新凯恩斯菲利普斯曲线的弱识别检验和稳健估计，本文主要内容关键词为：凯恩斯论文,稳健论文,曲线论文,普斯论文,菲利论文，此文献不代表本站观点，内容供学术参考，文章仅供参考阅读下载。
中图分类号 F831 文献标识码 A JEL分类号 E31 目前货币政策分析的工具主要是DSGE(Dynamic Stochastic General Equilibrium)模型。基本的DSGE模型由新凯恩斯菲利普斯曲线(New Keynesian Phillips Curve，NKPC)、动态IS曲线和一个货币规则构成。NKPC可以作为DSGE结构性方程中的一个用全信息方法(似然估计或者贝叶斯方法)进行总体估计，也可以作为一个单独的方程用有限信息方法进行单独估计。对NKPC的有限信息估计方法主要是一般矩估计(Generalized Method of Moments，GMM)或者是有限信息似然估计(Limited Information Likelihood Estimates， LILM)。GMM估计和统计推断一般是基于大样本的假设和相关渐近性质，但是在实证中观测值通常较少，使得GMM的大样本性质不满足，进而导致NKPC的参数估计和统计推断不准确。尤其是NKPC的估计中通常用滞后变量作为内生变量的工具变量，容易导致弱识别(Weak Identification)问题。弱识别问题在小样本的情况下经常出现，对NKPC的估计中也因为通胀增量较难预测使得内生变量和工具变量之间的相关性较弱，从而导致弱识别。本文主要研究弱识别对GMM估计的影响、弱识别的检验以及相关弱识别稳健的统计量。在此基础上用弱识别稳健的方法对NKPC进行估计和检验。 一、文献综述 NKPC是构成新凯恩斯模型的三个主要方程之一。新凯恩斯模型是DSGE模型的一类，其主要特征是考虑价格和工资粘性。在粘性价格假设下，每期只有部分厂商在商品需求曲线的约束下通过选择最优价格对未来利润流的现值最大化，另外一部分厂商则保持价格不变，就可以推导出一个完全向前的菲利普斯曲线。由于通胀存在明显的惯性特征，在计量上完全向前的菲利普斯曲线不能够很好地拟合数据，因此部分学者将完全向前的菲利普斯曲线拓展为包含向后行为的菲利普斯曲线，通常称为混合NKPC。为了叙述方便，下文中在不引起歧义的情况下简称混合NKPC为NKPC。Galí和Gertler(1999)假设另外一部分厂商把上期一般价格水平作为当期商品价格，推导出混合的菲利普斯曲线，即同时包含向前和向后特征的菲利普斯曲线。
采用和Galí和Gertler(1999)类似的方法，一些学者对NKPC的估计结果表明
和
虽然都显著，但是向前参数相对向后参数在数量上来说却不一定更加重要。Benigno和 Lopez-Salido(2006)认为通胀的惯性在地区间可能存在异质性，因此利用1970～1997年的季度数据用GMM方法对欧元区5个主要国家的NKPC重新进行了估计。发现德国向后参数
不显著，
显著且在0.7以上；法国和挪威的情形较为类似，
和
都显著，分别为0.3和0.6；意大利和西班牙的
和
则都在0.5左右。德国GDP占当时整个欧元区的大约35％，而其他四国占大约56％，因此总体来看欧元区NKPC的向前行为并不能够占支配地位。因此同样是基于欧洲的数据和GMM估计，Benigno和Lopez-Salido(2006)的估计结果和Galí等(2001)却有较大出入。Chowdhury等(2006)用GDP平减指数的百分比变化作为通货膨胀的度量，估计了用短期利率拓展的NKPC，发现加拿大和日本向前参数要明显大于向后参数，
和
分别为0.2和0.7左右；德国、法国和英国的
和
则相差不是很大，
在0.3～0.4，而
约为0.5；美国和意大利的
和
向后参数的估计值却大于向前参数，美国的
和
分别为0.53和0.39，意大利的
和
