लोकल प्रोजेक्शन: इम्पल्स रिस्पॉन्स का अनुमान कैसे लगाएँ

Impulse-response function (IRF) बताता है कि परिभाषित बदलाव या शॉक के बाद कोई outcome कैसे बदलता है। शोधकर्ता यह पूछ सकते हैं कि अप्रत्याशित ब्याज-दर वृद्धि के बाद उत्पादन की प्रतिक्रिया क्या है, किसी निश्चित तारीख की घोषणा पर प्रतिभूति कैसे प्रतिक्रिया देती है, या पहचाने गए risk shock के बाद portfolio कैसे बदलता है। अलग-अलग अवधियों का पथ दिखा सकता है कि असर कब शुरू होता है, कब सबसे बड़ा होता है और कितने समय तक रहता है।

“शॉक” को परिभाषित करना ज़रूरी है। नीति-दर, बाज़ार-मूल्य या trading signal में दिखा बदलाव अपने-आप अप्रत्याशित structural shock नहीं होता। उसमें outcome के बारे में जानकारी भी शामिल हो सकती है। विश्वसनीय identification strategy के बिना LP coefficient, controls के संदर्भ में conditional association या linear projection है—causal response नहीं।

मान लें \(y_t\) outcome है और \(s_t\) shock measure है। अवधि \(h\) के लिए LP का एक सामान्य रूप है:

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

यहाँ \(h\) शॉक के बाद बीती अवधियों की संख्या है, \(W_{t-j}\) में चुने हुए lagged controls हैं, और \(\beta_h\) रुचि का coefficient है। शोधकर्ता \(h=0,1,2,\ldots\) में हर मान के लिए अलग regression लगाते हैं। \(\hat\beta_h\) को \(h\) के विरुद्ध plot करने पर response path मिलता है। Structural shock और उपयुक्त identification के साथ यह पथ structural IRF का अनुमान दे सकता है; अन्यथा यह conditional predictive projection बताता है।

Jordà की मूल विधि का मुख्य विचार हर रुचिकर अवधि की regression सीधे estimate करना है, न कि एक dynamic system fit करके उससे बार-बार आगे का forecast निकालना। अलग-अलग estimates लचीले होते हैं, लेकिन वे एक ही system द्वारा थोपी गई smooth dynamics साझा नहीं करते।

हर observation में शॉक का समय \(t\), outcome मापने के समय \(t+h\) से जुड़ता है। \(h=0\) पर शॉक की अवधि का outcome देखा जाता है और \(h=6\) पर छह अवधि बाद का। शॉक की तारीख वही रहती है, केवल dependent variable का observation समय बदलता है। इसलिए \(h\) बढ़ने पर sample के अंत में उपलब्ध पंक्तियाँ घटती हैं। Response path को साथ पढ़ने के लिए हर regression में shock की एक ही परिभाषा और तुलनीय controls इस्तेमाल करें।

जब तक variables और उनका scale बताया न जाए, \(\beta_h\) का अर्थ स्पष्ट नहीं होता। यदि \(s_t=1\) अप्रत्याशित 25 basis-point policy-rate वृद्धि को दर्शाता है, तो \(\beta_h\) उस आकार के shock पर अनुमानित प्रतिक्रिया है। यदि \(s_t\) percentage point में मापा गया है, तो coefficient हर एक percentage-point shock की प्रतिक्रिया देता है। Shock का scale बदलने पर हर coefficient उसी अनुपात में बदलता है।

Dependent variable की परिभाषा यह भी तय करती है कि पथ cumulative बदलाव दिखाता है या हर अवधि का बदलाव। उदाहरण के लिए, यदि \(Y_t\) धनात्मक उत्पादन सूचकांक है, तो परिभाषा हो सकती है:

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

तब \(r_{t,h}\), शॉक-पूर्व स्तर से अवधि \(h\) तक सूचकांक में अनुमानित cumulative percentage change है। मासिक उत्पादन परिवर्तन जैसा अलग outcome किसी दूसरे प्रश्न का उत्तर देता है। Cumulative level response को केवल \(h\)-वें महीने में हुआ बदलाव न बताएँ।

छोटे बदलावों में log difference को 100 से गुणा करना percentage change का अनुमान देता है। यदि dependent variable cumulative log difference है, तो \(\beta_h\) शॉक से ठीक पहले के आधार स्तर की तुलना में \(h\) अवधि बाद का estimated level difference बताता है। यदि monthly growth rate इस्तेमाल हो, तो हर अवधि की growth-rate प्रतिक्रिया estimate होती है। शीर्षक या figure में केवल “output response” लिखना अस्पष्ट हो सकता है; level, cumulative change और period-by-period change को अलग बताएँ।

मान लें कि मासिक अध्ययन में \(s_t=1\) का अर्थ अप्रत्याशित 25 basis-point rate increase है और ऊपर दिया cumulative output measure इस्तेमाल किया गया है। नीचे की संख्याएँ केवल समझाने के लिए काल्पनिक हैं, वास्तविक data के estimates नहीं। हर standard error को \(1.96\) से गुणा करके केवल pointwise गणना दिखाई गई है।

