自 2022 年以来 ， 美国货币政策的传导是否发生了变化 ？

自2022年以来，美国货币政策的传导是否发生了变化？ 菲利普·巴雷特和约瑟夫·普拉泽 WP / 24 / 129 货币基金组织工作文件描述了作者正在进行的研究，并发表了这些论文，以引起评论并鼓励辩论。基金组织工作文件中表达的观点是作者的观点，不一定代表基金组织、其执行董事会或基金组织管理层的观点。 2024JUN IMF工作文件 西半球部 自2022年以来，美国货币政策的传导是否发生了变化？* 授权由Nigel Chalk于2024年6月分发 货币基金组织工作文件描述了作者正在进行的研究，并发表了这些论文，以引起评论并鼓励辩论。基金组织工作文件中表达的观点是作者的观点，不一定代表基金组织、其执行董事会或基金组织管理层的观点。 摘要：活动和通胀对美联储2022年加息反应缓慢。这是因为货币政策的传导发生了变化吗？还是其他冲击抵消了更严格的政策？我们使用大流行前的数据来估算VAR，并将其用作过滤器，以抵消自2022年以来与数据一致的货币政策冲击序列。我们将这些隐含冲击与实际冲击进行比较，发现在2022年2月至7月期间差异具有统计学意义。这些差异意味着货币传导比正常情况弱了约25%。我们的方法考虑了其他冲击；允许它们进行更改以匹配COVID后数据的协方差会产生类似的结果，但时间较短。我们分解了估计不确定性的变化，发现冲击的共线性通常比模型参数的不确定性更为重要。我们将分析扩展到中央银行的信息冲击，发现美联储在2021年的沟通不如平常。 1Introduction 随着通货膨胀率达到20世纪80年代中期以来的最高水平，2022年3月，美联储进行了一系列加息中的第一次。在接下来的19个月中，联邦基金利率从零增加到超过5％。从任何标准来看，这都是一次大规模而快速的货币紧缩。在之前的四个紧缩周期中，联邦基金利率的涨幅要小得多，也要慢得多，平均需要21个月才能达到峰值，通常比起始水平高出2.5个百分点。1 到2022年7月，很明显，这一紧缩周期将持续一段时间。到那时，许多预测人士预测利率将进一步上升，并至少在2023年底之前保持高位。人们普遍预计，这一政策立场将使产出低于其长期趋势，并使通胀回落至目标水平，符合货币政策传导的标准观点（见图1）。 图显示了利率、产出和价格水平的结果与2022年7月的预测。通过计算相对于预测的同期数据，从修订中提取的对数GDP变化预测。对数GDP的趋势是按年率计算的2.1，是2000 - 2019年的平均水平。对于核心PCE，目标是2％，即美联储的通胀目标。缩写：WEO，国际货币基金组织的《世界经济展望》；SPF，费城联邦储备银行的专业预测机构调查。 However,outturnslargelyconfoundedthese-outthrough-out2022and2023,atmorethandoubletherateofeventhemostoptimalforecasters.Thisgrowthsurprisingoccurredeventhoughinterestratesendedupbeingmuchhigherthanexpected,someth 1从1994年2月，1999年6月，2004年6月和2015年12月开始的周期 尽管产出激增，但通胀已经回到接近美联储2%目标的水平。 在如此激进的紧缩周期中，实体经济的异常强劲表现以及明显没有联系的通货膨胀提出了一个明显的问题：在这一事件中，货币政策的传导是否有所不同？如果是，如何？本文试图回答这些问题。 回答这些问题的关键挑战是将其他宏观经济冲击（或它们的组合）的影响与货币政策转移的任何潜在变化分开。例如，意料之外的财政扩张和积极的供给冲击的混合可能产生高于预期的产出和利率以及通胀下降，即使货币政策完全按照预期行事。 鉴于这一挑战，我们开发了一种方法来回答这个问题，该方法考虑了其他冲击的影响，但不必明确识别它们。