لگاریتم خطی کردن نرخ ارز حقیقی:
(۵-۲۲۶)
لگاریتم-خطی کردن قید کلی منابع:
(۵-۲۲۷)
لگاریتم خطی کردن اتحاد تولید کل:
(۵-۲۲۸)
لگاریتم خطی کردن اتحاد مصرف:
(۵-۲۲۹)
لگاریتم خطی کردن اتحاد سرمایه گذاری:
(۵-۲۳۰)
لگاریتم خطی کردن شوک ترجیحات:
(۵-۲۳۱)
لگاریتم خطی کردن شوک تکنولوژی مانای خاص سرمایه گذاری:
(۵-۲۳۲)
لگاریتم خطی کردن شوک مارک آپ قیمت:
(۵-۲۳۳)
لگاریتم خطی کردن شوک تکنولوژی:
(۵-۲۳۴)
لگاریتم خطی کردن شوک مارک آپ قیمت کالاهای وارداتی:
(۵-۲۳۵)
لگاریتم خطی کردن شوک مارک آپ قیمت کالاهای صادراتی:
(۵-۲۳۶)
۵-۶- کالیبراسیون
کالیبراسیون یکی از مهمترین مراحل ارزیابی تجربی مدلهای تعادل عمومی پویای تصادفی در هر دو مکتب ادوار تجاری حقیقی و کینزی جدید است. در اقتصادهای توسعه یافته نظیر اقتصادهای آمریکای شمالی و اروپای غربی به دلیل کثرت مطالعات صورت گرفته در زمینه کاربرد مدلهای تعادل عمومی پویای تصادفی، محققین اغلب بدون هیچ گونه دغدغهای از صحت داده ها و اطلاعات، مقادیر پارامترهای حاضر در مدل خود را از یافتههای معتبر و متعدد دانشمندان دیگر جایگذاری می کنند، لیکن برای کشورهای در حال توسعه به صورت عام و برای کشورهای در حال توسعه نفتی به طور خاص که ایران را هم در بر میگیرد، به دلیل نبود پیشینه قابل توجه تحقیق، کالیبراسیون الگو دشواریهای خاص خود را دارد. لیکن در این رساله سعی شده است با بهره گرفتن از داده های که وجود دارد و مطالعاتی که در این زمینه در کشور انجام شده است، اقدام به مقداردهی به پارامترهای مدل شود[۲۸۰].
هدف از این بخش اختصاص مقادیر به پارامترهای ساختاری مدل است. کالیبراسیون معمولاً هم شامل گرفتن پارامترها از ادبیات گذشته که ساختار مشابه اقتصادی دارند، میباشد و هم شامل تخمین پارامترها از داده های سری زمانی برای یک اقتصاد خاص و یا ترکیب هر دوی این موارد میباشد.
کالیبراسیون یک درک و برداشت اولیه به ما میدهد که ضعیف یا قوی بودن مدل را مشخص می کند. یک کالیبراسیون خوب یک تصویر دقیق و ارزشمند از داده ها را به ما میدهد. همچنین از مطالعات اقتصاد خردی نیز برای کالیبراسیون استفاده می شود 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 داده ها
-
- تورش تصریح مورد انتظار در مدل: تورش تصریح مورد انتظار در مدل باعث می شود 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 سرمایه گذاری که مبنا قرار گرفته است و نوسانات نسبی را تبیین می کند 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 آن ها (اغلب با بهره گرفتن از رویکرد بیزین) در برداشته است. به دلایل متعددی در این مدلها کالیبراسیون در مورد مقادیر پارامترها انجام می شود: اول به منظور بررسی پویاییهای این مدلها؛ دوم به منظور بررسی شباهت این مدلها با داده های 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 داده ها 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 داده ها برای تحلیل مدل DSGE مورد استفاده قرار میگیرد. یکی از ویژگیهای رویکرد بیزین این است که یک چارچوب برای طراحی سیاستها ایجاد می کند که در آن مسئله نااطمینانی در تخمین پارامترها را برطرف می کند (لوین و همکاران[۲۸۲] (۲۰۰۵) و باتینی و همکاران[۲۸۳] (۲۰۰۴)).
کالیبراسیون بنابراین می تواند به عنوان یک ابزار و وسیله نهایی در نظر گرفته شود. محققان اغلب به دلیل اینکه مدلهای DSGE می تواند سؤالات جذاب اقتصادی را تحلیل کنند، این مدلها را کالیبره می کنند. 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 می شود (به عنوان مثال ایرلند[۲۸۴] (۲۰۰۳))، تخمینها از داده ها 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 داده ها بدست آمده است، نگرانی وجود داشته باشد. تنها مهم است که تخمینهای پسین[۲۸۷] منطقی باشند. زمانی این اتفاق میافتد که تخمینهای پیشین و داده ها منطقی باشند.
یکی از اولین کارهایی که در زمینه کالیبراسیون صورت گرفته است، کار مربوط به کیدلند و پرسکات[۲۸۸] (۱۹۸۲) میباشد. آن ها برای آزمایش تجربی چرخههای تجاری، از کالیبراسیون استفاده کرده اند و برای انتخاب پارامترها از خصوصیات بلندمدت داده ها و در برخی موارد از شواهد اقتصاد خردی استفاده کردند. آن ها 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 می کند که تخمین یک رویکرد کامل میباشد از آنجائیکه تخمین خود به مقداردهی پارامترها کمک می کند. وی همچنین بر کنش و واکنش دوطرفه بین تئوری و اندازه گیری تاکید می کند.
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 داده های 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. آن ها بیان می کنند که بسیاری از پارامترها به وسیله مسیر رشد متوازن مدل و ویژگیهای بلندمدت نمونه بدست می آید (به عنوان مثال میانگینهای نمونه).
برخی از مطالعات به مقالات اولیه و گذشته ارجاع می دهند؛ برخی شواهد اقتصادسنجی خرد را برای کالیبراسیون استفاده می کنند.
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 می شود؛ بنابراین اولین عملکرد مدل از روی توانایی مدل برای هماهنگی با واقعیات تحقق یافته با بهره گرفتن از داده های 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 داده ها و یا با بهره گرفتن از مطالعات تجربی گذشته برمیدارند. به صورت بهینه این فرایندها بایستی ویژگیهای مربوط به داده ها را مورد استفاده قرار دهد.
در این بخش، قبل از انجام فرایند 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 شده اند. 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 داده ها و اطلاعات در دسترس و محاسبات اقتصادسنجی کالیبره و برآورد شده اند. کلیه داده های 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