نظریه ارزیابی اثر شوک نرخ بهره بر متغیرهای کلان اقتصادی در ایران با رویکرد الگوی FAVAR

نوع مقاله: علمی - پژوهشی

نویسندگان

1 دانش آموخته دکتری اقتصاد دانشگاه شیراز

2 دانشیار بخش اقتصاد دانشگاه شیراز

3 استادیار بخش اقتصاد دانشگاه شیراز

چکیده

تعیین نرخ بهره صلاحدیدی، نرخ بهره بازار را در معرض شوک­هـای مختلفی قرار می­دهد. در این راستا، مقام پـولی می­باید از دامنه و تأثیر­گذاری شوک­های نامناسب ناشی از نرخ بهره صلاحدیدی بر متغیرهای کلان اقتصادی آگاه باشد تا متناسب با آن سیاست­های تدافعی یا حمایت کننده خود را به اجرا گذارد.در این پژوهش با استفاده یک نرخ بهره سایه­ای به نمایندگی از نرخ بهره بازار تحت الگوی خود توضیح برداری عاملی تعمیم یافته و با بهره­گیری از داده­های 120 متغیر اقتصاد کلان ایران طی دوره 1368 تا 1392 به این سؤال پاسخ داده شده که آیا ارتباط معناداری بین نرخ بهره مرجع سایه­ای و نرخ بهره صلاحدیدی وجود دارد؟ و اگر چنین باشد "در صورت بروز یک انحراف معیار شکاف، بین نرخ بهره صلاحدیدی از نرخ بهره مرجع سایه­ای، واکنش کانال­های انتقال چگونه خواهد بود؟" درخصوص پاسخ به سوال اول اینکه هر زمان شکاف نرخ سود بانکی از نرخ بهره مرجع سایه­ای به سمت صفر میل می­کند، رشد اقتصادی افزایش می­یابد، لذا به عنوان یک نظریه به سیاست گذار توصیه می شود نرخ بهره صلاحدیدی را نزدیک به نرخ بهره مرجع سایه­ای در نظر گیرد. در پاسخ به سوال دوم واکنش چهار کانال اصلی اقتصاد ایران نسبت به یک انحراف معیار شوک نرخ بهره مرجع سایه­ای از دو جنبه ماندگاری اثر و دوره اثرگذاری مورد ارزیابی قرار گرفت. نتایج حاکی از آن است که، به لحاظ دوره اثرگذاری، کانال بازار سرمایه و نرخ ارز با انحراف حدود 1/0 درصد و کانال بازار سرمایه با 4/0 درصد انحراف از میانگین به‌ترتیب کمترین و بیشترین اثرگذاری؛ و به لحاظ ماندگاری اثر، کانال مسکن و کانال بانکی تقریباً مشابه یکدیگر عمل می­نمایند.

کلیدواژه‌ها


عنوان مقاله [English]

The theory of Measuring Effects of Interest rate shock on the Macro factors in Iran: A Factor-Augmented Vector Autoregressive, Approach

نویسندگان [English]

  • mehdi farahani 1
  • hossin marzban 2
  • zahra dehghan 3
  • zahra akbarian 2
چکیده [English]

Goal: Imposing the discretionary interest rate renders the interest rate market susceptible to variety of shocks. Monetary officials should be well aware of the durability and temporal impacts of these shocks on the macroeconomic variables. Using 120 macroeconomic variables of Iran economy within the period of 1984-2013 , this study investigated whether there is a statistically significant relationship between the shadow reference interest rate (as a representative of the interest rate market) and prescribed interest rate? If so, what would be the consequence of the gap (difference) between these two rates in terms of the response of macroeconomic outlets?
Methodology: This paper estimates the "economy-wide" response to shocks to the interest rate using an iterative maximum likelihood estimation method.Applying Factor-Augmented Vector Autoregressive (FAVAR) method, it was investigated how macroeconomic variables respond to interest rate oscillations (shocks). To do so, first, key macroeconomic variables for Iran economy are identified (i.e., the variables that robustly represent Iran’s macroeconomic variables). As for the modeling, measurement and transfer equations have been assessed.Technically, the 120 time series constitute the measured part in a state space system. The state transition part of this system contains the dynamics of the driving forces and is represented as a vector autoregression of the shadow reference interest rate augmented by a few dynamic factors extracted from the large cross-section of time series. This state space system is denoted a factor-augmented VAR (FAVAR) by Bernanke et al. (2005). I estimate the FAVAR by the fully parametric one-step EM algorithm as an alternative to the two-step principal component method and the one-step Bayesian method in Bernanke et al. (2005). The EM algorithm which is an iterative maximum likelihood method estimates all the parameters and the dynamic factors simultaneously and allows for classical inference. I demonstrate empirically that the same impulse responses but better fit emerge robustly from a low order FAVAR with nine correlated factors compared to a high order FAVAR with fewer correlated factors, for instance six factors. This empirical result accords with one of the theoretical results from Bai & Ng (2007) in which it is shown that the information in complicated factor dynamics may be substituted by panel information.
Results: According to Bai and Ng criteria, Expectation maximization, and the model, it is argued that GDP, monetary base, oil revenues, inflation, interest rate, and exchange rate are the key macroeconomic variables. Regarding the first question, it was shown that as the difference between the shadow reference interest rate and interest rate approaches zero, economic growth increases. This result has important policy implications: Policy makers are advised to set the prescribed interest rate close to the shadow reference interest rate. As for the second question, it was examined how the four main Iran economy outlets respond to the shocks in terms of durability and the temporal impact. The results indicate that as far as the temporal impact is concerned, capital market and exchange range exhibited the minimum (0.1 percent deviation from the mean) and maximum values (0.4 percent deviation from the mean), respectively.  As for the durability, housing and banking outlets show approximately similar responses. It is worth noting that the standard deviations of shocks in interest rates caused delayed responses in GDP, unemployment, consumption, and bank deposits (one year delay). This demonstrated the rigidity of these variables. Inflation and capital market variables, however, do not show any rigidity. The same result has been reported as slow and fast moving variables in Bovin and Eliasz, (2005).
Conclusion: The Central Bank should adopt necessary measures in response to the oscillations pertinent to the prescribed interest rate. Moreover, monetary officials should be well aware of the durability and temporal impacts of such oscillations on macroeconomic variables. Based on their thorough understanding of the impacts, the officials can introduce effective measures. In this study shadow reference interest rate significantly explains the macroeconomic variables. Policymakers are advised to set the prescribed interest rate close to shadow reference rate. 

