Økonomisk modellering i tiden efter COVID: Del II

Resumé

Som diskuteret i del I af denne serie, har den grundlæggende tvetydighed i den nuværende virusdrevne krise bragt en række nye udfordringer for økonomisk modellering. Rekordvolatilitet og vedvarende usikkerhed komplicerer analytikeres evne til at skelne tendenser i økonomiske data, mens afbrydelsen af ​​normal økonomisk aktivitet åbner nye spørgsmål om pålideligheden af ​​historiske sammenhænge. I denne rapport udforsker vi modellerings- og estimeringsteknikker, der vil være vigtige at overveje, når økonomien langsomt er på vej ud af COVID-19-krateret.

Er det nok at forudsige formen på en bedring?

Den 8. juni 2020 annoncerede National Bureau of Economic Research (NBER), at den økonomiske aktivitet i USA toppede i februar 2020, hvilket markerede begyndelsen på en recession. På det tidspunkt stod det selvfølgelig klart, at den økonomiske vækst var faldet med et hidtil uset tempo midt i forårets nedlukninger. Men efterhånden som aktiviteten begyndte at stige og lockdowns blev ophævet, vendte samtalen sig til formen af ​​det efterfølgende opsving, og hvor lang tid det ville tage for aktivitetsniveauet (dvs. niveauet af det reelle BNP) at nå sit toppunkt før virus. Mens nogle forventede en hurtig, V-formet bedring, forudsagde andre en langsommere U-form eller en kombination af de to med et hurtigt opspring efterfulgt af en mere gradvis genopretning derefter. Nu, flere måneder senere, er der stadig spørgsmål vedrørende opsvingets form, da mange fremhæver potentialet for et W-formet opsving eller en double-dip recession.

Mens økonomiens nadir ser ud til at være tydeligt i bakspejlet, er vejen frem fortsat bemærkelsesværdig usikker. Tilbagekomsten til 'normalitet' afhænger i høj grad af virussens vej, men et værktøj, vi vil bruge, er vores Ordered Probit-model til at forudsige styrken af ​​genopretning. Vi skabte vores Ordered Probit-model i 2016, som samtidig forudsiger sandsynligheden for recession og styrken af ​​opsvinget (figur 1).1 I et simuleret eksperiment har modellen forudsagt styrken af ​​alle recessioner og opsving siden 1980 og kan være særlig nyttig. nu givet usikkerheden omkring den unge ekspansion.

Vi forudser i øjeblikket, at den økonomiske vækst vil fortsætte gennem 2022, men ikke alle opsving er lige stærke. Som vi har set efter de seneste par nedture, kan det tage ret lang tid for økonomien at komme tilbage til fuld sundhed, selv efter at recessionen er overstået. Tilføjelse af denne dimension til traditionelle recessionsmodeller kan hjælpe med at informere ikke kun om økonomien vil vokse, men hvor hurtigt.

Forudsigelse af formen på et opsving kan også hjælpe med at informere forventningerne til den økonomiske politiks vej (dvs. penge- og finanspolitik). Historisk set er politik 'normaliseret' i en ekspansionsfase af en konjunkturcyklus. For eksempel har Federal Open Market Committee (FOMC) typisk en tendens til at normalisere politikken ved at hæve målområdet for føderale fonde under udvidelsen. De sidste to opsving efter recessionerne i 2001 og 2007-09 tegner dog et andet billede. Efter recessionen i 2001 hævede FOMC ikke federal funds-renten (FFR) før juni 2004 (31 måneder efter lavkonjunkturen), og den første renteforhøjelse i æraen efter den store finansielle krise (GFC) kom ikke indtil december 2015 (77 måneder efter lavpunktet).

