Riassunto analitico
In questa tesi studiamo l’incertezza macroeconomica ed i suoi effetti sulle fluttuazioni del ciclo economico. Per fare ciò utilizziamo una procedura recentemente suggerita da Forni et al. (2020) con l’importante differenza che usiamo un modello FAVAR al posto di un VAR. La procedura è la seguente. Innanzitutto, stimiamo l’errore di previsione campionario di una variabile di riferimento ad uno specifico orizzonte temporale utilizzando un FAVAR. Dopodiché, calcoliamo il quadrato dell’errore di previsione e stimiamo l’incertezza regredendo il quadrato dell’errore di previsione sulle variabili del FAVAR. Infine, utilizziamo i coefficienti stimati per valutare gli effetti gli effetti dello shock di incertezza sull’attività economica reale. Mostriamo che questo metodo è equivalente a identificare lo shock di incertezza con il metodo proxy-SVAR, utilizzando il quadrato dell’errore di previsione fornito dal FAVAR come proxy dell’incertezza. Inoltre, mostriamo come imporre restrizioni di ortogonalità sullo shock di incertezza in modo tale da depurarlo da componenti endogene. Applichiamo il metodo a dati mensili statunitensi. Prendiamo il tasso di disoccupazione come variabile di riferimento e consideriamo sei mesi come orizzonte temporale rilevante. Troviamo che la nostra incertezza stimata è altamente correlata con misure di incertezza esistenti. Inoltre, troviamo che gli shock di incertezza hanno ampi effetti sul ciclo economico, contando per circa il 25% della varianza dell’errore di previsione relativo alla produzione industriale e quasi il 50% della varianza dell’errore di previsione del tasso di disoccupazione ad orizzonti di ciclo economico.
|
Abstract
In this thesis we study macroeconomic uncertainty and its effects on business-cycle fluctuations. We do this by using a procedure recently suggested by Forni et al. (2020), with the important difference that we use a FAVAR model in place of a VAR. The procedure is the following. First, we estimate the (in-sample) prediction error of a reference variable at a specific horizon using the FAVAR. Next, we compute the square of the prediction error and estimate uncertainty by regressing the squared prediction error onto the FAVAR variables. Finally, we use the estimated coefficients to assess the effects of uncertainty shocks on real economic activity. We show that this method is equivalent to identify the uncertainty shock with the proxy-SVAR method, by using the squared prediction error implied by the FAVAR model as the uncertainty proxy. In addition, we show how to impose orthogonality restrictions on the uncertainty shock in such a way to clean it from endogenous components. We apply the method to monthly US data. We take the unemployment rate as the reference variable and the 6-month ahead horizon as the relevant horizon. We find that our estimated uncertainty is highly correlated with existing uncertainty measures. In addition, we find that uncertainty shocks have large business cycle effects, in that they account for about 25% of industrial production prediction error variance and almost one half of unemployment prediction error variance at business cycle horizons.
|