کلیدواژه‌ها [English]

  • shadow reference interest rate
  • FAVAR model
  • EM algorithm

بانک مرکزی جمهوری اسلامی ایران، نماگرهای مختلف.

جلالی نائینی، احمدرضا و همتی، مریم (1390). «بررسی اثر شوک‌‌‌های پولی بر 12 گروه اصلی شاخص بهای کالاها و خدمات مصرفی با استفاده از الگوی خود ‌‌‌توضیح برداری عاملی تعمیم یافته»، فصلنامه پژوهش‌‌‌های اقتصادی ایران، 3(4): 247-241.

خداپرست شیرازی، جلیل (1394). «اندازه‌گیری اثرات شوک سیاست پولی در ایران: رویکرد خود توضیح برداری عاملی تعمیم یافته FAVAR»، فصلنامه اقتصاد مقداری، ‏11(1): 101-75.

مرزبان، حسین و دهقان شبانی، زهرا و اکبریان، رضا و فراهانی، مهدی (1395). «ارزیابی کارایی سیاست پولی در ایران»، فصلنامهاقتصادمقداری، 4(2): 92-71.

فراهانی، مهدی (1395). ارزیابیاثرگذاریسیاستپولیبرمتغیرهایکلاناقتصادیدرایران: بارویکردیبرالگویخودتوضیح برداریعاملیتعمیمیافته،فیلترکالمن،الگوریتمبیشینهسازیانتظارات، رساله منتشر شده دکتری، دانشگاه شیراز، دانشکده اقتصاد، مدیریت و علوم اجتماعی.

Ahmadi, P. and Ritschl, A. (2009). “Depression econometrics: A FAVAR model of monetary policy during the great depression”, International review of economics & finance, 25(3): 202-218.

Bai, J. and Ng, S. (2002). “Determining the number of factors in approximate factor, models”, Journal of econometrical, 70(1): 191-221.

Bai, J. and Ng, S. (2007). “Determining the number of primitive shocks in factormodels”, Journal of business & economic statistics, 25(2): 52-60.

Bernanke, B. and Gertler, M. (1995). “Inside the black box: The credit channel of monetary policy transmission”, Journal of economic perspectives, 19(9): 27-48.

Bernanke, B. and Blinder, A. (1992). “The federal funds rate and the channels of monetary transmission”, American economic review, 82(4): 901-921.

Bernanke, B. and Boivin, J. (2003). “Monetary policy in a data-rich environment”, Journal of monetary economics, 50(5): 525-46.

Bernanke, B., Boivin, J., and Eliasz, P. (2005). Measuring the effects of monetary policy: A factor-augmented vector autoregressive (FAVAR) approach. Quarterly Journal of Economics, 120(1), 387-422.

Breitung, J. and Eickmeier, S. (2005). “Dynamic Factor Models”, Deutsche Bundes bank Discussion Paper, 78(1): 181-211.

Bork, I. (2010). “Macro factors, monetary policy analysis and affine term structure models”, Journal of international money and finance, 25(6): 953-973.

Dempster, A.; Laird, M. and Rubin, D. (1977). “Maximum likelihood from incomplete data via the EM algorithm”, Journal of the royal statistical society, 39(1): 1-38.

Fernald, G.; Spiegel, M. and Swanson, E. (2014). Monetary policy effectiveness in china: Evidence from a FAVAR model, Working Paper,10727 Series, Federal Reserve Bank of San Francisco.

Forni, M.; Hallin, M. and Reichlin, L. (2005). “The generalized dynamic factor model: Identification and estimation”, Review of Economics and Statistics, 82(5): 540-554.

Forni, M. and Reichlin, L. (2005). “Dynamic common factors in large cross-sections”, Journal of empirical economics, 21(8): 27-50.   

Mishkin, F. S. (1995). “Symposium on the monetary transmission mechanism”, The journal of economic perspectives, 9(4): 3-10.

Mishkin, F. S. (2007). The economics of money, banking, and financial markets. Pearson education.

Shumway, R. and Stoffer, D. (1982). “An approach to time series smoothing and forecasting using the EM algorithm”, Journal of time series analysis, 3(4): 226-53.

Taylor, J. (1993). “Discretion versus policy rules in practice”. Carnegie-rochester conference series on public policy, 39: 195-214.