Байесовский подход к анализу влияния монетарной политики на макроэкономические показатели России

Аннотация
С помощью модели байесовской векторной авторегрессии (Bayesian vector autoregression, BVAR) рассматривается связь производственных макроэкономических показателей экономики России с импульсами ставки денежного рынка MIBOR, а также показателей инфляции – с импульсами денежного агрегата М2. В качестве априорного распределения параметров и ковариационной матрицы ошибок используется сопряженное нормальное обратное Уишарта распределение (Conjugate Normal Inverted Wishart Prior). Согласно проведенному исследованию, жесткая монетарная политика оказывает сдерживающее воздействие на российскую экономику. Рост ставки денежного рынка вызывает сокращение инвестиций в основной капитал и выпуск в основных отраслях экономики, а также падение доходов населения при росте уровня безработицы. Наряду с краткосрочными это имеет и долгосрочные негативные последствия.

Ключевые слова:
макроэкономика, монетарная политика, ставка денежного рынка MIBOR, BVAR, байесовская векторная авторегрессия



Список источников:

1. Sims C. A., Zha T. Bayesian methods for dynamic multivariate models // International Economic Review. 1998. Vol. 39 (4). P. 949–968.
2. 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.
3. Sims C. A Interpreting the macroeconomic time series facts: the effects of monetary policy // European Economic Review. 1992. Vol. 36. P. 2–16.
4. 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.
5. Doan T., Litterman R., Sims C. Forecasting and conditional projection using realistic prior distributions // Econometric reviews. 1984. Vol. 3 (1). P. 1–100.
6. Litterman R. Forecasting with Bayesian vector autoregressions – five years of experience // Journal of Business & Economic Statistics. 1986. Vol. 4 (1). P. 25–38.
7. Bańbura M., Giannone D., Reichlin L. Large Bayesian vector auto regressions // Journal of Applied Econometrics. 2010. Vol. 25 (1). P. 71–92.
8. 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.
9. 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.
10. 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.
11. Blake A., Mumtaz H. Applied Bayesian econometrics for central bankers. 4 ed. Technical Handbook. Centre for Central Banking Studies. Bank of England. 2012. 145 p.
12. Пономаренко А., Дерюгина Е. Большая байесовская векторная авторегрессионная модель для российской экономики. М., 2015. 23 с.
13. Демешев Б. Б., Малаховская О. А. Картографирование BVAR. Препринт. М., 2015. 37 с.
14. Шевелев А. А. Байесовский подход к оценке воздействия внешних шоков на макроэкономические показатели России // Мир экономики и управления. 2017. Т. 17, № 1. С. 26–40.
15. Kadiyala K., Karlsson S. Numerical Methods for Estimation and Inference in Bayesian VAR-Models // Journal of Applied Econometrics. 1997. Vol. 12 (2). P. 99–132.
16. Enders W. Applied econometric Time Series. Fourth Edition. University of Alabama. 2014. 498 p.
17. Скроботов А., Турунцевой М. Теоретические Аспекты Моделирования SVAR // SSRN´s eLibrary. 2015. 88 c.
18. Баранов А. О. Об искусстве компромисса между целями экономической политики в свете кризиса в России в 2015–2016 годах // ЭКО. 2017. № 6. С. 49–63.