Структурные векторные авторегрессии¶

Структурная векторная авторегрессия (SVAR, Structural Vector Autoregression) — класс эконометрических моделей, предназначенный для анализа динамических взаимосвязей между несколькими временными рядами и выявления причинно-следственных эффектов (импульсных откликов) на основе ограничений, накладываемых на структуру одновременных связей. В отличие от стандартной векторной авторегрессии (VAR), которая описывает только корреляционные зависимости между переменными в приведённой форме, SVAR позволяет интерпретировать шоки (возмущения) в каждом уравнении как структурные (экономически осмысленные) воздействия, что даёт возможность проводить контрфактическое моделирование и оценивать влияние политических или внешних факторов.

¶История

Методология структурных векторных авторегрессий берёт начало в 1980-х годах как развитие идей векторной авторегрессии, предложенной Кристофером Симсом в 1980 году. Симс показал, что макроэкономические временные ряды можно моделировать с помощью VAR, не накладывая априорных теоретических ограничений, однако интерпретация шоков в такой модели оставалась неоднозначной. Для преодоления этого недостатка в 1981 году Оливье Бланшар и Дэнни Куа (в работе «The Dynamic Effects of Aggregate Demand and Supply Disturbances») предложили метод идентификации структурных шоков через ограничения на долгосрочные эффекты, а в 1983 году Кристофер Симс и Томас Сарджент (в работе «The Litterman Model and the Identification of Structural Shocks») развили подход с краткосрочными ограничениями. В 1989 году Джеймс Сток и Марк Уотсон (в работе «Interpreting the Evidence on Money-Income Causality») систематизировали методы идентификации в рамках SVAR, что сделало модель стандартным инструментом макроэкономического анализа.

¶Классификация

¶По способу идентификации

1. SVAR с краткосрочными ограничениями — накладываются ограничения на одновременные (нулевые) эффекты между переменными. Например, предполагается, что изменение денежной массы не влияет на выпуск в том же периоде, но влияет в последующих. Это наиболее распространённый тип, введённый Симсом (1980).
2. SVAR с долгосрочными ограничениями — ограничения касаются долгосрочных эффектов шоков. Например, шок спроса не влияет на выпуск в долгосрочном периоде, а шок предложения — влияет. Разработан Бланшаром и Куа (1989).
3. SVAR с ограничениями на знак — вместо точных нулевых ограничений задаются знаки импульсных откликов (например, шок процентной ставки увеличивает ставку и снижает выпуск). Метод популяризирован Ульрихом (2005).
4. SVAR с ограничениями на ковариационную структуру — используются предположения о корреляции структурных шоков, например, что они некоррелированы друг с другом.

¶По типу данных

• Макроэкономические SVAR — применяются к агрегированным показателям (ВВП, инфляция, безработица, денежная масса).
• Микроэкономические SVAR — моделируют поведение отдельных фирм или отраслей (например, цены на сырьё, объёмы производства).
• Финансовые SVAR — анализируют взаимосвязи между финансовыми переменными (доходности акций, волатильность, процентные ставки).

¶Устройство и характеристики

¶Математическая форма

Стандартная структурная векторная авторегрессия порядка \(p\) записывается в виде:

\[ A_0 y_t = c + A_1 y_{t-1} + A_2 y_{t-2} + \dots + A_p y_{t-p} + \varepsilon_t \]

где:

• \(y_t\) — вектор эндогенных переменных размерности \(n\);
• \(A_0\) — матрица коэффициентов одновременных связей (с единицами на диагонали);
• \(A_1, \dots, A_p\) — матрицы коэффициентов при лагах;
• \(c\) — вектор констант;
• \(\varepsilon_t\) — вектор структурных шоков, предполагаемых некоррелированными и имеющими диагональную ковариационную матрицу.

Приведённая форма VAR получается умножением обеих частей на \(A_0^{-1}\):

\[ y_t = \Pi_0 + \Pi_1 y_{t-1} + \dots + \Pi_p y_{t-p} + u_t \]

где \(u_t = A_0^{-1} \varepsilon_t\) — ошибки приведённой формы, коррелированные между собой. Задача идентификации состоит в восстановлении матрицы \(A_0\) (или её обратной) из ковариационной матрицы \(u_t\) и наложенных ограничений.