分别为0.50和0.48。Chowdhury等(2006)关于美国NKPC的估计结果和Galí和Gertler(1999)的估计结果基本上是相反的。而基于德国数据的估计结果和Benigno和Lopez-Salido(2006)的也有所不同。Blanchard和Galí(2007)用美国第二次世界大战后的季度数据对NKPC进行了估计，其中通胀用GDP平减指数的百分比变化度量，驱动变量为非生产性投入的真实价格，并且考虑了失业率对通胀的影响。GMM估计结果表明，
为0.66，而
约为0.42。Blanchard和Galí(2007)并未解释为什么这次估计的结果中向前参数
要小于
。 Kleibergen和Mavroeidis(2009)认为造成这种估计结果之间冲突的一个很可能的原因就是GMM大样本估计过程中工具变量的弱识别问题。Hansen和Singleton(1982)提出 GMM可以作为估计带有理性预期的方程一般方法，并将其用于家庭优化问题的欧拉方程的估计。无论是厂商还是家庭的欧拉方程，由于家庭和厂商的一阶条件都具有相似的结构(Fuhrer和Olivei，2010)，因此GMM也可以用于NKPC的估计。GMM估计的主要思路是构造一个目标函数，这个目标函数通常是矩条件加权二次方，然后通过最小化目标函数来确定所要估计的参数。设GMM的矩条件为
。若当且仅当θ=
时
，则称θ是可以识别的。一种极端的情况是，当任意
都有
，则称θ完全不能够被识别。弱识别指的是，当θ≠
且属于某个包含
集合时，
虽然不为0，但是很小。因此，优化的目标函数在这个区域内都较为平坦，形成一个高原的形状。在这种情况下，目标函数通常只能够识别出这个区域，而识别出
的能力则较为有限(Stock和Wright，2000)。对于NKPC而言，由理性预期假设可得滞后一期的所有变量都是适当的工具变量。相关性是指工具变量必须和内生变量的相关程度。弱识别问题也可以理解为工具变量和内生变量之间的相关程度较低。由于通胀的变化比较难以预测，意味着预期通胀的工具变量常常会伴随着弱识别问题(Mavroeidis等，Forthcoming)。 虽然弱识别问题在NKPC的GMM估计中很常见，但是在实证研究中却并未得到相应的重视。Ma(2002)最早对NKPC的GMM估计弱识别问题进行了分析。Ma(2002)用连续更新(Continuous-updating Estimator，CUE)GMM重新估计了NKPC。CUE是基于如下目标函数估计的参数，
。在大样本估计中，一般假设权重矩阵
不随参数θ变化，而CUE权重矩阵则是估计参数θ的连续函数。CUE对弱识别的矩条件敏感，因此对弱识别也部分稳健，通常被用在GMM的弱识别统计检验和估计中(Stock等，2002)。Ma(2002)用CUE估计发现
和
相差不大，分别为0.43和0.52，但是由于目标函数在一个区域内都比较平坦，厂商中后向定价参数的弱识别稳健置信区间为[0，3]，NKPC的GMM估计实际上存在着弱识别的问题。估计值并不能够得出向前参数在数量上更加重要的结论。Kleibergen和Mavroeidis(2009)构造了MQLR统计量用于检验存在弱识别问题时GMM的参数。MQLR统计量综合了Stock和Wright(2002)的S统计量和Kleibergen(2002)的LM(Lagrange Multiplier)统计量，Kleibergen和Mavroeidis(2009)认为MQLR统计量要比Stock和Yogo(2005)基于工具变量协方差矩阵最小秩的统计量更有效。Kleibergen和Mavroeidis(2009)用美国数据通过 CUE对NKPC进行了估计，并用MQLR统计量构造了置信区间，发现美国通胀有着明显的向前行为，但是置信区间却很宽。其中
和
的点估计分别为0.230和0.773，而置信区间分别为[-0.062，0.451]和[0.531，1.091]。Dufour等(2006)用Kleibergen(2002)提出的LM检验对NKPC进行了弱识别稳健估计，发现
和
的估计值分别为0.39和0.6。Dufour等(2006)认为
和
