Lokale Projektionen: Impulsantworten schätzen

Eine Impulsantwortfunktion (IRF) beschreibt, wie sich eine Ergebnisvariable nach einer definierten Änderung oder einem Schock entwickelt. Eine Forschungsfrage könnte lauten, wie die Produktion auf eine unerwartete Zinserhöhung reagiert, wie ein Wertpapier auf eine datierte Ankündigung reagiert oder wie sich ein Portfolio nach einem identifizierten Risikoschock verhält. Der Verlauf über mehrere Horizonte zeigt, wann ein Effekt einsetzt, wann er am größten ist und wie lange er anhält.

Der Begriff „Schock“ muss definiert werden. Eine beobachtete Bewegung eines Leitzinses, eines Marktpreises oder eines Handelssignals ist nicht automatisch ein unerwarteter struktureller Schock. Sie kann teilweise Informationen über die Ergebnisvariable selbst widerspiegeln. Ohne eine glaubwürdige Identifikationsstrategie ist ein LP-Koeffizient eine bedingte Assoziation oder lineare Projektion, keine kausale Reaktion.

Sei \(y_t\) die Ergebnisvariable und \(s_t\) das Schockmaß. Eine verbreitete LP-Spezifikation für den Horizont \(h\) lautet:

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

Hier bezeichnet \(h\) die Anzahl der Perioden seit dem Schock, \(W_{t-j}\) enthält ausgewählte verzögerte Kontrollvariablen und \(\beta_h\) ist der interessierende Koeffizient. Die Forschenden schätzen für \(h=0,1,2,\ldots\) jeweils eine andere Regression. Werden die Schätzwerte \(\hat\beta_h\) gegen \(h\) aufgetragen, ergibt sich der Reaktionspfad. Mit einem strukturellen Schock und geeigneter Identifikation kann dieser Pfad eine strukturelle IRF schätzen; andernfalls beschreibt er eine bedingte Prognoseprojektion.

Das ist die zentrale Idee von Jordàs ursprünglicher Methode: Für jeden interessierenden Zeitraum wird eine Regression geschätzt, statt von einem einzigen angepassten dynamischen System aus wiederholt weiter in die Zukunft zu prognostizieren. Die Einzelschätzungen können flexibel sein, teilen aber nicht automatisch die glatte Dynamik, die ein einzelnes System vorgibt.

Für jede Beobachtung lässt sich der Schockzeitpunkt \(t\) mit dem Ergebniszeitpunkt \(t+h\) verknüpfen. Bei \(h=0\) betrachten wir das Ergebnis in der Schockperiode, bei \(h=6\) das Ergebnis sechs Perioden später. Das Schockdatum bleibt gleich; nur der Beobachtungszeitpunkt des Ergebnisses verschiebt sich. Mit wachsendem \(h\) fallen daher am Stichprobenende Beobachtungen weg. Die Regressionen sollten dieselbe Schockdefinition und vergleichbare Kontrollen verwenden, damit sich der Reaktionspfad gemeinsam interpretieren lässt.

Der Koeffizient \(\beta_h\) lässt sich erst interpretieren, wenn Variablen und Skala angegeben sind. Wenn \(s_t=1\) für eine unerwartete Leitzinserhöhung um 25 Basispunkte steht, ist \(\beta_h\) die geschätzte Reaktion auf einen Schock dieser Größe. Wird \(s_t\) in Prozentpunkten gemessen, gibt der Koeffizient stattdessen die Reaktion je Prozentpunkt an. Eine andere Skalierung des Schocks skaliert alle Koeffizienten mit.

Auch die abhängige Variable entscheidet, ob der Pfad kumulativ ist oder die Veränderung einer einzelnen Periode zeigt. Sei \(Y_t\) zum Beispiel ein positiver Produktionsindex. Dann definieren wir

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

Damit ist \(r_{t,h}\) die ungefähre prozentuale Veränderung des Index vom Niveau vor dem Schock bis zum Horizont \(h\). Eine andere Ergebnisvariable, etwa die monatliche Produktionsänderung, beantwortet eine andere Frage. Beschreiben Sie eine kumulative Niveauänderung nicht als die Veränderung, die nur im Monat \(h\) auftritt.

