N. 750 - Stima di modelli DSGE quando il tipo di persistenza dei dati è sconosciuta

Go to the english version Cerca nel sito

di Gianluca Moretti e Giulio Nicolettimarzo 2010

I modelli di equilibrio dinamico generale stocastico (DSGE) sono entrati da alcuni anni nel novero degli strumenti di indagine utilizzati dai ricercatori applicati di macroeconomia e dalle banche centrali. Tali modelli descrivono l’andamento delle variabili macroeconomiche in ragione di componenti comuni non osservate – quali ad esempio la produttività totale dei fattori – e ne caratterizzano la dinamica sulla base di parametri strutturali dell’economia, che non mutano al variare delle politiche economiche.

La letteratura econometrica dei modelli DSGE, in particolare di quelli di dimensione ridotta, riscontra tuttavia valori stimati dei parametri strutturali poco plausibili se confrontati con quelli ricavati da analisi microeconometriche. Questo lavoro suggerisce che ciò sia riconducibile non tanto alla dimensione del modello, quanto piuttosto a una errata specificazione del processo generatore dei fattori non osservati. Eliminando l’ipotesi, frequentemente adottata in letteratura, che questo processo sia noto, si riescono ad ottenere stime maggiormente plausibili.

Il lavoro si prefigge un duplice contributo al fine di conciliare l’evidenza empirica proveniente dai modelli DSGE con quella ottenuta dalle analisi microeconometriche.

In primo luogo, il lavoro innova la metodologia introducendo una nuova versione del filtro di Kalman in grado di ricostruire in maniera affidabile le componenti comuni non osservate anche quando il loro processo generatore non è noto. La metodologia permette di identificare una componente di trend e una di ciclo delle variabili macroeconomiche e tiene conto della struttura del modello DSGE utilizzato e della persistenza delle variabili macroeconomiche che il modello stesso non è in grado di spiegare.

In secondo luogo, il filtro proposto è coerente con l’ipotesi che i dati utilizzati nella stima siano caratterizzati da una memoria lunga, ovvero da un grado di persistenza più accentuato rispetto a quello implicito in modelli autoregressivi a media mobile.

Il filtro fornisce stime affidabili dei parametri strutturali e una migliore capacità previsiva su tutti gli orizzonti considerati.

Testo della pubblicazione