的置信区间也比较宽，分别为[0.1，0.6]和[0.35，0.9]。因此，弱识别稳健检验的结果总体是显示美国NKPC是向前的，而不是向后的。Nason和Smith(2008)也用AR统计量对NKPC进行了检验，却发现美国NKPC的向前行为不显著。Dufour等(2006)的置信区间是通过AR统计量反推出来的，而Nason和Smith(2008)则用AR统计量直接对相关参数进行了检验。较宽的置信区间往往和假设检验的拒绝是一致的，因此二者的结果并不冲突。但是显然，弱识别问题在NKPC的GMM估计中的一个重要问题，必须在估计中加以考虑。 国内有不少学者也对NKPC用GMM方法进行了估计，但是普遍没有考虑弱识别对估计造成的影响。郭凯等(2013)认为我国CPI通胀率的适应性预期特征强于理性预期特征， RPI通胀率的理性预期特征强于适应性预期特征。杨继生(2009)则认为我国通货膨胀同时存在向后行为和向前行为，其中CPI度量的向前行为略强于向后行为；而RPI Ⅰ度量的通货膨胀率向后行为略强于向前行为。虽然郭凯(2013)和杨继生(2009)等所采用的方法都是GMM估计，但是估计结果却相反。NKPC的向前或者向后性有着不同的政策含义。NKPC的向前性主要源于厂商的理性预期，而向后性则源于厂商的适应性预期。对于理性预期而言，通胀主要是由厂商对于未来实际变量的缺口决定的。进一步说，当期通货膨胀是未来各期实际变量的贴现值之和。而对于适应性预期，当期通胀则主要是由过去发生的各种冲击决定的。从政策含义上来说，若通胀主要是向后的，则央行当期的货币政策冲击必然会对未来的通胀进而实体经济产生影响，应该考虑以前货币政策对当期实体经济的影响。而若通胀主要是向前的，央行则不需要考虑过去货币政策的影响，应该更加注重管理厂商对于未来的预期。国内也有很多学者用其他方法对NKPC进行了估计，也并未得出一致的结论，而实证结果之间冲突的主要原因则可能是工具变量的弱识别问题。目前国内还没有文献对弱识别问题进行讨论。本文从NKPC的GMM估计出发，对相应弱识别可能带来的问题，及其检验和弱识别稳健估计做出相应介绍，并以此为基础对NKPC进行弱识别稳健检验和估计。 二、弱识别问题的影响、检验以及稳健统计量 1.弱识别对参数假设检验的影响 从GMM估计中目标函数的形状来看，弱识别对应着目标函数在估计值附近一个较为平坦的区域。当GMM的矩条件是线性时，GMM和GIV(一般工具变量，Generalized Instrumental Variables)方法是等价的。对于工具变量一般有两个要求，适当性(Validity)和相关性(Relevance)(Stock等，2002)。适当性要求工具变量必须是外生变量，即和回归残差不相关；工具变量的相关性指的是工具变量和内生变量之间的相关程度。如果相关性较强，称工具变量是强的；相关性较弱，称工具变量是弱的。这里用下面的例子来说明弱识别的概念以及其所带来的问题。
一致性是参数估计最基本的要求，因此参数估计的适当性也是工具变量法最基本的要求。当弱识别时，工具变量参数估计值偏向于最小二乘的概率极限，故GMM的参数估计实际上是偏向于最小二乘估计的，因此可能存在不一致的问题。另外当工具变量较弱时，由于估计参数的渐近分布不是正态分布，基于t统计量构造的置信区间和统计推断也是不可靠的(Mikusheva，2013)。当集中参数较大时，相对误差和
/(K-2)呈反比例关系(Stock等，2002)。由于的取值区间为[0，∞]，故强工具变量可以得出参数的一致估计。 2.弱识别的检验 如前文所述，弱识别问题会产生不一致估计和置信区间不可靠的问题，对弱识别的描述主要是通过集中参数μ。那么计量上需要考虑参数的临界值，进而确定μ小于何值时工具变量是弱的，否则工具变量则是强的。一般来说，有两种方法来确定临界值。第一种方法是通过相对偏差
