局部投射法：如何估計衝擊反應

衝擊反應函數（IRF）描述結果變數在某個已定義的變化或衝擊之後如何演變。研究者可以探討產出如何回應意外升息、證券如何回應日期明確的公告，或投資組合如何回應已識別的風險衝擊。比較各反應期間的路徑，可以了解影響何時出現、何時最大，以及持續多久。

「衝擊」需要明確定義。觀察到政策利率、市場價格或交易訊號變動，不代表它自動就是意外的結構性衝擊；該變動也可能部分反映結果本身的資訊。若沒有可信的識別策略，LP 係數代表條件關聯或線性投射，而非因果反應。

令 \(y_t\) 為結果變數，\(s_t\) 為衝擊衡量值。反應期間 \(h\) 的一種常見 LP 設定如下：

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

其中 \(h\) 是衝擊後經過的期間數，\(W_{t-j}\) 包含選定的落後控制變數，而 \(\beta_h\) 是關注的係數。研究者針對 \(h=0,1,2,\ldots\) 分別估計迴歸。將 \(\hat\beta_h\) 對 \(h\) 作圖，即可得到反應路徑。如果衝擊是結構性衝擊，且識別策略適切，該路徑便可估計結構 IRF；否則，它描述的是條件預測投射。

Jordà 原始方法的核心，是直接估計每個關注期間的迴歸，而非先擬合單一動態系統，再不斷向前預測。分開估計較有彈性，但不會自動共用單一系統所施加的平滑動態結構。

解讀每筆觀測時，可將衝擊發生時點 \(t\) 與結果觀測時點 \(t+h\) 配對。\(h=0\) 表示觀察衝擊發生期間的結果，\(h=6\) 則觀察六期後的結果。衝擊日期相同，只改變依變數的觀測時點，因此 \(h\) 越大，樣本末端可用的資料列就越少。若要將各期視為同一路徑，應使用相同的衝擊定義與可比較的控制變數。

只有清楚說明變數及其尺度，\(\beta_h\) 才能解讀。若 \(s_t=1\) 代表意外調升政策利率 25 個基點，則 \(\beta_h\) 是對這種幅度衝擊的估計反應。若 \(s_t\) 以百分點衡量，係數代表每 1 個百分點衝擊所對應的反應。重新調整衝擊尺度，所有係數也會按相同比例改變。

依變數的定義也會決定路徑代表累積變化或逐期變化。例如，若 \(Y_t\) 是正值的產出指數，可定義：

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

此時，\(r_{t,h}\) 是指數從衝擊前水準至反應期間 \(h\) 的近似累積百分比變化。若改用每月產出變化等不同結果變數，回答的就是另一個問題。不要把累積水準反應描述成只在第 \(h\) 個月發生的變化。

對數差乘以 100，在變化幅度較小時可近似解讀為百分比變化。若依變數是累積對數差，\(\beta_h\) 表示相對於衝擊前基準、在 \(h\) 期後的估計水準差；若使用月成長率，估計的則是各期成長率反應。標題或圖表只寫「產出反應」可能不夠明確，應區分水準、累積變化與逐期變化。

假設一項月資料研究將 \(s_t=1\) 定義為意外升息 25 個基點，並使用上述累積產出指標。以下數字是教學用的假設值，並非真實資料估計。區間以各標準誤乘以 \(1.96\)，僅用來示範逐點計算。

在這個例子中，6 個月時的估計值比衝擊前水準低 0.60%，且逐點信賴區間不包含零。12 個月時的估計值負幅度較小，但區間包含零。這本身不能證明產出在第 6 至第 12 個月之間已經復甦：估計值有不確定性，各反應期間的估計值彼此相關，而區間重疊並不能檢定兩個反應期間的差異。若要對整條路徑作結論，需要適當的差值檢定或聯合推論。這些數字不是政策預測，也不是任何實際經濟體的估計結果。

表中 6 個月的數值不表示產出只在第 6 個月下跌 0.60%。依照此處定義的累積依變數，它代表相對於衝擊前基準的產出指數估計水準差。同樣地，12 個月的區間包含零，無法確認效果在該期已消失；這只表示在選用的標準誤和逐點計算下，無法排除零。信賴區間描述估計精確度，不會消除樣本與識別上的限制。

LP 是估計方法，本身不會提供識別所需的變異來源。研究者可以用結構模型、高頻驚奇指標、有效的外部工具變數，或根據可辯護假設的研究設計來定義衝擊。每種方法都需要證據，把衝擊與其他消息及結果變數的回饋區分開來。

控制變數應符合問題的時間順序。衝擊前的落後變數可以控制先前狀況。衝擊後測量的變數可能本身已對衝擊作出反應。控制這類中介變數可能移除總反應的一部分，或引入新的偏誤。請列出衝擊前可取得的資訊，並說明每個控制變數為何納入迴歸。

\(\hat\beta_h\) 顯著，並不會讓一個看似意外的事件變成外生衝擊。應檢查事前預期、同時公告、測量誤差、政策規則變動及樣本選擇。在金融研究中，重疊消息或共同衝擊可能讓結果同時變動，即使研究事件並非原因。