For at forstå denne langsomme tilbagevenden til normalen, er det nyttigt at overveje de underliggende sektorer, der driver politikerne. Fed har til opgave at fremme maksimal beskæftigelse og prisstabilitet. Hvis aktiviteten begynder at komme sig, men beskæftigelsesvæksten forbliver svag, eller inflationen forbliver under målet, kan centralbanken være langsommere til at fjerne boliger. Derfor er det ikke kun at forudsige vejen for opsvinget i den samlede amerikanske økonomi, men i individuelle sektorer, der vil være vigtige i post-COVID-æraen. Det er derfor, vi også vil bruge en ekstra Ordered Probit-model, som vi tidligere har bygget, for at hjælpe med at illustrere inflationssiden af ​​Feds mandat. Modellen forudsiger sandsynligheden for inflationspres, deflationspres og prisstabilitet på samme tid (figur 2).2 Det er bemærkelsesværdigt, at modellen tog op på deflationspres ved begyndelsen af ​​den nuværende krise, og vi vil bruge denne model til at måle den kommende inflationære miljøet, når økonomien begynder at komme sig. I betragtning af den amerikanske centralbanks insisteren på højere inflation, før nogen form for tilpasning fjernes, vil det være vigtigt at observere mulige inflationsscenarier samt styrken af ​​opsvinget for at forudse pengepolitikkens vej.

Estimering af dybden af ​​stød

Før vi kan estimere opsvingstempoet, er det dog vigtigt at vurdere dybden af ​​nedturen. Det vil sige, at for at justere økonomiske modeller, der kommer ud af en nedtur, estimerer vi dybden af ​​det chok, som økonomien graver sig ud fra. Dette gælder også for politiske beslutningstagere, som har brug for at forstå krisens dybde og dens årsager for at kunne kalibrere stimulans korrekt. Det er dog ikke altid en let opgave at beregne den sande skade fra et stød. Mange traditionelle modeller var ude af stand til at gengive den faktiske dybde af GFC ved at chokere for eksempel boligpriser. Vi har tidligere givet en anden tilgang til at estimere skader fra GFC ved at inkorporere de indirekte virkninger af skiftende animalsk spiritus, noget vi fortsat vil overvåge.3

I mange traditionelle modeller afhænger hvordan en begivenhed forplanter sig gennem økonomien af, hvor meget folk justerer deres forbrug baseret på et chok til deres indkomst, kendt som et individs marginale tilbøjelighed til at forbruge (MPC). For eksempel, hvis regeringen sender folk $1,200 (et positivt chok) som en del af økonomisk stimulans, bruger folk måske kun 75% af det. Det er vigtigt at forstå denne MPC, fordi den giver en analytiker mulighed for at estimere den samlede effekt af en begivenhed på økonomien. De 75%, som folk bruger, bliver til indkomst for andre mennesker, som vil bruge en del af det, og så videre.

Mens man kan estimere MPC'en ved at se på den gennemsnitlige effekt af et chok over tid, kan dyreånder eller økonomisk stemning ændre MPC'en, da folk reagerer forskelligt på hver enkelt chok's idiosynkrasier. Hvis folk er usikre på udsigterne, kan de vælge at spare mere for at klare den potentielle økonomiske tumult. I optakten til GFC faldt boligpriserne f.eks. dramatisk, hvilket gav et negativt chok for husholdningernes økonomi. Mens man kunne forvente, at enkeltpersoner justerer forbruget baseret på et tidligere gennemsnit af tidligere boligprischok, overdrev dyreånder denne effekt, da stemningen voksede i lyset af finanskrisen.

I kølvandet på COVID-19 har vi set denne dynamik dukke op igen. Mens enkeltpersoner har indskrænket udgifterne på grund af manglende evne til at bruge på mange tjenester, er dyreånder også en faktor. Da analytikere vurderer dybden af ​​COVID-chokket, foreslår vi, at de bør inkludere et mål for dyreånder som et element i modellerne for at producere nøjagtige resultater.

Bekræftelse af eksisterende benchmarks

Når man vender opmærksomheden mod opsvinget, bør analytikere også verificere allerede eksisterende benchmarks. Der er nogle berømte benchmarks, analytikere bruger til at forudsige visse økonomiske begivenheder, og før de bruger dem i post-COVID-æraen, er det vigtigt at verificere deres forudsigelsesevne. Der var tegn på, at nogle af disse benchmarks gik i stykker efter GFC, og vi vil sandsynligvis stå over for lignende vanskeligheder i post-COVID-æraen. For eksempel er den omvendte rentekurve eller spændet mellem den 10-årige statsrente og FFR en berømt recessionsforudsigelse, da den har ført til alle recessioner siden 1969-70 recessionen (figur 3). Imidlertid kan recessionen i 2008-09 have ændret dens effektivitet som en ledende indikator.

