Monte Carlo Analysis of Forecast Error Variance Decompositions under Alternative Model Identification Schemes

Celem artykułu jest zbadanie dokładności estymacji parametrów dekompozycji wariancji błędów prognozy dla strukturalnych modeli wektorowej autoregresji zidentyfikowanych z użyciem restrykcji na parametry krótko‑ i długookresowe. W analizie wykorzystano eksperymenty Monte Carlo. Wykazano, że dla procesów o pierwiastkach, których wartość zbliżona jest do jedności, wybrane parametry dekompozycji wariancji błędów prognozy można oszacować z większą precyzją przy założeniu trójkątnej macierzy mnożników długookresowych niż przy restrykcji trójkątnej macierzy mnożników bezpośrednich. Uzyskane wyniki wnoszą wkład do dyskusji dotyczącej zalet i wad różnych schematów identyfikacji przez wskazanie kontrprzykładów dla hipotezy, że wykorzystanie restrykcji krótkookresowych prowadzi do mniejszych błędów szacunku niż zastosowanie restrykcji na parametry długookresowe.

The goal of the paper is to investigate the estimation precision of forecast error variance decomposition (FEVD) based on stable structural vector autoregressive models identified using short‑run and long‑run restrictions. The analysis is performed by means of Monte Carlo experiments. It is demonstrated that for processes with roots close to one, selected FEVD parameters can be estimated more accurately using recursive restrictions on the long‑run multipliers than under recursive restrictions on the impact effects of shocks. This finding contributes to the discussion of pros and cons of using alternative identification schemes by providing counterexamples for the notion that short‑run identifying restrictions lead to smaller estimation errors than long‑run restrictions.