我们的基本方法分为三个步骤。我们首先本着Jaroci'si和Karadi[2020]的精神，从高频日内金融市场数据中构建了一系列货币政策冲击，并使用COVID之前的样本来估计因子增强向量自回归（FAVAR），其中包括货币政策冲击作为数据。2FAVAR的简化形式冲击的Cholesy分解首先对货币冲击进行排序，然后进行半结构性干预，其中确定了货币政策冲击，但不确定非货币冲击。这一步骤的目的是为宏观经济时间序列产生一个数据生成过程，该过程体现了关于前COVID时期货币政策传导的相对标准的观点。3 在第二步中，我们将FAVAR倒置，就好像货币政策冲击是未知的一样，将其用作过滤器，以抵消从2021年到现在最有可能的一系列冲击。这产生了自2021年以来的高频冲击的分布，在货币政策与宏观数据的映射没有改变的零假设下。我们方法的优势在于，它明确考虑了其他冲击成分的变化。尽管推断的货币冲击直接取决于估计的货币政策传输，但它们仅通过减少形式残差的协方差间接取决于其他冲击。换句话说，即使其他冲击的一些不寻常的组合在紧缩后时期推动了结果，只要这些其他冲击与数据的估计协方差一致，这根本不会影响推断的货币冲击。这个特征暗示了一个自然的延伸：放松这个假设。 2除了货币政策冲击之外，基准VAR还包括联邦基金利率、工业生产、私人消费、通胀和超额债券溢价的数据，以及一系列其他宏观经济时间序列的前五个主要组成部分。 3如Paul [2020]所示，将仪器直接包括在VAR中与Stock and Watson [2012]和Mertens and Ravn [2013]开创的更标准的外部仪器方法相同，直到通过常数重新缩放。我们在第2节中讨论了我们的方法与使用外部仪器的关系。 只需将估计的简化形式协方差矩阵替换为另一个，例如根据2021年后的数据估计的协方差矩阵。这样就可以计算出与数据一致的货币冲击分布，并且传递不变，即使其他冲击的影响也发生了变化。此外，这可以在不确切说明其他冲击如何变化的情况下完成，只是它们对汇总数据协方差的影响。 在第三步中，我们将这些分布与自2021年以来观察到的高频货币政策冲击进行比较。如果零假设成立-货币政策传导没有改变-那么已实现和推断的冲击应该对齐。我们提出了最大似然测试，以评估单一货币政策的传播已经改变的证据的强度，以及对这些测试的修改，这些测试允许定量评估货币政策可能有多弱。 我们在相同的估计框架内给出了两种货币冲击的结果，一种是对货币政策立场的“纯粹”冲击，另一种是中央银行信息冲击。前者对应于真正收紧的货币政策，而后者发生在美联储向经济中的其他代理人传达其对其他未来冲击的见解时。我们发现，在2022年2月至7月之间，衡量的高频货币立场冲击持续且在统计上明显高于过滤器所暗示的冲击，无论是平均还是个别月份。也就是说，尽管美联储一再以出乎意料的紧缩货币政策令市场感到惊讶，但宏观数据的反应却似乎恰恰相反。我们还表明，在整个2021年，已实现的中央银行信息冲击大于过滤器所暗示的冲击；数据的反应似乎是美联储的负面信息。这表明，2021年的货币政策沟通可能不如平时有效。 我们进一步研究了纯货币冲击的结果，为货币政策强度变化的幅度提供了证据。我们表明，在我们的基准规范中，人们可以在5％的置信水平上拒绝零，即在2022年2月至7月期间，货币政策的有效性降低了25％。这意味着，在此期间，美联储每加息三次，他们就需要再加息一次，以实现与新冠肺炎之前预期的同样程度的紧缩。当我们考虑其他冲击的方差变化来复制2021-2023年数据的协方差时，我们发现这个结论有点弱-仅在2022年3月和4月保持相同的信心。相反，在我们的震惊系列中包括政策制定者的讲话加强了这一发现，同样的效果保持在1%的水平。 