جایگاه سیاست های پولی و مالی با تاکید بر بخش نفت در یک …

کالیبراسیون یک درک و برداشت اولیه به ما میدهد که ضعیف یا قوی بودن مدل را مشخص میکند. یک کالیبراسیون خوب یک تصویر دقیق و ارزشمند از دادهها را به ما میدهد. همچنین از مطالعات اقتصاد خردی نیز برای کالیبراسیون استفاده میشود ولی در هنگام تجمیع و دید کلان باید دقت شود.
از مهم‌ترین دلایل استفاده از کالیبراسیون میتوان به موارد زیر اشاره کرد:
عدم وجود داده: به دلیل عدم وجود داده، پارامترها را میتوانیم کالیبره کنیم.
کم بودن حجم دادهها
تورش تصریح مورد انتظار در مدل: تورش تصریح مورد انتظار در مدل باعث میشود پارامترهای برآورده شده ناسازگار باشد.
بررسی و ارزیابی میزان موفقیت مدل ارائه شده در مطالعات تعادل عمومی پویای تصادفی کینزی جدید، اغلب با بررسی میزان سازگاری و نزدیکی گشتاورهای تولید شده از کالیبراسیون مدل ساخته شده با گشتاورهای دنیای واقعی صورت میگیرد. گشتاورهای مورد توجه اغلب عبارتند از: انحراف معیار متغیرهای اصلی مانند تولید یا مصرف که معیاری برای نوسانات در یک اقتصاد است، نسبت انحراف معیار متغیرهای مورد توجه به انحراف معیار متغیری همچون تولید یا سرمایهگذاری که مبنا قرار گرفته است و نوسانات نسبی را تبیین میکند و ضریب همبستگی بین سریهای زمانی برخی از متغیرها که هم حرکتی بین متغیرها را نشان میدهد.
در یک دهه گذشته، ادبیات مربوط به سیاستهای پولی و مالی جهش بسیار بزرگی را از کالیبراسیون مدلهای تعادل عمومی پویای تصادفی گرفته تا تخمین زدن آن‌ها (اغلب با استفاده از رویکرد بیزین) در برداشته است. به دلایل متعددی در این مدلها کالیبراسیون در مورد مقادیر پارامترها انجام میشود: اول به منظور بررسی پویاییهای این مدلها؛ دوم به منظور بررسی شباهت این مدلها با دادههای دنیای واقعی و سوم ارزیابی حاصل از کاربردهای سیاستی این مدلها تحت یک سری فروض منطقی؛ بنابراین همان‌گونه که این مدلها موضوعاتی مانند عدم تصریح درست و ویژگیهای واقعی موجود در دادهها را در برمی‌گیرد، مهم است که در آن پارامترهای عمیقی[۲۸۱] که ظاهر میشوند را کالیبره کنیم. همچنین بایستی توجه نمود که استفاده از مدلهای DSGE کالیبره شده همیشه برای کالیبراسیونهای بعدی دقیق نیست. تکنیک بیزین برای این مشکل کالیبراسیون مناسب است به دلیل اینکه این تکنیک یک روش مشخص برای تخمین پارامترها میباشد که در آن اطلاعات پیشین در مورد پارامترها همراه با دادهها برای تحلیل مدل DSGE مورد استفاده قرار میگیرد. یکی از ویژگیهای رویکرد بیزین این است که یک چارچوب برای طراحی سیاستها ایجاد میکند که در آن مسئله نااطمینانی در تخمین پارامترها را برطرف میکند (لوین و همکاران[۲۸۲] (۲۰۰۵) و باتینی و همکاران[۲۸۳] (۲۰۰۴)).
کالیبراسیون بنابراین میتواند به عنوان یک ابزار و وسیله نهایی در نظر گرفته شود. محققان اغلب به دلیل اینکه مدلهای DSGE میتواند سؤالات جذاب اقتصادی را تحلیل کنند، این مدلها را کالیبره میکنند. در این حالت تخمین بیزین یا حداکثر راستنمایی بایستی بعد از کالیبراسیون مورد استفاده قرار بگیرد. به دلیل اینکه این تکنیکها یک روش دقیق برای بدست آوردن مقادیر پارامترها میباشند. زمانی که تکنیکهای حداکثر راستنمایی برای تخمین مدلهای DSGE استفاده میشود (به عنوان مثال ایرلند[۲۸۴] (۲۰۰۳))، تخمینها از دادهها و بدون در نظر گرفتن نقش پارامترهای پیشین[۲۸۵] استخراج میشوند[۲۸۶]. حتی اگر تکنیکهای بیزین برای تخمین پارامترها استفاده شود و در مورد پارامترهای پیشین اطمینان وجود داشته باشد، نیازی نیست در مورد اینکه تخمینها به وسیله توزیع پیشین یا دادهها بدست آمده است، نگرانی وجود داشته باشد. تنها مهم است که تخمینهای پسین[۲۸۷] منطقی باشند. زمانی این اتفاق میافتد که تخمینهای پیشین و دادهها منطقی باشند.
