新凯恩斯宏观模型的符号限制：“准不可知”识别过程的结果

本文提出了一种“准不可知”的符号限制程序，用于识别非频繁主义结构向量自回归（SVAR）模型中的结构冲击。文章认为，不可知符号限制程序的低接受率并非必然意味着模型设定错误，低接受率可能是因为不可知程序未能利用关于宏观变量对结构冲击的反应符号的事前先验信息。

文章首先构建了一个包含产出缺口、通胀和平均政策利率的美国宏观经济三变量递归SVAR模型，并使用2SLS方法进行估计。结果表明，识别出的冲击对产出缺口和利率具有持久影响，而对通胀的影响通常持续时间较短。递归假设无法用现有的经济结构知识进行合理化，并且产生了“价格谜题”——即正向货币冲击导致通胀上升。因此，文章放松了参数化短期限制，并使用Ouliaris和Pagan（2016）提出的生成系数（SRC）算法对脉冲响应函数在不同时间范围内施加不可知符号限制。结果表明，“价格谜题”得到了解决，但接受率非常低，这表明要么是模型设定错误，要么是识别程序存在局限性。

为了克服可能的识别程序局限性，文章提出了一种旨在识别更多可能经济结构的策略，该策略类似于跨逐步细化识别程序的网格搜索。这些程序被指定为“准不可知”，反映了它们的适应性，即在后续方法中，会根据早期程序的结果关于可能的结构参数区间的洞察来调整后续方法。结果表明，该策略可以显著提高接受率，揭示出与宏观变量对结构冲击的反应符号的事前先验信息一致的经济结构更大集合。

对于双变量SVAR，可以找到一种封闭形式解，以便在事后对结构参数施加与事前关于宏观变量对结构冲击的反应符号的先验信息一致的符号限制。对于更高维度的SVAR，仅使用事后信息来限制可能的结构参数集合并不能保证已经识别出所有与宏观响应的符号的事前先验信息一致的可能结构参数。换句话说，结果仍然留下了关于可能的模型设定错误和识别程序在决定接受率方面相对重要性的问题悬而未决。未来的研究应识别更高维度SVAR的结构参数的事前限制。