Bei kleinen Änderungen kann das Hundertfache einer Log-Differenz näherungsweise als prozentuale Veränderung gelesen werden. Ist die kumulative Log-Differenz des Produktionsindex die abhängige Variable, misst \(\beta_h\) die geschätzte Niveauabweichung gegenüber dem Wert unmittelbar vor dem Schock bis zum Horizont \(h\). Bei einer monatlichen Wachstumsrate als abhängiger Variable wird stattdessen die Reaktion der Wachstumsrate zu jedem Zeitpunkt geschätzt. Eine Überschrift oder Grafik, die nur „Produktionsreaktion“ sagt, kann offenlassen, ob Niveau, kumulative oder periodenbezogene Veränderung gemeint ist.

Angenommen, eine monatliche Studie definiert \(s_t=1\) als eine unerwartete Zinserhöhung um 25 Basispunkte und verwendet das kumulative Produktionsmaß von oben. Die folgenden Zahlen sind hypothetische Anschauungswerte und keine Schätzungen aus realen Daten. Die Intervalle verwenden das 1,96-Fache jedes angegebenen Standardfehlers ausschließlich zur Veranschaulichung der punktweisen Berechnung.

In diesem Beispiel liegt der Sechsmonats-Schätzwert 0,60% unter dem Niveau vor dem Schock; sein punktweises Intervall schließt null aus. Der Zwölfmonats-Schätzwert ist weniger negativ, aber sein Intervall enthält null. Das beweist für sich genommen keine Erholung zwischen dem sechsten und zwölften Monat: Die Schätzungen sind unsicher und über die Horizonte hinweg korreliert. Auch überlappende Intervalle testen den Unterschied zwischen zwei Horizonten nicht. Eine Aussage über den Pfad braucht einen geeigneten Kontrast oder eine gemeinsame Inferenz. Keine dieser Zahlen ist eine Zinsprognose oder ein Ergebnis für eine tatsächliche Volkswirtschaft.

Der Wert nach sechs Monaten bedeutet nicht, dass die Produktion allein im sechsten Monat um 0,60% gesunken ist. Gemäß der definierten kumulativen abhängigen Variable ist er die geschätzte Niveauabweichung des Produktionsindex gegenüber dem Bezugspunkt vor dem Schock. Dass das Zwölfmonatsintervall null enthält, bestätigt auch nicht, dass der Effekt zu diesem Zeitpunkt verschwunden ist. Es bedeutet, dass null mit den gewählten Standardfehlern und der punktweisen Berechnung nicht ausgeschlossen wird. Konfidenzintervalle zeigen die Präzision der Schätzung; sie beseitigen weder Stichproben- noch Identifikationsgrenzen.

LP ist eine Schätzmethode; sie liefert nicht selbst die identifizierende Variation. Ein Schock kann aus einem Strukturmodell, einem Hochfrequenz-Überraschungsmaß, einem gültigen externen Instrument oder einem Forschungsdesign mit vertretbaren Annahmen stammen. Jeder Ansatz braucht eine Begründung dafür, dass der Schock von anderen Nachrichten und von Rückwirkungen der Ergebnisvariable getrennt werden kann.

Kontrollvariablen sollten zum zeitlichen Ablauf der Frage passen. Verzögerte Variablen vor dem Schock können frühere Bedingungen berücksichtigen. Eine nach dem Schock gemessene Variable kann selbst auf den Schock reagieren. Wird ein solcher Mediator kontrolliert, kann ein Teil der Gesamtreaktion entfernt oder eine neue Verzerrung eingeführt werden. Halten Sie fest, welche Informationen unmittelbar vor dem Schock verfügbar waren, und begründen Sie jede Kontrollvariable in der Regression.