的大小，例如若二阶段最小二乘的偏差相对最小二乘的偏差大于10％，则称工具变量为弱的。这里的10％一般取决于研究者对偏差容忍的程度。第二种方法是通过检验规模(Size)，具体是指实际拒绝为真原假设的概率。当回归满足所有经典假设时，5％的显著水平意味着5％的概率拒绝为真的原假设(第一类错误)。若回归有内生性时，工具变量越弱则第一类错误的概率就会越大(Hill等，2012)。因此第二种判断工具变量强弱的办法是第一类错误为基础的。例如当置信区间为5％，可能比较容易接受10％概率的第一类错误；而20％或者15％的第二类错误则可能意味着工具变量较弱。Stock和Yogo(2005)证明了10％的相对偏差和10％的检验规模对应着一定值的
/K。对于只存在一个内生变量的 GMM估计，第一阶段回归的F统计量只取决于
/K和K。因此当有一个内生变量时，弱识别的检验可以由相应的F统计量给出。这个F统计量由Cragg和Donald(1993)提出，其构造的思想是考察给定外生变量时内生变量和工具变量相关矩阵的最小秩。于Stock等(2002)给出了不同的Cragg-Donald F统计量对应的相对偏差和检验规模，见表1。
表1中第一列是工具变量个数K。第二列是相对误差小于10％时不同K下对应
/K的临界值。由于F统计量只取决于
/K和K，第三列给出了相应K和
/K下对应的F统计量临界值。当F统计量大于这个临界值时，可以认为第一阶段回归中的工具变量是强的，否则称工具变量是弱的。第三列和第四列是依据检验规模给出的
/K阈值以及对应的F统计量的临界值。例如，当总共有5个工具变量时，第一阶段回归的F统计量若大于10.83，则在相对误差小于10％的意义下认为不存在弱识别问题；否则有弱识别问题。若依据α=5％检验规模大于15％的标准，在F统计量若大于15.09才能拒绝工具变量为弱的原假设。Stock等(2002)给了一个较为便利的法则，即第一阶段回归F统计量大于10则可以认为不存在弱识别问题。 前面只给出了一个内生变量时的情形，当内生变量个数不止一个时，可以通过Cragg-Donald F统计量进行检验。Cragg-Donald F统计量的主要依据是判断工具变量和内生变量之间的相关性。通过构造除去外生变量影响的工具变量和内生变量的相关矩阵，并求出该矩阵的最小值秩，可以构造出该统计量。由于本文主要目的是考虑通胀期望的内生性②，故下文对NKPC的估计中只考虑一个内生变量的情形。对于Cragg-Donald F的进一步讨论参见 Stock和Yogo(2005)。 3.弱识别稳健统计量 弱识别将使Wald和似然比检验的第一类错误比选择的显著水平要大，因此使统计推断和构造的置信区间都不准确。这种不准确的原因是Wald和似然比统计量在存在弱识别时会被除被检验参数之外的其他参数影响。因此，弱识别稳健统计量的主要思路就是构造一个仅仅和被检验参数相关的统计量。这种统计量被称为关键(Pivotal)统计量。将式(4)带入式(3)，并定义
，则式(4)和式(3)可化为：
的分布不是一个标准分布，Moreira(2003)建议用模拟来求取其相应临界值。由于模拟效率较低，Andrews等(2006)提出了另外一种较为简便的算法来计算其临界值③。AR、LM和CLR统计量的第一类错误概率和选取的显著水平相等，因此可以以此构造正确的置信区间。其中AR统计量对模型错误设定稳健，并且可以用作对过度识别的检验。而LM统计量实际上比CLR统计量的效率要低，构造出的置信区间要较宽。CLR统计量的第二类错误概率也较AR和LM二者要小(Mikusheva和Poi，2006)。因此在NKPC的估计和检验中，主要以CLR统计量为准。 三、NKPC的弱识别稳健估计和检验 1.数据和模型 本文采用1994年第1季度至2013年第3季度近20年的GDP、CPI和RPI季度数据来对NKPC进行弱识别稳健检验和估计，样本大小为79。所有数据均来自国家统计局网站。采用1994年为时间起点的主要考虑是1994年中国进行了分税制改革，当年央行采取了一系列的紧缩性政策，1994年之前的数据相对来说发生结构性变化的可能较大。