FOMC bragte federal funds-målområdet til den nedre nulgrænse i december 2008 og holdt det der indtil december 2015. Dette lave niveau af FFR svarede til en bredere nedskiftning af renteniveauet og volatiliteten. Disse tendenser har fået mange til at stille spørgsmålstegn ved rentekurvens forudsigelseskraft, og vi delte denne bekymring. For at imødegå dette skift præsenterede vi en ny ramme, der anvender en tærskel mellem FFR og den 10-årige statsrente snarere end blot en omvendt rentekurve.4 Vi fandt ud af, at FFR i en stigende FFR-periode krydsede/rørte det laveste niveau. af det 10-årige udbytte i den cyklus er tegn på en forestående recession (figur 4). Siden 1954 har denne ramme i et simuleret eksperiment ikke kun forudsagt alle recessioner, men også forudsagt ændringer i pengepolitikken (dvs. fra imødekommende til normalisering).

I post-COVID-æraen vil dynamikken, der motiverede denne nye ramme, sandsynligvis ikke kun fortsætte, men intensiveres. FOMC bragte federal funds-målområdet til den nedre nulgrænse i marts 2020, og den 10-årige statsrente faldt til under 1 % den 3. marts for første gang nogensinde. Ydermere formørkede Feds balance $7 billioner i juni, og de seneste fremskrivninger fra FOMC viste intentioner om at holde renterne lavere i en længere periode.5 Når det er sagt, er både den 10-årige rente og FFR på nuværende tidspunkt sagt. forventes at forblive meget lave sammenlignet med de historiske gennemsnit. Desuden er begge disse renter komponenter af rentekurven såvel som vores tidligere foreslåede metode. I betragtning af de nuværende niveauer og fremtidige forventninger (lavere kurser i længere tid) for disse kurser, foreslår vi, at analytikere bør revurdere effektiviteten af ​​den omvendte rentekurve og vores tilgang, før de anvender disse værktøjer i post-COVID-æraen.

Farer ved volatilitet

Volatilitet kan udgøre en anden udfordring for analytikere, da der har været omfattende volatilitet i de fleste makroøkonomiske indikatorer på grund af COVID-19. Vi diskuterede implikationerne af volatilitet på sæsonjusteringsprocessen for data i del I af denne serie, men omfattende volatilitet kan også gøre det vanskeligt at stole på traditionelle økonomiske modeller, når man estimerer opsvinget. Standard økonometriske teknikker, såsom Ordinary Least Squares (OLS), er kendt for at producere vildledende resultater (forfalsket regression), når de håndterer flygtige data. Der er dog økonometriske værktøjer, der håndterer volatilitet. Det almindeligt anvendte værktøj til at håndtere en underliggende variabels volatilitet er kendt som autoregressiv betinget heteroskedasticitet (ARCH) eller dens generaliserede form, GARCH.

Traditionelle makroøkonomiske variabler er stabile, i det mindste sammenlignet med finansielle data som aktiekurser eller valutakurser, derfor er anvendelser af ARCH/GARCH-tilgangen i makroøkonomi ikke almindelige. En væsentlig årsag er, at økonomer typisk er interesserede i det gennemsnitlige forhold (objektivt middelværdi) mellem variabler, og finansanalytikere er bekymrede over usikkerhed (varians) relateret til underliggende aktivpriser. GFC fik dog økonomer til at blive mere bekymrede over den underliggende volatilitet.

Tidligere forskning har antydet, at outliers og episoder med høj varians såsom GFC kan påvirke OLS-resultaterne og føre til falske resultater.6 Ved at inkorporere ARCH-tilgangen i traditionelle økonometriske metoder kan man opnå mere nøjagtige resultater, selv når de underliggende data er volatile . Denne nye tilgang kaldes ARCH-makroøkonomi. Vi anbefaler kraftigt at bruge den ARCH-makroøkonomiske tilgang til modellering i post-COVID-æraen for at generere nøjagtige resultater, når vi håndterer volatilitet. På grund af dets tekniske karakter, for et detaljeret eksempel på ARCH-makroøkonomi, henviser vi interesserede læsere til bilaget til denne rapport på side 6.