Ein statistisch signifikanter Wert von \(\hat\beta_h\) macht ein Ereignis, das unerwartet aussieht, nicht zu einem exogenen Schock. Prüfen Sie Antizipation, gleichzeitige Ankündigungen, Messfehler, wechselnde Politikregeln und die Stichprobenauswahl. Im Finanzbereich können überlappende Nachrichten oder gemeinsame Schocks dazu führen, dass sich Ergebnisse gemeinsam bewegen, obwohl das untersuchte Ereignis nicht die Ursache ist.

Bei einem externen Instrument muss erklärt werden, warum es mit dem interessierenden Schock zusammenhängt und warum es das Ergebnis nicht über einen anderen Weg beeinflusst. Bei einem Hochfrequenz-Überraschungsmaß sollte geprüft werden, welche Nachrichten im Veröffentlichungsfenster enthalten sind und wie schnell Preise Informationen einbeziehen. Legen Sie zuerst die Identifikationslogik fest und wählen Sie dann das LP, mit dem die Reaktion auf diesen Schock geschätzt wird. Eine gute Anpassung der Regression oder ein kleiner p-Wert beweist die Identifikationsannahmen nicht.

Lokale Projektionen und vektorautoregressive Modelle (VARs) werden oft als konkurrierende Methoden zur Schätzung von IRFs vorgestellt. Plagborg-Møller und Wolf zeigen, dass beide Ansätze bei übereinstimmender Informationsmenge und Identifikation, kompatibler Schocknormalisierung sowie uneingeschränkten Lag-Strukturen dieselbe Populationsreaktion schätzen können. Das Ergebnis betrifft ein gemeinsames Estimand; es besagt nicht, dass Schätzungen in endlichen Stichproben übereinstimmen oder dass jedes angepasste LP und VAR dieselben Restriktionen verwendet.

Bei einer festen Anzahl \(p\) von Lags können sich die geschätzten Reaktions-Estimands bis zu Horizonten \(h\leq p\) näherungsweise entsprechen, während bei längeren Horizonten Unterschiede auftreten können. In endlichen Stichproben schätzt eine LP jeden Horizont direkt und kann stärkere Schwankungen aufweisen; ein VAR verwendet ein gemeinsames dynamisches Modell, das den Pfad regelmäßiger machen kann. Diese Struktur ist hilfreich, wenn sie angemessen ist, und kann irreführen, wenn ihre Restriktionen schlecht passen. Allein anhand des Methodennamens gibt es keinen allgemeinen Sieger.

Prägen Sie sich daher nicht als feste Regel ein, LP sei robuster und VAR effizienter, sondern prüfen Sie, welche dynamischen Restriktionen verwendet werden. Selbst wenn flexible, übereinstimmende Spezifikationen dasselbe Populationsziel haben, können sich Reaktionspfad und Präzision bei abweichender Lag-Zahl oder Informationsmenge in der Stichprobe unterscheiden. Damit sich Koeffizientengrößen direkt vergleichen lassen, muss auch die Schocknormalisierung übereinstimmen. Halten Sie Schockeinheit, einbezogene Variablen, Lag-Zahl, Stichprobe und Identifikationsrestriktionen gemeinsam fest.

Für jedes \(h\) liefert die Regression einen Schätzwert und ein Unsicherheitsmaß. Mit zunehmendem \(h\) können weniger Beobachtungen übrig bleiben, weil \(y_{t+h}\) nahe dem Stichprobenende nicht verfügbar ist. Mehrstufige Zielwerte überlappen sich ebenfalls, sodass Residuen und Schätzungen über Horizonte hinweg abhängig sein können. Der gewählte Standardfehler oder Bootstrap muss zum Design und zum Inferenzziel passen.

Ein punktweises 95%-Intervall wird jeweils für einen einzelnen Horizont gebildet. Es garantiert keine 95%-Abdeckung der gesamten Reaktionskurve. Für Aussagen über den ganzen Pfad ist ein simultanes Konfidenzband ein anderes Objekt und sollte als solches ausgewiesen werden. Montiel Olea und Plagborg-Møller zeigen nützliche Ergebnisse für bestimmte lag-erweiterte LPs unter ihren Annahmen. Das ist keine Erlaubnis, Diagnostik auszulassen oder eine Standardfehler-Regel auf jede Regression zu übertragen. In ihrem Einheitswurzelszenario gelten die angegebenen Ergebnisse nicht für Horizonte, die proportional zur Stichprobengröße wachsen. Geben Sie Kontrollen, Horizontbereich, Kovarianz- oder Bootstrap-Verfahren sowie an, ob Intervalle punktweise oder simultan sind.