国内多数研究通胀的文献都采取了2001年第1季度之后季度数据，但考虑更长时期的样本区间可以使得估计更加稳健，也可以通过对比子样本区间的参数估计值来分析中国通胀向前和向后行为的变化。对GDP季节性的处理，采用郭凯等(2013)、谢平和罗雄(2002)线性趋势平滑的方法。在转换实际GDP时，用CPI、RPI会造成基础数据偏差，应该用GDP平减指数。但是由于国家统计局没有公布GDP平减指数，且为了与谢平和罗雄(2002)、陈彦斌(2008)以及郭凯等(2013)的结果进行对比，本文也采用前面几篇文章中的处理方法，将名义GDP用CPI或者RPI转化为实际GDP来估计GDP缺口。 以CPI为基础的实际GDP=GDP/(1+CPI)，以RPI为基础的实际GDP=GDP/(1+RPI)。然后定义三个季度虚拟变量④，用实际GDP的对数值对三个虚拟变量和时间变量进行回归，所得残差定义为GDP缺口。CPI和RPI分别是消费者价格指数和商品零售价格指数，本文所采用的是基于上年同月价格水平计算出来的CPI和RPI。由于CPI和RPI都是月度数据，本文通过对季度内三月数据进行算术平均得到季度值。对上述方式得出GDP缺口，CPI和RPI进行ADF检验，p值都小于1％，故都不存在单位根。依据以上数据，本文对式(7)进行估计。
本文的GMM估计设定和郭凯等(2013)有两点不同。第一，本文采取相对较少的工具变量。郭凯等工具变量的个数较多，这可能引起估计的偏差⑤，因此本文采取较少的工具变量。对于用CPI(或RPI)度量的通胀与Kleibergen和Mavroeidis(2009)一样本文只用CPI(或RPI)的三阶滞后和相应度量的GDP缺口三阶滞后作为工具变量，以减少可能出现的过多工具变量误差。第二，式(2)中采用通常的一阶滞后，而不是二阶滞后。Nason和Smith(2008)认为式(7)中的高阶滞后会使得工具变量和
相关性更弱，从而弱识别问题更加严重。另外，郭凯等的估计结果表明二阶滞后项的系数虽然显著但是数值上较小。因此，本文采用经典的混合NKPC设定，只考虑
的一阶滞后。 2.弱识别检验和稳健估计 本小节采用全样本对式(7)进行弱识别检验和稳健估计。表2中第二、三行报告了 CPI和RPI的Sargan过度识别统计量，分别为2.864和5.139，对应的p值分别为0.4131和0.1619。Sargan检验的原假设是过度识别的工具变量和回归残差之间没有相关性，即工具变量是适当的。检验的p值表明原假设不能被拒绝，即
可以被过度识别。若将通胀滞后期拓展至四期，则Sargan检验的p值小于1％，原假设被拒绝。若使用滞后一至三期和五期的通胀工具变量，p值也大于10％。这个检验结果表明滞后四期的通胀和结构模型的残差有较强的相关性。这个过度识别检验的结果和郭凯等(2013)的检验结果有较大不同，也是本文使用滞后三期的通胀和GDP缺口作为工具变量的主要原因。
弱识别问题的检验统计量是式(7)用GIV估计中第一阶段估计中Cragg-Donald F统计量。表2报告了Cragg-Donald F统计量的估计值，以CPI和RPI度量的通胀所估计的该统计量分别为8.282和8.183。表2给出了相应工具变量个数下的Cragg-Donald F统计量临界值。其中最大相对误差分别在5％、10％、20％和30％对应的临界值。CPI和RPI度量的通胀的Cragg-Donald F统计量都大于20％最大相对误差而小于10％最大相对误差对应的临界值，表明CPI和RPI度量的通胀用GIV估计的
误差相对OLS估计的偏差最大不超过20％，但是很可能在10％以上。第十行至最后一行是最大检验规模分别在10％、15％、20％和25％对应的Cragg-Donald F统计量的临界值。CPI和RPI度量的通胀的Cragg-Donald F统计量都小于25％最大检验规模对应的临界值，表明CPI和RPI度量的通胀GIV估计的
所构造的置信区间对应的第二类错误值可能要比置信水平大25％以上。例如，若在α=5％的置信水平下构造的统计区间，实际上只能以70％或者更小的概率覆盖