Wealsoanalyzethesourceofthenectivelyarisinginourapproach,sincethequantic-cationofthisnectivelyisessentialtoformulationthehypothesistestsweapply.Wefindthatnectivelyoverthemodelparametersaccountsforaslimminorityofthet 由于冲击的共线性而产生的不确定性— —即货币政策和其他冲击对数据产生类似影响的程度，因此难以解开— —稍微重要一些。 相关文献我们的工作有助于三个先前的研究领域。 首先，我们有助于使用围绕特定事件的资产价格的高频变化来构建已识别的货币政策冲击的文献（Ktter [2001]，G _ raya等人。[2004]和许多其他人)。最初，文献集中在联邦公开市场委员会（FOMC）的公告上。然而，FOMC的预定会议数量有限（通常每年8次），围绕事件的资产价格变化的规模很小。因此，最近的文献（Swaso [2023]，Swaso和Jayawicrema [2023]）扩展了该方法，包括FOMC会议后的新闻发布会，FOMC会议纪要的发布以及美联储主席和副主席的讲话。 They find that these events are important sources of variation for asset prices. In an extension, weexpand the list of events further by including speaks by all FOMC Board members. 第二，关于在向量自回归（VAR）模型中使用高频货币政策冲击作为识别冲击的方法论文献（StocadWatso[2012]，MertesadRav[2013]，GertleradKaradi[2015]）。这些论文研究了已识别的货币政策冲击对经济的动态影响。虽然我们使用类似的方法来估计VAR，但我们的最终应用是不同的。一旦我们估计了VAR，我们就将其反转，并将其用作过滤器，以抵消测试期间最有可能的一组冲击。然后，我们对货币政策与宏观数据的映射是否发生变化进行统计检验。与Pal[2020]类似，我们追求外部工具框架中不易体现的额外步骤，促使我们将冲击直接纳入VAR。 第三，有一篇关于货币政策对COVID-19大流行及其后果的反应的新兴文献(Eglish等人。[2024]，鲍尔等人。[2022])。这项工作大部分集中在货币传导机制的关键成分上，而不是我们所看到的更一般的传导概念。例如，斯特德曼和波拉德[2023]强调，自大流行以来，服务业劳动力市场特别紧张。这些部门对利率变化的敏感性较低，可能会抑制货币政策的影响。同样，科恩[2023]认为，劳动力市场的弹性与大流行后时代的严重劳动力短缺有关，导致雇主留住工人并雇用技能较低的工人。D'Amico和Kig[2023]认为，在大流行后的紧缩周期中，货币政策的滞后可能会更短，因为货币政策的预期渠道的作用增强。Berger等人。[2021]和Eichebam等人。[2022]强调了大量债务的存在。 固定利率、预付抵押贷款可能会导致货币政策的国家依赖效应。特别是，他们发现，一旦美联储开始加息，大流行之前以及期间的利率路径可能会对货币政策的有效性产生重大阻力。我们对这些文献的贡献在于，我们利用大流行以来有限的可用数据，对货币政策传导是否比大流行前有所减弱进行统计检验。 本文组织如下：在第2节中，我们描述了我们的方法；在第3节中，我们讨论了我们的货币政策冲击的构造；在第4节中，我们描述了估计的FAVAR，并在COVID之前的样本上验证了我们的方法；在第5节中，我们介绍了我们的主要结果，将滤波器隐含冲击与高频数据中测量的冲击进行比较；在第6节中，我们讨论了对结果的替代解释；在第7节中，我们得出结论。 2Methodology 2.1半结构向量自回归的估计 让yt是的向量N宏变量和vt是i. i. d.的代理向量KDifferent monetary policy sharps identified from other data.We