Trusler fra ubevægelige variabler

Flygtige data er ikke den eneste bekymring i post-COVID-miljøet. Standard økonometriske værktøjer kan generelt håndtere stabile data (bevæger sig langsomt opad eller nedad med en rimelig variation) og producerer pålidelige resultater. Volatilitet kan være et problem, men som vi lige har diskuteret kan statistiske værktøjer som ARCH håndtere volatilitet på passende vis. Meget rolige (bevægelige) data er dog mindre almindelige og kan forårsage alvorlige problemer under estimering. Dette problem bliver endnu mere alvorligt, når vi har at gøre med en vital faktor, såsom renter, der spiller en central rolle i en række finansielle og økonomiske modeller.

Mellem december 2008 og juli 2020 (140 månedlige datapunkter) havde målet FFR kun flyttet sig 13 gange. Denne "bevægelighed" opstod på trods af materielle bevægelser i den bredere økonomi. I de næste par år vil denne dynamik sandsynligvis fortsætte, da vi tildeler en lav sandsynlighed for, at FOMC vil justere sit målområde for FFR på mellemlang sigt. Analytikere kan derfor blive nødt til at styre to forskellige adfærdsmønstre i post-COVID-æraen; meget rolige renter sammen med ekstrem volatilitet i andre sektorer af økonomien. Så hvordan ville en analytiker modellere disse to sæt variabler med helt forskellig adfærd?

Desværre er svaret ikke ligetil. For at opnå pålidelige resultater skal analytikere oversætte flygtige data til en rolig serie eller en rolig serie til et flygtigt datasæt. Da vi mangler værktøjer til at håndtere rolige (bevægelige) data, er sidstnævnte mulighed mere realistisk. Yderligere, med volatilitet til stede i så mange sektorer af økonomien i dag, er det bedre at konvertere rolige data, såsom renter, for at følge resten af ​​økonomien. Nu er det praktiske spørgsmål, hvordan man oversætter FFR til en flygtig serie. I vores tidligere arbejde indførte vi et pengepolitisk usikkerhedsindeks (MPU).7 MPU ramte 1.99 i Q2-2020, den højeste værdi siden Q1-2009 (Figur 5). Indeksets volatile adfærd i første halvdel af 2020 er i overensstemmelse med resten af ​​økonomien og de ekstraordinære tiltag, som FOMC har gennemført ud over blot justeringer af FFR. MPU-indekset kan derfor bruges som en proxy for pengepolitikken i prognoser for at opnå mere pålidelige resultater end at afbøde problemer som følge af forskelle i volatilitet.

Konklusion

Analytikere er nødt til at overveje sektorspecifikke opsving ud over den samlede økonomi, når de forudsiger styrken af ​​opsvinget efter COVID-19. ARCH-makrotilgangen ville være et praktisk værktøj, når man håndterer virusrelateret volatilitet i modellering og prognoser. Flygtige data er dog ikke den eneste bekymring for økonomisk modellering, da 'bevægelige' data også er en trussel og ikke bør ignoreres. En indeksbaseret proxy for disse ubevægelige serier kan hjælpe med at afhjælpe dette problem. Estimering af de sande COVID-relaterede skader er afgørende for passende politisk handling, og vi foreslår, at analytikere inddrager animalsk spiritus i vurderingsprocessen.

Endelig var de fleste modelleringseksempler, der blev brugt i denne rapport, inspireret af recessionen i 2008-09. For at løse de udfordringer, som traditionelle modeller ikke var i stand til at håndtere i post-GFC-æraen, blev der udviklet nye måder at forudsige og modellere. Selvom vi mener, at nogle af disse løsninger også vil hjælpe i post-COVID-æraen, vil nogle af de aktuelt uforudsete udfordringer, vi sandsynligvis vil stå over for, forårsage, at der udvikles nye modelleringsteknikker.