的真实值，或者说5％的置信水平对应第一类错误概率要在30％以上。总之，在Cragg-Donald F统计量来看，NKPC的GMM估计存在着弱识别问题。这种弱识别问题使得NKPC的点估计有一定偏差，约比最小二乘法的估计偏差的10％要大，且构造的置信区间覆盖真实
值的概率较小。故郭凯等(2013)依据一般二阶段最小二乘所得的点估计以及置信区间可能存在一定误差。下面通过使用CUE来获得稳健的点估计，且用CLR统计量来构造具有正确规模的
的置信区间。
表3给出了CUE估计的结果。由于CUE估计对弱识别的工具变量敏感，因此可以提供弱识别稳健的估计。表3中CPI和RPI度量板块中最后一行分别给出了CUE估计的 Cragg-Donald F统计量，分别为8.282和8.183，都比10％最大检验规模临界值要大。这就是说，α=5％的置信水平下，相应置信区间的第一类错误不会超过15％。因此，表3中参数的置信区间可以超过85％的概率覆盖相应参数的真实值。CPI度量通胀估计的结果显示向前参数
和向后参数
分别为0.672411和0.403804，分别属于置信区间[0.5263，0.8184]和[0.2991，0.5084]。由于
比
的点估计值要大很多，且
所属置信区间下界比
所属置信区间上限要大，表明向前参数对向后参数有数量上的优势。这个结论，在15％规模的意义是可靠的。但是由于向后参数为0.4，且置信区间的下限为0.299，故不能说向后参数在数量上不重要。RPI度量通胀估计的结果显示向前参数
和向后参数
分别为0.642054和0.426556，分别属于置信区间[0.4922，0.7918]和[0.3195，0.5335]。相对基于CPI的估计结果，
比
的点估计值相差相对较小，且置信区间存在小部分重合，因此只能说NKPC同时表现出向前和向后行为，向前行为的影响可能较大。综合CPI和RPI的估计结果来看，中国NKPC中向前比向后行为在数值上占优，但是向后行为在数值上也很重要。这个结果与郭凯等(2013)的结论有较大不同。由于郭凯等所估计结果可能会有弱识别问题，且并未给出相应置信区间和对应规模，故本文估计结果更为稳健⑥。 由于表3中给出的置信区间的规模和相应的显著水平不同，因此上文的置信区间会带来一定的误差(15％)。由于通过弱识别稳健统计量如AR、LM和CLR统计量可以反推出正确的置信区间，因此下面用这些统计量重新对
进行点估计和构造置信区间。表4给出了基于CPI和RPI度量通胀的弱识别稳健检验结果。与表3中结果比较，可以发现
的点估计值没有发生变化，但是相应置信区间都变宽了。置信区间变宽是因为弱识别稳健统计是放大了置信区间以使其能够以相应正确概率覆盖被估计参数的真实值。具体而言，基于CPI通胀估计的具有正确规模的
95％置信区间为[0.5167958，0.8773609]。该置信区间下界为0.5167958，比表3中
相应置信区间上界0.5084要大。对于基于RPI度量的通胀，所估计具有正确规模的
95％置信区间为[0.4717074，0.8540509]。该置信区间下界为0.4717074，比表3中
相应置信区间上界0.5335要小0.06。0.06约是
置信区间宽度的1/6。因此根据基于CLR统计量构造的具有正确规模的置信区间，无论是基于CPI还是RPI度量的NKPC都具有明显的向前和向后行为，而向前行为从数量上来说要大于向后行为的影响。
若将全样本以2004年第1季度为界划分为两个样本区间，第一个和第二个子样本区间分别有40个和39个观测值，用CUE分别对NKPC进行估计，并用CLR构造相应规模正确的置信区间，结果如表5所示。对比两个子样本区间的估计结果，可以明显发现在1994年第1季度～2003年第4季度中，向后参数
不显著，而向前参数显著，但是置信区间较大。用RPI度量通胀所估计
置信区间为(-∞，+∞)，这是因为CLR的置信区间是通过解一个二次方程来构造的，(-∞，+∞)的置信区间也表明相应工具变量对估计
