Monte Carlo Analysis of Forecast Error Variance Decompositions under Alternative Model Identification Schemes

• Authors: Anna Staszewska-Bystrova

Title variants

Badanie dekompozycji wariancji błędów prognozy przy różnych schematach identyfikacji modeli wektorowej autoregresji za pomocą metody Monte Carlo

• Languages of publication: EN

Abstracts

EN

The goal of the paper is to investigate the estimation precision of forecast error variance decomposition (FEVD) based on stable structural vector autoregressive models identified using short‑run and long‑run restrictions. The analysis is performed by means of Monte Carlo experiments. It is demonstrated that for processes with roots close to one, selected FEVD parameters can be esti­mated more accurately using recursive restrictions on the long‑run multipliers than under recursive restrictions on the impact effects of shocks. This finding contributes to the discussion of pros and cons of using alternative identification schemes by providing counterexamples for the notion that short‑run identifying restrictions lead to smaller estimation errors than long‑run restrictions.

PL

Celem artykułu jest zbadanie dokładności estymacji parametrów dekompozycji wariancji błędów prognozy dla strukturalnych modeli wektorowej autoregresji zidentyfikowanych z użyciem restrykcji na parametry krótko‑ i długookresowe. W analizie wykorzystano eksperymenty Monte Carlo. Wykazano, że dla procesów o pierwiastkach, których wartość zbliżona jest do jedności, wybrane parametry dekompozycji wariancji błędów prognozy można oszacować z większą precyzją przy założeniu trójkątnej macierzy mnożników długookresowych niż przy restrykcji trójkątnej macierzy mnożników bezpośrednich. Uzyskane wyniki wnoszą wkład do dyskusji dotyczącej zalet i wad różnych schematów identyfikacji przez wskazanie kontrprzykładów dla hipotezy, że wykorzystanie restrykcji krótkookresowych prowadzi do mniejszych błędów szacunku niż zastosowanie restrykcji na parametry długookresowe.

Keywords

EN

forecast error variance decomposition; structural vector autoregressive model; long-run restrictions; short-run restrictions

PL

dekompozycja wariancji błędów prognozy; strukturalne modele wektorowej autoregresji; restrykcje długookresowe; restrykcje krótkookresowe; dekompozycja wariancji błędów prognozy; strukturalne modele wektorowej autoregresji; restrykcje długookresowe; restrykcje krótkookresowe

• Publisher: Uniwersytet Łódzki. Wydawnictwo Uniwersytetu Łódzkiego
• Journal: Acta Universitatis Lodziensis. Folia Oeconomica
• Year: 2018
• Volume: 5
• Issue: 338
• Pages: 115-131

Dates

published

2018-09-28

Contributors

author

Anna Staszewska-Bystrova

• University of Łódź, Faculty of Economics and Sociology, Chair of Econometric Models and Forecasts,

• https://orcid.org/0000-0002-3941-4986

References

• Blanchard O., Quah D. (1989), The dynamic effects of aggregate demand and supply disturbances, “American Economic Review”, vol. 79, pp. 655–673.
• Bruder S. (2015), Comparing several methods to compute joint prediction regions for path forecasts generated by vector autoregressions, University of Zurich, Department of Economics, Working Paper, no. 181.
• Bruno V., Shin H.S. (2015), Capital flows and the risk‑taking channel of monetary policy, “Journal of Monetary Economics”, vol. 71, pp. 119–132.
• Chaudourne J., Fève P., Guay A. (2014), Understanding the effect of technology shocks in SVARs with long‑run restrictions, “Journal of Economic Dynamics and Control”, vol. 41, pp. 154–172.
• Christiano L.J., Eichenbaum M., Vigfusson R.J. (2006), Alternative procedures for estimating vector autoregressions identified with long‑run restrictions, “Journal of the European Economic Association”, vol. 4, pp. 475–483.
• Faust J., Leeper E. (1997), When do long‑run identifying restrictions give reliable results?, “Journal of Business Economics and Statistics”, vol. 15, pp. 345–353.
• Francis N., Owyang M.T., Roush J.E., DiCecio R. (2014), A flexible finite‑horizon alternative to long‑run restrictions with an application to technology shocks, “Review of Economics and Statistics”, vol. 96(4), pp. 638–647.
• Galbraith J., Ullah A., Zinde‑Walsh V. (2002), Estimation of the vector moving average model by vector autoregression, “Econometric Reviews”, vol. 21(2), pp. 205–219.
• Giacomini R. (2013), The Relationship Between DSGE and VAR Models, [in:] T.B. Fomby, L. Kilian, A. Murphy (eds.), VAR Models in Macroeconomics – New Developments and Applications: Essays in Honor of Christopher A. Sims, Emerald Group Publishing Limited, Bingley.
• Huh H.‑S. (2013), A Monte Carlo test for the identifying assumptions of the Blanchard and Quah (1989) model, “Applied Economics Letters”, vol. 20(6), pp. 601–605.
• Kilian L. (1998), Small‑sample confidence intervals for impulse response functions, “The Review of Economics and Statistics”, vol. 80(2), pp. 218–230.
• Kilian L. (2009), Not all oil price shocks are alike: Disentangling demand and supply shocks in the crude oil market, “American Economic Review”, vol. 99, pp. 1053–1069.
• Kilian L., Lütkepohl H. (2017), Structural Vector Autoregressive Analysis, Cambridge University Press, Cambridge.
• Kim J.H. (2014), Testing for parameter restrictions in a stationary VAR model: A bootstrap alternative, “Economic Modelling”, vol. 41, pp. 267–273.
• Lanne M., Meitz M., Saikkonen P. (2017), Identification and estimation of non‑Gaussian structural vector autoregressions, “Journal of Econometrics”, vol. 196(2), pp. 288–304.
• Li Y.D., İşcan T.B., Xu K. (2010), The impact of monetary policy shocks on stock prices: Evidence from Canada and the United States, “Journal of International Money and Finance”, vol. 29(5), pp. 876–896.
• Lin B., Liu C. (2016), Why is electricity consumption inconsistent with economic growth in China?, “Energy Policy”, vol. 88, pp. 310–316.
• Ludvigson S.C., Ma S., Ng S. (2017), Shock restricted structural vector‑autoregressions, NBER Working Paper no. 23225.
• Lütkepohl H. (2005), New Introduction to Multiple Time Series Analysis, Springer‑Verlag, Berlin.
• Lütkepohl H., Staszewska‑Bystrova A., Winker P. (2015a), Comparison of methods for constructing joint confidence bands for impulse response functions, “International Journal for Forecasting”, vol. 31, pp. 782–798.
• Lütkepohl H., Staszewska‑Bystrova A., Winker P. (2015b), Confidence bands for impulse responses: Bonferroni versus Wald, “Oxford Bulletin of Economics and Statistics”, vol. 77, pp. 800–821.
• Lütkepohl H., Staszewska‑Bystrova A., Winker P. (2018), Estimation of structural impulse responses: short‑run versus long‑run identifying restrictions, “AStA Advances in Statistical Analysis”, vol. 102, pp. 229–244.
• Staszewska A. (2007), Representing uncertainty about response paths: The use of heuristic optimi­zation methods, “Computational Statistics and Data Analysis”, vol. 1, pp. 121–132.

Identifiers

DOI

10.18778/0208-6018.338.07