Mehrstufige Zielwerte überlappen sich, sodass Autokorrelation in den Residuen auftreten kann. Daraus folgt nicht, dass sich das Problem für jede LP mit derselben HAC-Lag-Länge beheben lässt. Die untersuchte Inferenz für lag-erweiterte LPs beruht auf bestimmten Regressionsspezifikationen mit verzögerten Werten der Systemvariablen und auf entsprechenden Bedingungen. In empirischen Anwendungen sollte begründet werden, warum die Wahl des Standardfehlers zum Schätzer, zur Persistenz der Zeitreihe, zur Stichprobenlänge und zum Zielhorizont passt. Breitere Intervalle bei langen Horizonten können den Rückgang verfügbarer Beobachtungen und Informationen widerspiegeln, nicht einen Rechenfehler.

Forschende können den Schock mit einem beobachteten Zustand wie einer Rezession interagieren, um zu untersuchen, ob sich die Reaktionen zwischen Regimen unterscheiden. Sie können auch mehrere Ergebnisse, Schockgrößen oder Teilstichproben untersuchen. Jede Erweiterung verändert das Estimand und nutzt die verfügbaren Beobachtungen anders; eine Aufteilung der Stichprobe kann breite Unsicherheit hinterlassen, besonders bei langen Horizonten.

Legen Sie nach Möglichkeit vorab fest, welche Horizonte und Zustände wichtig sind. Wenn viele Ergebnisse, Lags, Stichproben oder Schockdefinitionen ausprobiert werden, berichten Sie diese Suche, statt den ausgewählten Pfad so darzustellen, als wäre er die einzige Analyse. Eine Glättung über Horizonte kann die Grafik leichter lesbar machen, fügt aber Restriktionen oder Abstimmungsentscheidungen hinzu. Zeigen Sie die unglätteten Schätzwerte und dokumentieren Sie das Verfahren, falls Sie zusätzlich eine geglättete Kurve darstellen.

Geben Sie Ergebnisvariable, Frequenz, Transformation, Definition und Einheiten des Schocks, Horizontbereich, Stichprobendaten, Kontrollvariablen und den Umgang mit fehlenden Beobachtungen an. Erläutern Sie die Identifikationsannahmen getrennt von der Regressionsformel. Berichten Sie Koeffizienten und Unsicherheit für jeden Horizont oder zeigen Sie eine Grafik mit klaren Einheiten und Intervalldefinitionen.

Nennen Sie Schätz- und Inferenzverfahren einschließlich Lag-Länge, Kovarianzschätzer oder Bootstrap und der Frage, ob Intervalle punktweise oder simultan sind. Zeigen Sie relevante Sensitivität gegenüber einer vertretbaren alternativen Schockmessung, Lag-Wahl oder Stichprobenperiode. Eine IRF ist eine modellbasierte Zusammenfassung eines bestimmten identifizierten Schocks und Ergebnisses; sie ist weder Handelssignal noch Garantie künftiger Renditen.

Jordàs Originalarbeit zu lokalen Projektionen führt die Schätzung für einzelne Horizonte ein. Plagborg-Møller und Wolfs Ergebnis zur Äquivalenz von LP und VAR erläutert das gemeinsame Populationsziel und die Unterschiede bei endlichen Lag-Strukturen. Die Inferenzanalyse von Montiel Olea und Plagborg-Møller untersucht Konfidenzintervalle für lag-erweiterte LPs unter bestimmten Bedingungen. Verwandte Leitfäden behandeln Finanzmarkt-Ereignisstudien, robuste und HAC-Standardfehler und Differenz-von-Differenzen-Designs mit Ereigniszeitpunkten.