第四节 稳健性检验

利用宏观时序数据检验货币政策效应的另一种常用方法是VAR模型，虽然这一方法因把具体传导机制看作“黑箱”而不宜用于结构分析，但是也具有对理论约束不敏感、更充分考虑内生性问题和可以动态分析系统对变量信息冲击反应的优势。实际上，Bernanke和Getler（1995）、Bean等（2002）在揭示金融摩擦条件下货币政策冲击的一些基本事实时，都用了VAR模型来分析“伯南克之谜”。为了观察前面结构线性单方程方法的稳健性，这里也拟用VAR模型进行对比。不过，能够基于样本信息直接估计的VAR模型是一种简约式模型，如果由简约式模型无法识别具有经济意义的结构式模型，那么VAR模型对冲击反应的观察结果因缺乏经济意义而具有很强的误导性。因此，选择VAR模型首先需要解决模型的识别性问题。识别包括短期与长期两种方法，基于如下原因，我们只对参数识别做短期约束而未涉及长期约束：一是短期约束的数量已足以保证结构式模型的可识别性；二是长期约束主要是基于名义冲击对真实经济变量长期无效的假设（Blanchard, Olivier and Quah,1989），但这一结论成立的前提是名义冲击仅具有在价格粘性条件下短期总量效应而不具有长期增长效应，但对中国这样经济存在严重异质性和摩擦的情形，名义需求冲击不仅会影响经济总量而且可能影响经济结构，因此名义冲击很可能具有长期效应（林毅夫，2010）。

具体地，尽管普通VAR模型往往存在样本信息数量过少而需估计参数过多的问题，但为了保持模型中变量的原始关系与样本信息，我们不拟利用FVAR和BVAR模型对VAR模型进行降维或进行先验的参数分布假设，而是借鉴Bernanke和Blinder（1992）、Afrin（2017）等的方法，采用对结构式模型进行递归识别的SVAR（Recursive SVAR）模型回归估计。即首先根据研究的问题与估计结果的有效性选择系统中的变量集，然后基于经济逻辑事前判断系统变量的同期因果时序方向，从而决定系统变量的排序，以及联系结构式模型新生冲击与简约式模型预测误差之间的相关系数矩阵。

一、递归SVAR模型方法

假定货币政策与相关宏观经济变量的动态互动关系遵循如下的结构VAR模型过程：

式中：Y为系统中内生变量组成的n×1向量，X是外生变量组成的K×1向量，A（L）和B（L）分别为n×n和n×k滞后算子多项式矩阵，ε为各内生变量新生信息组成的n×1向量，均值为0且互不相关。式（1-12）对应的简约式方程为：

联系式（1-13）的误差项与式（1-12）结构信息的关系式如下：

这里B是可逆矩阵。将式（1-13）两边同时乘以B-1并进行一定的变形整理可得：

这里In是n阶单位阵。由式（1-13）识别式（1-12）的关键在于在已知e t的条件下，式（1-14）是可识别的，即矩阵B各元素与εt的方差向量均有解。

二、递归模块设计与模型识别

在一些开放小国经济分析中，国外主要贸易伙伴的一般价格水平与原油等主要进口原材料价格分别被看作外部总需求与总供给的外生扰动因素，从而作为外生变量被引入模型（Ahmed and Islam,2004; Afrin,2017），但是，中国是一个开放的大国且中国原油价格与国际原油价格波动基本不同步（王湘，2014），因此这里不拟将国外变量作为外生变量引入整体VAR系统。根据前面的分析，我们选择将如下变量引入VAR系统：Y1——利率市场化，Y2——货币政策，Y3——汇率，Y4——利率，Y5——信贷，Y6——影子银行，Y7——新增固定资产投资完成额累计值，Y8——机器设备更新改造投资情况，Y9——GDP, Y10——投资结构，Y11——般价格水平。