¶Идентификация

Для идентификации структурных шоков необходимо наложить \(n(n-1)/2\) ограничений на матрицу \(A_0\) (или на матрицу долгосрочных эффектов). Ограничения могут быть:

• Нулевые — конкретные элементы матрицы \(A_0\) приравниваются к нулю (например, \(a_{ij}=0\) означает, что шок \(j\) не влияет на переменную \(i\) в текущем периоде).
• Знаковые — задаётся знак отклика (например, положительный или отрицательный).
• Параметрические — фиксируются значения некоторых коэффициентов (например, эластичность спроса на деньги).

¶Импульсные отклики

Основной результат SVAR — функции импульсного отклика (IRF), показывающие, как каждая переменная реагирует на единичный структурный шок во времени. Доверительные интервалы для IRF обычно строятся методом бутстрепа или асимптотической аппроксимации.

¶Декомпозиция дисперсии

Декомпозиция дисперсии ошибки прогноза (FEVD) показывает, какая доля вариации каждой переменной на различных горизонтах прогноза объясняется каждым структурным шоком.

¶Применение

¶Макроэкономика

• Монетарная политика — оценка влияния шоков процентной ставки на инфляцию и выпуск (например, работа Кристиана и Айхенбаума, 1992).
• Фискальная политика — анализ эффектов государственных расходов и налогов (Бланшар и Перотти, 2002).
• Шоки предложения и спроса — разделение влияния технологических и спросовых шоков на экономический цикл (Гали, 1999).
• Международная экономика — моделирование эффектов обменного курса, торговых потоков и глобальных шоков.

¶Финансы

• Влияние новостей — оценка реакции фондовых индексов на макроэкономические объявления.
• Волатильность — анализ передачи шоков волатильности между рынками (SVAR с условной гетероскедастичностью).

¶Энергетика

• Цены на нефть — идентификация шоков спроса и предложения на рынке нефти (Килиан, 2009).

¶Россия

В российской экономической литературе SVAR применяются для анализа:

• Влияния денежно-кредитной политики Банка России на инфляцию и выпуск (работы Института экономической политики имени Е. Т. Гайдара, 2010-е годы).
• Эффектов бюджетных шоков (например, изменение цен на нефть) на макроэкономические показатели.
• Взаимосвязи между курсом рубля, инфляцией и процентными ставками.

¶Критика

1. Проблема идентификации — результаты SVAR чувствительны к выбору ограничений, которые часто не имеют однозначного экономического обоснования. Разные наборы ограничений могут приводить к противоположным выводам.
2. Нестационарность — многие макроэкономические ряды нестационарны, что требует предварительного дифференцирования или коинтеграционного анализа, усложняющего модель.
3. Малая выборка — при коротких временных рядах (например, для стран с переходной экономикой) оценки параметров могут быть нестабильными.
4. Игнорирование нелинейностей — стандартные SVAR предполагают линейные связи, тогда как в реальности возможны нелинейные эффекты (например, асимметрия реакции на положительные и отрицательные шоки).
5. Проблема «сверх-идентификации» — избыточные ограничения могут ухудшать качество модели.

¶Интересные факты

• Метод SVAR активно используется в центральных банках мира для прогнозирования и анализа политики. В Банке России SVAR является одним из инструментов макроэкономического моделирования.
• В 2011 году Кристофер Симс получил Нобелевскую премию по экономике за разработку VAR и SVAR.
• Существуют расширения SVAR: SVAR с изменяющимися во времени параметрами (TVP-SVAR), SVAR с марковскими переключениями (MS-SVAR) и байесовские SVAR (B-SVAR), которые позволяют учитывать нестабильность структуры экономики.

¶Источники

• Sims, C. A. (1980). «Macroeconomics and Reality». Econometrica, 48(1), 1–48.
• Blanchard, O. J., & Quah, D. (1989). «The Dynamic Effects of Aggregate Demand and Supply Disturbances». American Economic Review, 79(4), 655–673.
• Kilian, L. (2009). «Not All Oil Price Shocks Are Alike: Disentangling Demand and Supply Shocks in the Crude Oil Market». American Economic Review, 99(3), 1053–1069.
• Christiano, L. J., Eichenbaum, M., & Evans, C. L. (1999). «Monetary Policy Shocks: What Have We Learned and to What End?». Handbook of Macroeconomics, 1, 65–148.
• Stock, J. H., & Watson, M. W. (2001). «Vector Autoregressions». Journal of Economic Perspectives, 15(4), 101–115.
• Гайдар, Е. Т. (2010). «Экономика переходного периода». Институт экономической политики имени Е. Т. Гайдара.