Proyeksi Lokal: Cara Mengestimasi Respons Impuls

Fungsi respons impuls (IRF) menjelaskan bagaimana suatu hasil berkembang setelah perubahan atau guncangan yang ditetapkan. Peneliti dapat menanyakan bagaimana output merespons kenaikan suku bunga yang tidak terduga, bagaimana suatu sekuritas merespons pengumuman pada tanggal tertentu, atau bagaimana portofolio merespons guncangan risiko yang teridentifikasi. Jalur lintas horizon dapat menunjukkan kapan dampak muncul, kapan dampaknya paling besar, dan berapa lama dampak itu bertahan.

Kata “guncangan” perlu didefinisikan. Pergerakan suku bunga kebijakan, harga pasar, atau sinyal perdagangan yang diamati tidak otomatis merupakan guncangan struktural tak terduga. Pergerakan itu mungkin mencerminkan sebagian informasi tentang hasil itu sendiri. Tanpa strategi identifikasi yang kredibel, koefisien LP merupakan asosiasi bersyarat atau proyeksi linear, bukan respons kausal.

Misalkan \(y_t\) adalah hasil dan \(s_t\) adalah ukuran guncangan. Salah satu spesifikasi LP yang umum untuk horizon \(h\) adalah

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

Di sini, \(h\) adalah jumlah periode setelah guncangan, \(W_{t-j}\) berisi kontrol lag yang dipilih, dan \(\beta_h\) adalah koefisien yang menjadi perhatian. Peneliti mengestimasi regresi berbeda untuk setiap \(h=0,1,2,\ldots\). Grafik \(\hat\beta_h\) terhadap \(h\) menghasilkan jalur respons. Jika guncangan struktural teridentifikasi dengan tepat, jalur tersebut dapat mengestimasi IRF struktural; jika tidak, jalur itu menggambarkan proyeksi prediktif bersyarat.

Gagasan utama dalam metode asli Jordà adalah mengestimasi regresi pada setiap periode yang diteliti, bukan terus meramal lebih jauh dari satu sistem dinamis yang telah diestimasi. Estimasi terpisah ini bisa fleksibel, tetapi tidak otomatis berbagi dinamika halus yang diberlakukan oleh satu sistem tunggal.

Koefisien \(\beta_h\) baru dapat ditafsirkan setelah variabel dan skalanya dinyatakan. Jika \(s_t=1\) berarti kenaikan suku bunga tak terduga sebesar 25 basis poin, maka \(\beta_h\) adalah respons estimasi terhadap guncangan sebesar itu. Jika \(s_t\) diukur dalam poin persentase, koefisiennya menyatakan respons per poin persentase. Mengubah skala guncangan akan mengubah skala setiap koefisien.

Variabel dependen juga menentukan apakah jalurnya kumulatif atau per periode. Misalnya, jika \(Y_t\) adalah indeks output positif, definisikan

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

Dengan demikian, \(r_{t,h}\) adalah perkiraan perubahan persentase kumulatif indeks dari tingkat sebelum guncangan hingga horizon \(h\). Hasil lain, seperti perubahan bulanan output, menjawab pertanyaan berbeda. Jangan menggambarkan respons kumulatif level sebagai perubahan yang hanya terjadi pada bulan ke-\(h\).

Misalkan studi bulanan menetapkan \(s_t=1\) sebagai kenaikan suku bunga tak terduga sebesar 25 basis poin dan menggunakan ukuran output kumulatif di atas. Angka berikut adalah nilai hipotetis untuk pengajaran, bukan estimasi dari data nyata. Interval menggunakan \(1.96\) kali setiap standard error yang dicantumkan hanya untuk mengilustrasikan perhitungan pointwise.

Dalam contoh ini, estimasi enam bulan berada 0.60% di bawah tingkat sebelum guncangan dan interval keyakinan pointwise-nya tidak mencakup nol. Estimasi dua belas bulan lebih kecil negatifnya, tetapi intervalnya mencakup nol. Hal itu sendiri tidak membuktikan pemulihan antara bulan keenam dan kedua belas: estimasi tidak pasti dan berkorelasi lintas horizon, dan interval yang saling tumpang tindih tidak menguji perbedaan antara dua horizon. Klaim tentang bentuk keseluruhan jalur memerlukan inferensi tersendiri untuk seluruh jalur. Angka-angka ini bukan ramalan kebijakan maupun hasil untuk ekonomi nyata.

LP adalah metode estimasi; metode ini tidak menyediakan variasi pengidentifikasi dengan sendirinya. Peneliti dapat mendefinisikan guncangan melalui model struktural, ukuran kejutan berfrekuensi tinggi, instrumen eksternal yang valid, atau desain riset dengan asumsi yang dapat dipertahankan. Setiap pendekatan memerlukan bukti yang memisahkan guncangan dari berita lain dan umpan balik dari hasil.

Kontrol harus mencerminkan waktu dalam pertanyaan. Variabel lag sebelum guncangan dapat memperhitungkan kondisi sebelumnya. Variabel yang diukur setelah guncangan mungkin sudah merespons guncangan tersebut. Mengontrol mediator seperti itu dapat menghilangkan sebagian respons total atau menimbulkan bias baru. Tuliskan informasi apa yang tersedia tepat sebelum guncangan dan jelaskan alasan setiap kontrol dimasukkan ke regresi.