由于矩阵B中的元素是否为0表示系统中变量时序是否影响次序，因此我们按如下原则确定系统中方程递归识别的次序：第一，作为一种制度变迁，利率市场化的变化速度要远小于其他变量，因此假定利率市场化会影响其他变量，但是其他变量在短期内不影响利率市场化，故将利率市场化变量排在第一位。第二，借鉴Bhattacharya（2011）和Afrin（2017），将所有的变量分为金融变量与实际经济变量两个模块，并假定金融变量会在当期影响实际变量，反之则不成立。其原因是，从企业微观决策角度来看，无论是汇率、利率还是信贷条件的变化，都会立即影响企业的融资成本或信贷配给，从而影响宏观经济波动。但是，无论是货币当局还是金融中介机构的决策变化，通常都是建立在对实际经济变量滞后期的观察基础之上。第三，金融变量模块中的变量排序是：货币政策、汇率、利率、信贷、影子银行。货币政策置前的原因是，汇率、利率、信贷与影子银行在当期即受货币政策的影响，但货币当局须在观察这些变量的几期变动后才会做出决策，不受后面变量当期变动的影响。汇率放在金融模块的第二位，是考虑到中国的汇率仍是有管理条件下的浮动汇率制，变动范围受限且相对缺乏弹性。按照Afrin（2017）的解释，信贷放在利率后面的原因是，利率的变动往往预示着经济环境的好坏变化趋势，而无论是银行还是企业，都会根据这一指标来决定当期信贷的供给与需求，但反过来，当期信贷的变动对利率的当期变动影响就要小得多。不过，除此以外，我们认为，这一次序安排也符合信贷变动是利率变动的引致需求的观点（Romer and Romer,1989; Kashyap and Stein,1994）。由于影子银行的存在是一种体制外的规避监管行为，因此它受前面其他所有因素的影响，但不会在当期影响前面的变量，故放最后。第四，实际变量模块的变量排序为：新增固定资产投资额、机器设备更新改造投资情况、GDP、投资结构。原因是，全社会新增固定资产投资额变化可能预示设备变化情况，故会影响设备投资当期支出。而无论是新增固定资产还是设备投资变化，都会影响当期的GDP，故GDP置于这些变量之后。相对而言，投资结构变化可能受前面所有变量当期变化的影响，但是投资结构变化一般不会在当期即引起其他变量的变化。第五，与Kim和Roubin（2000）、Bhuiyan（2012）一样，我们也假定一般价格水平在当期即受所有变量的影响，但不会在当期影响其他变量。表1-8构成了一个恰好识别的递归B矩阵设定。

三、估计方法

为了识别不同因素对脉冲响应结果的影响，这里采用Ramey（1993）、Disyata和Vongsinsirikul（2003）等提出的一种VAR模型比较分离技术，基本思想是：由于对于VAR模型来说，脉冲响应过程相当于将系统中的内生变量写成系统中所有内生变量随机扰动项的移动平均过程（VMA），即系统中的每一个变量可以表示为系统中所有方程随机扰动项加权移动平均形式，因此由求偏导的知识可知，某个变量关于另一个变量冲击的脉冲响应，相当于是剔除（控制）了VAR模型中其他变量的随机冲击在任何时点的扰动影响后，这一变量在任一时点的波动值。可见，除引起初始扰动的关注变量外，如果某一变量作为内生变量被引入VAR模型，则意味着这一变量冲击的影响被控制，此时关注变量的脉冲响应值剔除了这一变量冲击的影响；反之，如果某一变量没有以内生变量的形式被引入VAR模型，则意味着这一变量冲击的影响没有被控制，即关注变量的脉冲响应值“包含”这一变量冲击的影响。据此，通过在一个VAR模型中引入与排除某个变量，求出的关注变量脉冲响应之差即可近似表示这一变量对关注变量脉冲响应的影响大小。

四、脉冲响应结果

图1-1至图1-8给出了控制与不控制其他变量的各种情况下，产出或投资等的对数关于货币政策和利率的脉冲响应结果。总的来看，各种情况下的脉冲响应结果与前面的结构式方程ARDL模型结果基本一致，说明ARDL模型结果是相对稳健的。首先，图1-1、图1-2显示，仅利率本身远不能充分反映货币政策对产出的冲击，即便在递归的VAR模型中控制了利率后，图1-1仍然显示，货币政策对于产出仍有较大的冲击作用且其滞后期要长于利率的滞后斯，说明无论是“伯南克之谜”的时滞效应还是放大效应，在我国都显著存在。图1-2在不控制其他变量条件下的脉冲响应结果也表明，虽然货币政策对于设备投资的冲击较小，但对固定资产投资有着显著的影响，表明“伯南克之谜”的结构效应也显著存在。其次，将图1-3控制利率市场化条件下的脉冲响应结果与图1-1对比来看，虽然货币政策时滞效应仍然存在，但是，货币政策对产出的冲击有所减小，利率对产出的冲击明显增大，表明利率市场化显著地弱化了“伯南克之谜”的放大效应。类似地，对比图1-4、图1-2可知，在控制利率市场化水平后，固定资产投资关于货币政策的脉冲响应值大约降低了40%，说明利率市场化也显著弱化了“伯南克之谜”的结构效应。再次，将图1-5、图1-6控制影子银行后的结果与图1-3、图1-4对比易知，在控制影子银行后，货币政策的时滞效应有微弱的弱化，但是放大效应和结构效应各减小了约50%与15%，说明影子银行对于货币政策实施效果产生了比较重大的影响，这与前面的ARDL模型结果是基本一致的。最后，图1-7、图1-8控制经济产权结构的脉冲响应结果与图1-3、图1-4对比表明，在控制投资结构后，货币政策时滞效应减小了约1期，放大效应和结构效应各减小了约30%和20%，其中固定资产投资减少了约30%，设备投资减少了约10%，说明经济中民营经济比重的提高，对于完善实体经济的市场化水平，从而减小整体经济市场摩擦的程度和提高货币政策传导与理论预期的一致性，具有重要意义。