包含信息不足，这也是扩大样本区间的一个原因。1994年第1季度～2003年第4季度的子样本区间的估计结果显示NKPC向前和向后参数大小和置信区间都相差不多。综合来看，随着时间的推移，NKPC的向后行为逐渐明显。这说明NKPC的参数在整个样本区间可能不是稳定的，但是这需要进一步的模型化和检验。另外，由于各子样本观测值较少，而估计参数较多，可能估计结果会有较大误差。 综合弱识别稳健检验和估计结果来看，我国NKPC表现出较强的向前特征，且向前行为比向后行为更加显著。但是向后行为在数值上也十分重要。从货币政策的角度来说，理性预期和适应性预期都在厂商定价行为中起着重要的作用。央行不仅仅需要考虑当期货币政策对未来产出缺口的影响，也应该注重过去通胀趋势的影响。即如果在过去一段时间内通胀都较高，则新一轮的刺激性政策效果不会很明显。而只有当过去一个阶段内通胀惯性较弱时，短期的货币政策才能够真正的影响到实体经济。而子样本区间的估计表明，随着时间的发展适应性预期而不仅仅是理性预期开始在通胀的决定中占有主导地位。这个和近期的发展厂商学习理论有较多契合，即厂商通过观测过去一个时期内的通胀来对央行的货币政策进行反应。而随着时间的推进，越来越多的厂商开始通过观测过去一段时间的通胀来决定对央行货币政策的反应，进而导致我国通胀的惯性特征越来越明显。 四、结论 本文主要讨论了用GMM(GIV)方法对NKPC估计可能带来的弱识别问题，以及对弱识别问题产生的原因、影响、检验和弱识别稳健统计进行了讨论。在此基础上用中国的季度数据，通过弱识别稳健的统计量对NKPC进行了估计。弱识别问题主要是指工具变量和内生变量之间相关性较弱，而NKPC的估计中由于通胀的增量一般较难预测，故通常会伴随着弱识别问题。弱识别问题会导致GMM参数估计不能满足大样本统计量的一些假设，进而点估计和统计推断都会不准确。Cragg-Donald F统计量的构造以工具变量和内生变量之间的相关性为基础，且Stock和Yogo(2005)通过模拟给出了相关临界值，故可以用来对弱识别问题进行检验。通过分离内生变量和外生变量，可以构造AR、LM和CLR等弱识别稳健的统计量，并反推出内生变量参数的置信区间。该置信区间的规模和置信水平相同，因此克服了GMM大样本估计中置信区间覆盖参数真实值概率较低的问题。 本文实证部分采用1994年第1季度～2013年第3季度共79个样本的季度数据，分别以CPI和RPI作为通胀的度量，用GDP缺口作为驱动变量，滞后三期的相应通胀和GDP缺口作为工具变量。用Cragg-Donal F统计量对弱识别问题进行了检验，发行大样本 GMM估计中的确存在着弱识别问题。本文进而用CUE对NKPC进行了全样本估计，并用CLR统计量构造了正确的置信区间，发现中国的通货膨胀具有明显的向前和向后行为，而向前行为从数量上来说要大于向后行为的影响，但是向后行为在数量上来说也是不可忽视的。子样本区间的检验发现前10年里通胀有明显的向前行为，但是向后行为不显著；而后10年里向前和向后行为同样显著，且差别不大。因为中国的通胀惯性越来越明显，货币当局在制定相应货币政策时，应在当期的通胀环境下考虑当期政策对未来GDP缺口的影响来调控实体经济。 注释： ①关于代表性参与者的信息集和计量经济学家的信息集之间的关系，以及二者对于识别问题的影响，见Kurmann(2007)。 ②实际上NKPC中的驱动变量也可能是内生的，见Nason和Smith(2008)。 ③目前较新版本Stata都依据该算法。 ④见谢平和罗雄(2002)。 ⑤见Hansen等(2008)。 ⑥至于NKPC中驱动因素的参数不显著的问题，这可能来自于NKPC的弱识别问题。Kuester等(2009)认为弱识别问题可能会导致一个较为平坦的NKPC，该问题还有待进一步研究。
标签：置信区间论文; 临界值论文; 参数估计论文; 工具变量论文; 内生变量论文; 菲利普斯曲线论文; 检验统计量论文; 参数检验论文; 行为识别论文; t检验论文; f统计量论文; gmm论文;