یکی از اولین کارهایی که در زمینه کالیبراسیون صورت گرفته است، کار مربوط به کیدلند و پرسکات[۲۸۸] (۱۹۸۲) میباشد. آن‌ها برای آزمایش تجربی چرخههای تجاری، از کالیبراسیون استفاده کردهاند و برای انتخاب پارامترها از خصوصیات بلندمدت دادهها و در برخی موارد از شواهد اقتصاد خردی استفاده کردند. آن‌ها مدل رشد نئوکلاسیک را که بر روی نسبتهای بزرگ کالیبره شده بود را به کار گرفتند و مدل را در قالب چرخههای تجاری حقیقی بررسی کردند.
کیدلند و پرسکات[۲۸۹] (۱۹۹۱)، هانسن و هکمن[۲۹۰] (۱۹۹۶) و سیمز[۲۹۱] (۱۹۹۶) به خوبی روشهای تجربی مرتبط با ادبیات کالیبراسیون را مطرح کردند.
کولی[۲۹۲] (۱۹۹۷) بحث میکند که تخمین یک رویکرد کامل میباشد از آنجائیکه تخمین خود به مقداردهی پارامترها کمک میکند. وی همچنین بر کنش و واکنش دوطرفه بین تئوری و اندازهگیری تاکید میکند.
کینگ و ربلو[۲۹۳] (۱۹۹۹) به تفاوت بین روشهای اقتصادسنجی سنتی و کالیبراسیون پرداخته است.
معمولاً پارامترهای انتخاب شده در کالیبراسیون با توجه به منبع مدل انتخابی و دادههای نمونه متفاوت است. در مقاله آموزشی کمپل (۱۹۹۴)[۲۹۴] به این مسئله پرداخته شده است.
کولی و پرسکات (۱۹۹۵)[۲۹۵] روشهای متداولتری را انتخاب کردند. آن‌ها بیان میکنند که بسیاری از پارامترها به وسیله مسیر رشد متوازن مدل و ویژگیهای بلندمدت نمونه بدست میآید (به عنوان مثال میانگینهای نمونه).
برخی از مطالعات به مقالات اولیه و گذشته ارجاع میدهند؛ برخی شواهد اقتصادسنجی خرد را برای کالیبراسیون استفاده میکنند.
به عنوان مثال در مدل رشد سولو، باقیماندههای مدل رشد سولو متناظر با بهروری کل عوامل است (رومر، ۲۰۰۶[۲۹۶]).
لذا بعد از انتخاب پارامترها، مدل برای حل آماده و شبیهسازی میشود؛ بنابراین اولین عملکرد مدل از روی توانایی مدل برای هماهنگی با واقعیات تحقق یافته با استفاده از دادههای نمونه مورد ارزیابی و قضاوت قرار میگیرد.
رومر (۲۰۰۶) یک معرفی برای کالیبراسیون ارائه کرده است. به طور مختصر محققین مقادیر محتمل برای پارامترها را با نگاه کردن در دادهها و یا با استفاده از مطالعات تجربی گذشته برمیدارند. به صورت بهینه این فرایندها بایستی ویژگیهای مربوط به دادهها را مورد استفاده قرار دهد.
در این بخش، قبل از انجام فرآیند شبیهسازی و تحلیل توابع ضربه-واکنش مدل، نتایج حاصل از کالیبراسیون پارامترهای ساختاری مدل گزارش میگردد. جدول (۵-۱) بیانگر مقدار کالیبره شده پارامترهای مدل است که در رابطه (۵-۲۳۷) تصریح شدهاند. مقدار کالیبره شده برخی از پارامترها از مطالعات پیشین گرفته شده است که در جدول (۵-۱) به مطالعه مربوطه اشاره گردیده است. برخی دیگر از پارامترها بر پایه دادهها و اطلاعات در دسترس و محاسبات اقتصادسنجی کالیبره و برآورد شدهاند. کلیه دادههای سری زمانی مورد نیاز از بانک اطلاعات سریهای زمانی بانک مرکزی اخذ شده است.
مجموعه پارامترهای مدل را در قالب مجموعه زیر میتوان بیان نمود:
(۵-۲۳۷)
جدول ۵- ۱٫ مقدار کالیبره شده پارامترهای مدل

برای دانلود متن کامل پایان نامه به سایت  ۴۰y.ir  مراجعه نمایید.

نام پارامتر توضیحات مقدار کالیبره شده منبع
فاکتور تنزیل ۹۶/۰ توکلیان (۱۳۹۱)[۲۹۷]