在随后的论文注释中(Linde，Smets，Wouters2016，脚注16)，他们强调了假想驱动带来post-real宏观经济学的灵活性(我再次用粗体注释):

　　gremlin的价格和troll的工资上升在解释SW模型中的通胀和实际工资行为中起到了重要的作用，这种说法被Chari，Kehoe和McGrattan(2009)为是不合理的。然而，Smets和Wouters(2011)证明了上升带来冲击的幅度可以通过caloric(亦称为偏好)冲击家庭偏好显著减小。

　　在建模策略中加入的外部冲击导致了更加严重的识别问题。这也为解释那些研究结论提供了更多的灵活性。

　　考虑关于识别的问题时往往起步于供给曲线和需求曲线中的数据，纵轴是工资W(取对数)，横轴是工作时间L(取对数)。为了测某一政策变动所带来的影响，经济学家需要知道劳动力供给曲线的弹性。这里，识别问题指的就是无法单从散点图中计算得到弹性。

　　为了描绘图中的数据点，我将借助供给和需求曲线来介绍数据的生成过程:数据的对数值加上一些随机扰动。接着便利用这些数据来寻找逼近曲线。模型利用的是线性的供求曲线以及偏误，利用数据来分别计算截距和斜率。

　　下一步，我通过对模型引入:垂直的供给曲线，来刻画一个未知的真实值(FWUTV)(具体来说，你并不清楚这一的真实值，因为我还没有告诉你我用于生成这些数据和曲线的真实情况)。通过这一设定，软件将计算得到一条蓝色的实线的下半部分)。普遍的用法是，如果软件不报错，那么这个模型就是可识别的。

　　接下来，我加入一个新的FWUTV，引入:供给曲线经过原点。软件一样没有报错，模型是可以识别的。结果在图3的下半部分中以红色线标识。

　　你可能并不知道这两个FWUTV哪一个是正确的，但至少有一个是错的，而且软件计算出的结果也并不会告诉你哪一个可能是错的。因此，在没有其它信息的条件下，以“软件是否会报错”作为评判模型是否可识别，进而计算供给和需求全线弹性的做法是毫无意义的。

　　其中，矩阵S对角线，因此，等式表明X的每一分量都等于其余部分的线性组合加上一个项和一个随机项。简单起见，我们假定随机项在每一期都是相互的。同时，假定X的各个分量都不是其它分量的滞后值。因为矩阵S有m(m-1)个参数(对角线)，项c中有m个相同参数，可见，等式有��2个参数有待估计。

　　随机项中可能包含了被我们忽略掉的某些因素可能会影响到模型中的变量。因此并不能够假设向量X中各个分量对应的随机成分之间是不相关的。(在图3中我同样通过加入随机项成分之间不相关这一FWUTV来生成曲线。)这意味着关于X的方差-协方差矩阵预测值的所有信息要被用来计算扰动参数ε的方差-协方差矩阵。

上一页  [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13]  下一页