BILAG

Ved at bruge en standard OLS-tilgang kører vi en regression mellem måned-over-måned procentændring i S&P 500-indekset og ikke-landbrugsløn for beskæftigelse og rapporterede resultaterne i tabel 1. Vi bruger to forskellige prøveperioder (1) Før COVID-æraen (1990-2019) og (2) COVID-perioden (1990-juni 2020). OLS-resultaterne for før-COVID-æraen tyder på, at beskæftigelse er statistisk nyttig til at forklare S&P-vækst. Det positive resultat (3.286) tyder på, at højere beskæftigelse ville booste S&P, hvilket virker intuitivt. Men når vi udvider estimatet til at omfatte COVID-æraen, er beskæftigelseskoefficienten stadig statistisk signifikant, men negativ (-0.518), hvilket er meningsløst, da det antyder, at beskæftigelsesvækst har en negativ effekt på S&P-væksten. Vi mener, at denne ændring i det estimerede forhold er et tegn på den underliggende volatilitet i begge variabler, der fører til en falsk korrelation.8

Vi anvender også ARCH-makroøkonomisk (mærket ARCH-makro i tabel 1) på begge prøver, og resultaterne indikerer, at der ikke er nogen statistisk signifikant sammenhæng mellem vækstraterne i S&P og beskæftigelsen. De ARCH-baserede resultater er også i overensstemmelse med den effektive markedshypotese, som siger, at aktivpriserne er uforudsigelige. Da præ-COVID-prøven desuden inkluderer GFC-æraen, er OLS-resultaterne vildledende på grund af den tidsperiodes volatilitet.

Volatilitet har konsekvenser for prognoser, hvilket ofte resulterer i vildledende konfidensbånd ved brug af OLS. Den estimerede RMSE (et mål for fejlen) af OLS-modellen ved hjælp af prøven fra COVID-æraen er 4.2. Desuden plotter vi S&P vækstraterne sammen med konfidensbåndet ved hjælp af RMSE i figur 6. De ARCH-baserede estimater er vist i figur 7. Der er en vigtig forskel mellem de to tilgange. OLS estimerede RMSE er en konstant, 4.2 (kun én værdi for hele stikprøven), og det tyder på, at risici for prognosen er de samme for hver tidsperiode. Med andre ord er risikoen for prognosen identisk for GFC-perioden (en meget volatil periode) og 2014 (det første relativt rolige år i post-GFC-æraen). Det ARCH-baserede konfidensbånd er forskelligt for forskellige perioder, hvilket afspejler risikoens tidsvarierende karakter, en realistisk afspejling af den underliggende risiko og usikkerhed i forhold til prognosen. De højeste værdier er for GFC-æraen i den estimerede varians baseret på ARCH-makrotilgangen, som angiver den usikkerhed, som GFC'en skaber. Derfor anbefaler vi kraftigt at bruge den ARCH-makroøkonomiske tilgang til modellering i post-COVID-æraen for at generere nøjagtige resultater.

1 For flere detaljer om metoden, se "Forudsigelse af sandsynligheden for recession og styrke for genopretning: En ordnet probit-tilgang" (19. juli 2016).

2 Iqbal & Silvia (2016). "Truer deflation den globale økonomi?", Global Economy Journal, 16(2), 189-212.

3 For flere detaljer, se "The Roar of the Animal Sprits: A New Index" (18. januar 2018).

4 For flere detaljer, se "Behøver vi at vente på en rentekurveinversion for at forudsige en recession? Ingen." (08. september 2017).

5 FOMC's Dot Plot i dets seneste September Summary of Economic Projections viser, at de fleste udvalgsmedlemmer forventer, at de føderale fondes målinterval forbliver på den nedre nulgrænse indtil udgangen af ​​2023.

6 Hamilton, J. (juli 2008). "Makroøkonomi og ARCH." National Bureau of Economic Research.

7 For flere detaljer, se "Quantifying Monetary Policy Uncertainty: A New Index," (16. maj 2019).

8 Der er nogle test/regler, såsom ARCH-effekten og R-kvadrat i forhold til Durbin-Watson-dstatistiken, for at bestemme den underliggende volatilitet såvel som falske resultater. For flere detaljer om disse tests og regler, se venligst Silvia et al. (2014). Økonomiske og forretningsmæssige prognoser: Analyse og fortolkning af økonometriske resultater.