若使用外部工具變數，應說明工具與目標衝擊相關，並解釋排除限制：工具不會透過其他途徑影響結果。高頻驚奇指標也要檢查公告時窗混入哪些消息，以及價格反映資訊的速度。先整理衝擊的識別邏輯，再選擇用來估計該衝擊反應的 LP。迴歸配適度高或 p 值小，本身無法證明識別假設成立。

LP 和向量自我迴歸（VAR）常被介紹為估計 IRF 的競爭方法。Plagborg-Møller 與 Wolf 指出，在資訊與識別方式相符、衝擊標準化相容，且落後結構不受限制時，兩種方法可以估計相同的母體反應。這是關於共同估計對象的結果；不表示有限樣本估計必定相同，也不表示每個擬合的 LP 和 VAR 都使用相同限制。

如果固定使用 \(p\) 個落後期，兩者的反應估計對象在 \(h\leq p\) 時可能近似一致，較長反應期間則可能有所差異。在有限樣本中，LP 直接估計每個反應期間，估計變異可能較大；VAR 使用聯合動態模型，可能令路徑較平滑。模型結構適切時有幫助，限制不當時也可能造成誤導。無法只憑方法名稱判斷哪一種總是較好。

不要把「LP 較穩健、VAR 較有效率」當成固定結論，而要檢視實際使用的動態限制。即使彈性的共同設定有相同母體估計對象，實際樣本中的落後期數與資訊集合不同，也會改變估計路徑和精確度。直接比較係數大小也要求衝擊標準化一致。比較時，除了方法名稱，也應並列記錄衝擊單位、納入變數、落後期數、樣本與識別限制。

每個 \(h\) 的迴歸都會產生估計值及不確定性衡量。隨著 \(h\) 增加，樣本末端可能沒有 \(y_{t+h}\) 的觀測值，因此可用觀測數會減少。多期結果也會重疊，所以殘差和不同反應期間的估計值可能彼此相依。選用的標準誤或自助法必須符合研究設計和推論目標。

逐點 95% 區間是針對單一反應期間建立，並不保證涵蓋整條反應曲線的機率為 95%。若結論涉及整條路徑，應報告作為不同推論對象的同時信賴帶。Montiel Olea 與 Plagborg-Møller 在其假設下，為特定的落後期擴增 LP 推導了有用結果；這不表示可以省略診斷，或把某個標準誤作法套用至任何迴歸。在他們的單根設定中，所述結果不涵蓋隨樣本數成比例增加的反應期間。請說明控制變數、反應期間範圍、共變異數估計或自助法，以及區間是逐點或同時的。

多期結果重疊可能使殘差出現自我相關，但這不代表所有 LP 使用相同 HAC 落後期數就能解決。推論論文討論的落後期擴增 LP，使用包含系統變數過去值的特定迴歸設定與條件。一般實證研究應說明標準誤選擇為何符合估計量、序列持續性、樣本長度與目標反應期間。長反應期間的區間變寬，可能是可用觀測值與資訊量減少所致，並非計算錯誤。

研究者可以讓衝擊與衰退指標等可觀測狀態交互作用，探討不同狀態下的反應是否不同；也可以研究多個結果變數、衝擊大小或子樣本。每種延伸都會改變估計對象，並以不同方式使用可用觀測值。切分樣本可能使不確定性變大，尤其在較長的反應期間。

實務可行時，應事先指定關注的反應期間與狀態。如果嘗試許多結果變數、落後期、樣本或衝擊定義，應報告這些搜尋，不要把挑選出的路徑呈現為唯一分析。跨反應期間平滑可以使圖表更易閱讀，但會增加限制或調整選擇；若也展示平滑曲線，請同時呈現未平滑估計值並記錄方法。

說明結果變數、頻率、轉換方式、衝擊定義與單位、反應期間範圍、樣本日期、控制變數集合，以及缺失觀測值的處理方式。識別假設應與迴歸公式分開說明。報告各反應期間的係數與不確定性，或提供單位和區間定義清楚易讀的圖表。

說明估計與推論程序，包括落後期長度、共變異數估計量或自助法，以及區間是逐點或同時的。展示採用合理替代衝擊衡量值、落後期選擇或樣本期間的相關敏感度分析。IRF 是特定已識別衝擊與結果變數的模型式摘要；它不是交易訊號，也不保證未來報酬。

Jordà 的局部投射法原始論文介紹逐反應期間估計。Plagborg-Møller 與 Wolf 的LP 與 VAR 等價性結果說明共同母體目標與有限落後期情形的差別。Montiel Olea 與 Plagborg-Møller 的推論分析研究特定條件下落後期擴增 LP 的信賴區間。相關指南包括[金融事件研究](/zh-TW/learn/finance-event-study-abnormal-returns-car-explained)、[穩健與 HAC 標準誤](/zh-TW/learn/robust-standard-errors-heteroskedasticity-hac-finance-explained)，以及[差異中的差異事件時間設計](/zh-TW/learn/difference-in-differences-parallel-trends-finance-explained)。