\(\hat\beta_h\) yang signifikan tidak mengubah peristiwa yang tampak tidak terduga menjadi guncangan eksogen. Periksa antisipasi, pengumuman serentak, kesalahan pengukuran, perubahan aturan kebijakan, dan pemilihan sampel. Dalam keuangan, berita yang tumpang tindih atau guncangan bersama dapat membuat hasil bergerak bersamaan meski peristiwa yang diteliti bukan penyebabnya.

Proyeksi lokal dan model vektor autoregresif (VAR) sering diperkenalkan sebagai cara bersaing untuk mengestimasi IRF. Plagborg-Møller dan Wolf menunjukkan bahwa, dengan informasi dan identifikasi yang sama, normalisasi ukuran guncangan yang kompatibel, serta struktur lag yang tidak dibatasi, kedua pendekatan dapat mengestimasi respons populasi yang sama. Hasil ini menyangkut estimand bersama; bukan berarti estimasi sampel terbatas harus sama atau setiap LP dan VAR menggunakan pembatasan yang sama.

Dengan jumlah lag tetap \(p\), estimand respons kedua metode dapat mendekati satu sama lain hingga horizon \(h\leq p\), sedangkan perbedaan mungkin muncul pada horizon lebih panjang. Dalam sampel terbatas, LP mengestimasi setiap horizon secara langsung dan mungkin lebih bervariasi, sementara VAR menggunakan model dinamis bersama yang dapat membuat jalur lebih teratur. Struktur tersebut dapat membantu ketika sesuai dan menyesatkan ketika pembatasannya tidak cocok. Tidak ada pemenang universal hanya berdasarkan nama metodenya.

Regresi untuk setiap \(h\) menghasilkan estimasi dan ukuran ketidakpastian. Ketika \(h\) membesar, observasi yang tersisa mungkin lebih sedikit karena \(y_{t+h}\) tidak tersedia mendekati akhir sampel. Hasil multilangkah juga saling tumpang tindih, sehingga residual dan estimasi lintas horizon dapat bergantung satu sama lain. Standard error atau metode bootstrap yang dipilih harus sesuai dengan desain dan target inferensi.

Interval keyakinan pointwise 95% dibuat untuk satu horizon pada satu waktu. Interval itu tidak menjamin cakupan 95% untuk seluruh kurva respons. Pita keyakinan simultan adalah objek berbeda dan perlu dilaporkan ketika klaimnya menyangkut seluruh jalur. Montiel Olea dan Plagborg-Møller membuktikan hasil berguna untuk jenis LP berlag tambahan tertentu di bawah asumsi mereka; hasil tersebut bukan izin untuk menghilangkan diagnostik atau menyalin resep standard error ke sembarang regresi. Dalam pengaturan akar unit yang mereka kaji, hasil tersebut tidak mencakup horizon yang bertambah sebanding dengan ukuran sampel. Sebutkan kontrol, rentang horizon, metode kovarians atau bootstrap, serta apakah intervalnya pointwise atau simultan.

Peneliti dapat menginteraksikan guncangan dengan keadaan yang diamati, seperti indikator resesi, untuk menanyakan apakah respons berbeda antarrezim. Mereka juga dapat mempelajari beberapa hasil, ukuran guncangan, atau subsampel. Setiap perluasan mengubah estimand dan menggunakan observasi yang tersedia secara berbeda; membagi sampel dapat memperlebar ketidakpastian, terutama pada horizon panjang.

Jika memungkinkan, tetapkan sebelumnya horizon dan keadaan yang penting. Jika banyak hasil, lag, sampel, atau definisi guncangan dicoba, laporkan proses pencarian itu alih-alih menyajikan jalur yang terpilih seolah-olah itulah satu-satunya analisis. Penghalusan lintas horizon dapat membuat grafik lebih mudah dibaca, tetapi menambahkan pembatasan atau pilihan tuning; tampilkan estimasi tanpa penghalusan dan dokumentasikan metodenya jika kurva yang dihaluskan juga ditampilkan.

Nyatakan hasil, frekuensi, transformasi, definisi dan satuan guncangan, rentang horizon, tanggal sampel, himpunan kontrol, serta penanganan observasi yang hilang. Jelaskan asumsi identifikasi secara terpisah dari rumus regresi. Laporkan koefisien dan ketidakpastian di setiap horizon atau tampilkan gambar dengan satuan dan definisi interval yang jelas.

Sebutkan prosedur estimasi dan inferensi, termasuk jumlah lag, estimator kovarians atau bootstrap, dan apakah intervalnya pointwise atau simultan. Tampilkan sensitivitas yang relevan terhadap ukuran guncangan alternatif yang dapat dipertahankan, pilihan lag, atau jendela sampel. IRF adalah ringkasan berbasis model tentang guncangan dan hasil tertentu yang telah diidentifikasi; IRF bukan sinyal perdagangan atau jaminan imbal hasil masa depan.

Makalah asli Jordà tentang proyeksi lokal memperkenalkan estimasi horizon demi horizon. Hasil kesetaraan LP–VAR oleh Plagborg-Møller dan Wolf menjelaskan target populasi bersama dan perbedaan pada lag terbatas. Analisis inferensi oleh Montiel Olea dan Plagborg-Møller membahas interval keyakinan LP berlag tambahan di bawah kondisi tertentu. Panduan terkait membahas studi peristiwa keuangan, standard error robust dan HAC, serta desain difference-in-differences berbasis waktu peristiwa.