房地产投资,非房地产投资和GDP外文翻译资料

 2021-12-10 05:12

英语原文共 16 页

房地产投资,非房地产投资和GDP

作者:N. Edward Coulson and Myeong-Soo Kim

一 前言

我们研究了房地产和非房地产投资在多元向量自回归背景下对GDP及其组成部分的因果关系和影响,并对驱动GDP的各个组成部分的冲击的适当正交化进行了一些关注。 我们发现房地产投资冲击在确定GDP方面比非房地产投资冲击更为重要。

房地产投资在美国得到了大量的补贴。虽然Mills(1987)和其他人认为这种补贴会导致资本配置效率低下,但其他人则认为与房地产投资相关的外部收益在某种程度上至少可以证明这种补贴是合理的。这篇文章其中的的一部分就是房地产投资刺激经济; 事实上,房地产投资比其他类型的投资更能刺激经济。Pozdena(1988)强调房地产投资在商业周期中的重要性,而最近Green(1997)认为只有房地产投资(与非房地产投资相对)才能引起国内生产总值的变化,这也被成为格兰杰现象。而非房地产投资不是格兰杰现象引起的GDP; 相反的,事实上,格林发现非房地产投资和GDP的关系是从GDP到非房地产投资的因果关系。

简单地找到研究对象之间的格兰杰因果关系虽然很重要,但这样在试图评估房地产投资对确定GDP的重要性时,就没有考虑几个有趣的问题。其中一个显而易见的是数量。格兰杰式关系的断言并没有告知人们通过补贴房地产或任何其他类型的投资可以获得多少“贬值”。此外,没有任何意义认为GDP的其他部分可能比房地产投资对其产生更大的影响。与此相关的重要思想是对格兰杰因果关系的推断是在特定信息集的上下文中进行的。虽然将信息集视为由两组滞后变量(原因和潜在的引导者)组成是标准的,但当这组因果变量高度共线时,这可能是一种限制,国内生产总值的各个组成部分的情况很可能如此。还有,确定GDP的过程显然是一个复杂的过程,这个过程的各个组成部分是动态的、同时确定的关系,双变量格兰杰因果回归关系式无法揭示在研究中所做的推论中使用格兰杰因果推论的明显反对意见。格林(1997)认为,或许还有其他一些影响房地产投资的集合是真正的因果关系。在这种情况下,重要的是尝试区分这些变量的外生(即不可预测的)组件的影响,而不是变量本身。

在本文中,我们更全面地去了解房地产投资与GDP的其他组成部分之间的关系,以及GDP本身。我们使用向量自回归(VAR)来帮助我们形成我们的观点。VAR可由四个方程组成,它们决定了GDP的四个组成部分:房地产投资,非房地产投资,消费和政府支出,作为这四个方面各自滞后值的函数。还有第五个等式,即将GDP计算为这四个值之和的数值。在这种情况下,我们可以分析出哪些成分对其他成分和国内生产总值都有因果影响,从而可以更深入地了解每个成分在确定国民收入中的因果作用。此外,我们在使用VAR分析中可以用机制来计算与四者中的每一个相关的正交,外部冲击,并且两者都评估它们对GDP的重要性并模拟它们对GDP的影响。由于关于VAR的争议很大程度上源于将残差正交化的方法,我们尽可能地使用Swanson和Granger(1997)提出的方法确定数据确定正交化。巧妙地是,Swanson-Granger系统为我们提供了过度识别的正交化方案,从而能进一步保证规范。

我们发现房地产投资相比于非房地产投资方面确实具有优势,无论是因果影响还是其外生因素对GDP的影响。这似乎是因为房地产投资对个人消费有重要又积极的影响,而非房地产投资却没有。在这种情况下,冲击对房地产投资的影响远大于对非房地产投资的影响,并且在预测GDP方面,前者的解释力更大。

二 房地产投资对GDP的影响识别框架

我们的前提是,GDP的每个组成部分都可能影响其他组成部分,至少是一阶滞后的影响。 VAR的方法能够自然地表达出来。考虑五个变量的方程模型

其中c =消费,r =房地产投资,n =非房地产投资,g =政府支出,y =国内生产总值= c r i g。是后移中的滞后多项式的4times;4矩阵,运算符B允许y的每个分量影响其他每个分量,但只有滞后影响。的确切规范将在下一节中讨论。 现在我们只限制的第个元素,故。

我们希望找出与GDP的每个组成部分相关的冲击,而这些冲击是彼此不相关的。这可以通过形式的线性变换来完成

(2)

其中c是公式(1)右边的4维列向量,w是具有对角协方差矩阵D的4 维正交残差列向量。矩阵W是4times;4阶矩阵,W在e上提供了产生正交化的加权方案。 由于W包含16个参数,但四个残差之间的方差和协方差的数量仅为10,因此对W的限制是必要的。研究人员的典型选择是使W沿主对角线呈下三角形。由于由此估计的参数的数量是10(W的六个元素以及D中的四个方差),因此模型仅起到识别作用,并且恰好是e的协方差矩阵。

这组限制并不是没作用的的,因为它们意味着创新之间存在一种同时存在的因果排序,即认识到VAR的方程式可以按任意顺序写下。这种排序通常源于经济理论,因此可能存在争议,因为不同的研究者可能会从不同的理论中得出结论。 它有所不同,是因为模拟结果在不同的顺序上会有很大的不同。由于此类型的任何刚刚识别的系统导致似然函数的值相同,因此不存在在此基础上区分模型的测试。

这对我们的工作来说很麻烦,因为我们得出的结论必然来自我们对房地产和非房地产投资之间的排序(当然还有其他变量)的选择。因此,我们采用Swanson-Granger方法来让数据能尽可能地描述我们的排序。

