দিন; বেছে নেওয়া path-কে একমাত্র বিশ্লেষণ হিসেবে দেখাবেন না। Horizon জুড়ে smoothing plot পড়তে সহজ করতে পারে, তবে এতে restriction বা tuning choice যোগ হয়। Smoothed curve দেখালে unsmoothed estimate-ও দেখান এবং পদ্ধতি লিখুন।

Outcome, frequency, transformation, shock-এর সংজ্ঞা ও unit, horizon range, sample date, control set এবং missing observation কীভাবে সামলানো হয়েছে তা জানান। Regression formula থেকে আলাদা করে identification assumption ব্যাখ্যা করুন। প্রতিটি horizon-এর coefficient ও uncertainty দিন, অথবা পাঠযোগ্য unit ও interval definition-সহ figure দেখান।

Lag length, covariance estimator বা bootstrap, এবং interval pointwise নাকি simultaneous—এগুলোসহ estimation ও inference পদ্ধতির নাম লিখুন। যুক্তিসঙ্গত বিকল্প shock measure, lag choice বা sample window দিয়ে sensitivity দেখান। IRF হলো নির্দিষ্ট identified shock ও outcome-এর model-based সারাংশ; এটি trading signal বা ভবিষ্যৎ return-এর নিশ্চয়তা নয়।

Jordà-র মূল local-projection paper প্রতিটি horizon আলাদাভাবে estimate করার পদ্ধতি পরিচয় করায়। Plagborg-Møller ও Wolf-এর LP–VAR equivalence ফল অভিন্ন population target এবং finite-lag পার্থক্য স্পষ্ট করে। Montiel Olea ও Plagborg-Møller-এর inference বিশ্লেষণ নির্দিষ্ট শর্তে lag-augmented LP confidence interval পরীক্ষা করে। সম্পর্কিত নির্দেশিকায় আছে financial event study, robust ও HAC standard error, এবং difference-in-differences event-time design।