इस उदाहरण में छह महीने का estimate शॉक-पूर्व स्तर से 0.60% नीचे है और इसका pointwise interval शून्य को शामिल नहीं करता। बारह महीने का estimate कम ऋणात्मक है, लेकिन interval में शून्य शामिल है। इससे अपने-आप यह सिद्ध नहीं होता कि छहवें और बारहवें महीने के बीच recovery हुई: estimates अनिश्चित हैं और अलग अवधियों के estimates एक-दूसरे से correlated हैं; overlapping intervals से दो अवधियों का अंतर नहीं जाँचा जाता। पूरे पथ के बारे में दावा करने के लिए उपयुक्त contrast या joint inference चाहिए। ये संख्याएँ न policy forecast हैं, न किसी वास्तविक अर्थव्यवस्था का परिणाम।

तालिका का छह महीने वाला मान यह नहीं बताता कि उत्पादन सिर्फ छठे महीने में 0.60% घटा। परिभाषित cumulative dependent variable के अनुसार, यह शॉक-पूर्व आधार के मुकाबले output index के स्तर का अनुमानित अंतर है। इसी तरह, बारह महीने के interval में शून्य होना यह पुष्टि नहीं करता कि उस समय प्रभाव समाप्त हो गया; चुने हुए standard error और pointwise गणना में शून्य को खारिज नहीं किया जा सका—बस इतना ही। Confidence interval estimate की precision बताता है, sample और identification की सीमाएँ नहीं हटाता।

LP एक estimation method है; यह identification के लिए ज़रूरी variation स्वयं नहीं देता। शोधकर्ता structural model, high-frequency surprise measure, वैध external instrument या तर्कसंगत assumptions वाले research design से shock परिभाषित कर सकते हैं। हर तरीके में यह दिखाने के लिए प्रमाण चाहिए कि shock को दूसरी खबरों और outcome से मिलने वाले feedback से अलग किया जा सकता है।

Controls प्रश्न के समयक्रम के अनुरूप होने चाहिए। शॉक से पहले के lagged variables पहले की परिस्थितियों को ध्यान में रख सकते हैं। शॉक के बाद मापा गया variable स्वयं शॉक की प्रतिक्रिया हो सकता है। ऐसे mediator को control करने से कुल response का कुछ हिस्सा हट सकता है या नया bias आ सकता है। शॉक से ठीक पहले उपलब्ध जानकारी लिखें और बताएँ कि हर control regression में क्यों है।

\(\hat\beta_h\) का significant होना किसी दिखने में अप्रत्याशित घटना को exogenous shock नहीं बनाता। पहले से बनी अपेक्षाएँ, एक साथ हुई घोषणाएँ, measurement error, बदलते policy rules और sample selection जाँचें। वित्त में overlapping news या common shocks outcomes को साथ-साथ बदल सकते हैं, भले ही संबंधित घटना कारण न हो।

External instrument इस्तेमाल करने पर बताएँ कि उसका संबंध रुचि के shock से है और exclusion restriction समझाएँ: instrument के परिणाम पर असर डालने का कोई दूसरा रास्ता नहीं होना चाहिए। High-frequency surprise measure में announcement window के भीतर शामिल खबरों और prices द्वारा सूचना जल्दी शामिल किए जाने की जाँच करें। पहले shock की identification logic तय करें, फिर उसी shock की प्रतिक्रिया estimate करने वाला LP चुनें। अच्छा regression fit या छोटा p-value अपने-आप identification assumptions को सिद्ध नहीं करता।

IRF का अनुमान लगाने के प्रतिस्पर्धी तरीकों के रूप में LP और vector autoregression (VAR) अक्सर बताए जाते हैं। Plagborg-Møller और Wolf दिखाते हैं कि समान जानकारी और identification, संगत shock normalization और unrestricted lag structure के अंतर्गत दोनों तरीके एक ही population response का अनुमान लगा सकते हैं। यह साझा estimand के बारे में नतीजा है; इसका अर्थ यह नहीं कि finite-sample estimates हमेशा मिलेंगे या हर fitted LP और VAR में एक जैसी restrictions होंगी।

यदि \(p\) lags की संख्या तय रखी जाए, तो \(h\leq p\) तक response estimands लगभग मेल खा सकते हैं, जबकि लंबी अवधियों पर अंतर आ सकता है। Finite sample में LP हर अवधि को सीधे estimate करता है और अधिक variable हो सकता है; VAR संयुक्त dynamic model से path को अधिक नियमित बना सकता है। उपयुक्त structure मददगार है, लेकिन अनुचित restrictions भटका सकती हैं। केवल method के नाम से कोई तरीका हर जगह बेहतर नहीं ठहरता।

