Байесовский подход к оценке воздействия внешних шоков на макроэкономические показатели России

Аннотация
Одним из перспективных подходов к моделированию макроэкономики страны и количественной оценке воздействия внешних и внутренних факторов на нее, в настоящее время активно используемым за рубежом, является байесовский подход к описанию макроэкономических процессов. В данном исследовании рассматриваются возможности применения модели байесовской векторной авторегрессии (BVAR) для оценки влияния внешних шоков, таких как цена на нефть марки «Brent», индекс волатильности на финансовых рынках VIX и индекс Шанхайской торговой биржи SSE, на динамику макроэкономических показателей России. Полученные результаты позволили оценить вклад внешних факторов в динамику макроэкономических показателей России как существенный. Представленный подход может успешно применяться для анализа российских данных, что подтверждают приведенные в статье результаты.

Ключевые слова:
BVAR, байесовская векторная авторегрессия, внешнеэкономические шоки, макроэкономика, распределение Миннесоты

Источник финансирования
Статья подготовлена при финансовой поддержке «Научного фонда экономического факультета» Новосибирского национального исследовательского государственного университета.



Список литературы

1. Koop G., Korobilis D. Bayesian Multivariate Time Series Methods for Empirical Macroeconomics // Foundations and Trends (R) in Econometrics. 2010. Vol. 3 (4). P. 267–358.
2. Sims C. A. Macroeconomics and reality. Discussion Papers. Center for Economics Research. Department of Economics. University of Minnesota, 1977. 77 p.
3. Демешев Б. Б., Малаховская О. А. Картографирование BVAR. Препринт / Высшая школа экономики. М., 2015. 37 с.
4. Ломиворотов Р. В. Выявление основных макроэкономических шоков в России, оценка их влияния на экономику и выводы для денежно-кредитной политики: Дис. … канд. экон. наук. М., 2015. 154 с.
5. Bernanke B., Boivin J., Eliasz P. Measuring the effects of monetary policy: A factoraugmented vector autoregressive (FAVAR) approach // The Quarterly Journal of Economics. 2005. Vol. 120 (1, Feb). P. 387–422.
6. Sims C. A. Interpreting the macroeconomic time series facts: the effects of monetary policy // European Economic Review. 1992. Vol. 36. P. 2–16.
7. Sims C. A., Zha T. Bayesian methods for dynamic multivariate models // International Economic Review. 1998. Vol. 39 (4). P. 949–968.
8. Christiano L. M., Eichenbaum M., Evans C. The effects of monetary policy shocks: some evidence from the flow of funds // The Review of Economics and Statistics. 1996. Vol. 78 (1). P. 16–34.
9. Stock J., Watson M. Implications of Dynamic Factor Models for VAR Analysis // NBER Working Papers, 2005. Vol. 11467. P. 67.
10. Forni M., Hallin M., Lippi M., Reichlin L. The generalized dynamic factor Model: onesided estimation and forecasting // Journal of American Statistical Association. 2005. Vol. 100. P. 830–840.
11. Doan T., Litterman R., Sims C. Forecasting and conditional projection using realistic prior distributions // Econometric Reviews. 1984. Vol. 3 (1). P. 1–100.
12. Litterman R. Forecasting with Bayesian vector autoregressions – five years of experience // Journal of Business & Economic Statistics. 1986. Vol. 4 (1). P. 25–38.
13. Bańbura M., Giannone D., Reichlin L. Large Bayesian vector auto regressions // Journal of Applied Econometrics. 2010. Vol. 25 (1). P. 71–92.
14. De Mol C., Giannone D., Reichlin L. Forecasting using a large number of predictors: Is Bayesian shrinkage a valid alternative to principal components? // Journal of Econometrics. 2008. Vol. 146 (2). P. 318–328.
15. Carriero A., Kapetanios G., Marcellino M. Forecasting government bond yields with large Bayesian vector autoregressions // Journal of Banking & Finance. 2012. Vol. 36 (7). P. 2026–2047.
16. Carriero A., Clark T., Marcellino M. Bayesian VARs: specification choices and forecast accuracy // Journal of Applied Econometrics. 2015. Vol. 30 (1). P. 46–73.
17. Canova F. Methods for Applied Macroeconomic Research. Preprint. Princeton University Press, 2007. 45 p.
18. Демешев Б. Б., Малаховская О. А. Сравнение случайного блуждания, VAR и BVAR Литтермана при прогнозировании выпуска, индекса цен и процентной ставки. Препринт / Высшая школа экономики. М., 2015. 21 с.
19. Blake A., Mumtaz H. Applied Bayesian econometrics for central bankers. 4th ed. Technical Handbook. Centre for Central Banking Studies. Bank of England. 2012. 145 p.
20. Zellner A. An Introduction to Bayesian Inference in Econometrics. Wiley Classics Library. Wiley, 1996. 448 p.
21. Kadiyala K., Sune K. Numerical Methods for Estimation and Inference in Bayesian VAR-Models // Journal of Applied Econometrics. 1997. Vol. 12 (2). P. 99–132.
22. Geman S., Geman D. Stochastic Relaxation, Gibbs Distributions, and the Bayesian Restoration of Images // IEEE Transactions on Pattern Analysis and Machine Intelligence. 1984. Vol. 6 (6). P. 721–741.