“LP अधिक robust और VAR अधिक efficient है” जैसे स्थिर नियम याद करने के बजाय इस्तेमाल की गई dynamic restrictions देखें। लचीली common specification में population target समान हो सकता है, फिर भी वास्तविक sample में lags की संख्या और information set अलग होने से अनुमानित path और precision बदलते हैं। Coefficient के आकार की सीधी तुलना के लिए shock normalization भी एक जैसी होनी चाहिए। तुलना में method name के साथ shock unit, शामिल variables, lag संख्या, sample और identification restrictions दर्ज करें।

हर \(h\) की regression एक estimate और uncertainty measure देती है। \(h\) बढ़ने पर sample के अंत में \(y_{t+h}\) उपलब्ध न होने से उपयोगी observations कम हो सकते हैं। कई अवधि आगे के outcomes भी overlap करते हैं, इसलिए residual और अलग अवधियों के estimates एक-दूसरे पर निर्भर हो सकते हैं। चुना गया standard error या bootstrap, design और inference target के अनुरूप होना चाहिए।

Pointwise 95% interval हर अवधि के लिए अलग बनाया जाता है। यह पूरी response curve को 95% coverage देने की गारंटी नहीं है। पूरे पथ के बारे में दावे के लिए simultaneous confidence band अलग inferential object है और उसे report करना चाहिए। Montiel Olea और Plagborg-Møller कुछ assumptions के अंतर्गत खास lag-augmented LP के लिए उपयोगी परिणाम देते हैं; इसका अर्थ diagnostics छोड़ना या किसी भी regression पर वही standard-error तरीका लागू करना नहीं है। उनके unit-root setting में बताए गए परिणाम ऐसे horizons को शामिल नहीं करते जिनकी लंबाई sample size के अनुपात में बढ़ती है। Controls, अवधि-सीमा, covariance या bootstrap method, और intervals pointwise हैं या simultaneous—यह सब बताएँ।

कई अवधि आगे के outcomes overlap करते हैं, इसलिए residual में autocorrelation हो सकती है; लेकिन हर LP में एक ही HAC lag रखने से समस्या हल नहीं होती। Inference paper का lag-augmented LP कुछ खास regression specification और assumptions इस्तेमाल करता है, जिसमें system variables के पुराने मान शामिल हैं। सामान्य empirical analysis में बताएँ कि standard-error का चुनाव estimator, series की persistence, sample length और लक्ष्य horizon के अनुकूल क्यों है। लंबी अवधि पर interval चौड़ा होना गणना की गलती नहीं, बल्कि उपलब्ध observations और सूचना में कमी का नतीजा हो सकता है।

शोधकर्ता recession indicator जैसी देखी गई अवस्था के साथ shock का interaction जोड़कर पूछ सकते हैं कि अलग regimes में प्रतिक्रिया बदलती है या नहीं। वे कई outcomes, shock sizes या subsamples भी देख सकते हैं। हर विस्तार estimand बदलता है और उपलब्ध observations का उपयोग अलग तरह से करता है। Sample बाँटने पर अनिश्चितता बढ़ सकती है, खासकर लंबी अवधियों में।

व्यावहारिक हो तो पहले तय करें कि कौन-सी अवधियाँ और अवस्थाएँ महत्त्वपूर्ण हैं। कई outcomes, lags, samples या shock definitions आज़माए हों तो खोज की जानकारी दें; चुने हुए पथ को एकमात्र विश्लेषण की तरह न दिखाएँ। अवधियों में smoothing से plot पढ़ना आसान हो सकता है, लेकिन इससे restrictions या tuning choices जुड़ते हैं। Smoothed curve दिखाएँ तो unsmoothed estimates भी दिखाएँ और तरीका दर्ज करें।

Outcome, frequency, transformation, shock की परिभाषा और इकाइयाँ, अवधि-सीमा, sample dates, control set और missing observations का उपचार बताएँ। Identification assumptions को regression formula से अलग समझाएँ। हर अवधि का coefficient और uncertainty report करें या स्पष्ट units और interval definitions वाला figure दें।

Estimation और inference प्रक्रिया बताएँ—lag length, covariance estimator या bootstrap, और intervals pointwise हैं या simultaneous। तर्कसंगत वैकल्पिक shock measure, lag choice या sample window के साथ sensitivity दिखाएँ। IRF किसी खास identified shock और outcome का model-based सार है; यह trading signal या भविष्य के returns की गारंटी नहीं है।

Jordà का मूल local-projection paper हर अवधि पर अलग estimate करने की विधि प्रस्तुत करता है। Plagborg-Møller और Wolf का LP–VAR equivalence नतीजा साझा population target और finite-lag अंतर स्पष्ट करता है। Montiel Olea और Plagborg-Møller का inference analysis खास शर्तों में lag-augmented LP confidence intervals का अध्ययन करता है। संबंधित मार्गदर्शिकाएँ financial event study, robust और HAC standard errors, और difference-in-differences event-time design पर हैं।