Swanson-Granger正交化程序

Swanson和Granger(1997)描述了一种让来自VAR的数据部分揭示残差之间的因果排序的方法。以下是该方法的简述:读者可以参考他们的论文以获得更多细节。设是向量自回归中的三个残差向量。如果和的部分相关是统计上无法区分的零,而不是,那么可以推断出连接的和的W中的元素是零,而连接和的元素,以及连接和的那些元素非零。因此只出现两种可能:

(3)

(4)

即,具有因果排序或者。Swanson-Granger程序的优点是双重的:它可以消除某些考虑因果排序,并且可以对矩阵W提供过度识别限制,从而进一步检查模型的充分性。但只有在数据中找到等于零的部分相关时才会出现这种情况。

过程现在就很清楚。首先估计VAR,并从中收集残差。然后估计每个部分相关性,并进行测试以查看它是否与零显著不同。如果它是与零显著不同的情况,就可以排除某些部分因果排序。如果可能的话,可以在剩下的那些排序中使用经济或其他理论来进一步排除矩阵W的某些版本。最后,使用这种方法导出的W(可能还有不止一种可能性)来估计脉冲响应函数和方差分解。所有这些都将在下一节中针对目前的模型完成。

三 结果

1 数据

这篇文章的数据来自CITIBASE,按季度抽样于1959年2月至1997年2月。经过滞和差分后,这次分析的起始日期是1960年一月。在整个分析过程中,我们使用了两阶不同的滞后期。标准化测试后(准确地说是Schwarz信息标准化)表明需要最小数量的滞后。我们使用两阶滞后(而不是一阶)来为动态响应提供一些灵活性,这与Ahmed等人的观点一致(1993)。

2 初步措施

在实际估算VAR之前,需要做出一些重要的决定。其中之一是变量是否以水平,差分或纠错形式输入。该决定基于变量是否被整合,如果是的话,它们是否是共同整合的。表格1通过显示每个组件系列的增强型双键测试结果,解决了第一个问题,即是否集成了变量。结果通常表明变量应该被认为是整合的。在各种规范(趋势或没有趋势;滞后期数)中,对于固定替代方案,不能拒绝系列完整性的零假设。房地产投资系列例外,其中这些规格包括5%的重要趋势,但不是1%的水平。鉴于这些结果的临界性质以及变量处理的一致性,我们将所有变量视为集成,因为这将简化VAR的规范问题。

鉴于此,表2讨论了第二个问题,即变量之间潜在的协整。最合适的测试是解决四个组件之间潜在的协整问题。发现GDP的每个组成部分都是由一个共同趋势产生的,这是不合逻辑的。在这种或任何其他形式的协整下,我们的VAR必须在差分中进行估计,包括一个或多个纠错项以强制指示的长期均衡。尽管如此,表2的第一行表明四个变量之间不存在协整现象。为了致兴,我们测试了这种共同整合测试的限制版本,即房地产投资和非房地产投资,以及四个变量中的一些 变量,即GDP。Green(1997)在这种情况下发现了一些协整的证据,使用Ihe Engle-Granger检验进行协整,但如表2的第二和第三行所示,我们没有找到任何这样的关系。我们的结论是VAR将在差分中进行估算,但没有纠错的地方。

表1 增强的DF检验

二阶滞后,有趋势

二阶滞后,没有趋势

四阶滞后,有趋势

四阶滞后,没有趋势

消费

-2.00

1.48

-2.17

0.99

非房地产投资

0.77

0.77

-2.52

0.74

房地产投资

-4.04*

-2.05

-3.89*

-2.01

政府支出

-1.46

1.14

-2.17

-1.08

增强的DF检验以阶梯形式和滞后差异对滞后变量的指示变量的变化进行回归。如果水平项的t统计量(在表中列出)明显小于零,则拒绝综合性的零缺陷。星号指示意义在5%的显著性水平不是1%的水平。(注意,分布不是通常的t分布。)

表2 Johansen协整检验

向量包括

统计量

5%的临界值

C,RI,NI,G

35.70

47.21

RI,GDP

14.10

15.41

NI,GDP

4.17

15.41

Johansen检验使用指示变量的差异作为决定性变量来估计VAR,并且在右手侧对每个变量的滞后水平项以及滞后差异进行估计。如果等级项的系数矩阵小于满等级,则表明在两个或更多个变量之间存在长期的相关关系关系,即共同积分。约翰森检验是对该矩阵的秩的检验,并且大部分的检验表示拒绝满秩的假设。可以看出,没有一个变量的结果表明协整。

表3给出了向量自回归的估计,而表4给出了相关的格兰杰因果关系的估计。在表3中我们发现系数几乎是无关紧要的。例如,政府支出方程中的每个系数估计都有一个房地产投资的消费方程式的t统计量具有正系数且至少具有边际意义,而在房地产投资方程本身中,消费和投资投资各自至少有一阶滞后,其系数是小于1.6(拦截除外)。值得注意的是,传统标准的一个有趣的方面是,非房地产投资如果对房地产投资有负面影响,可能是由于支付效应。(请注意,非房地产投资的这种负面影响存在于消费等式中更昂贵的形式。)在非房地产投资方程中,自身滞后具有相当高的t统计量。和一阶消费滞后一样。这里累积的效应似乎并不存在;房地产投资的滞后期是积极的,尽管在大多数常规显著性水平上,系数估计值的影响并不显著。

表4列出了格兰杰因果关系的结果。这些是联合假设的F检验,即滞后期与零显著不同。正如表2所预期的那样,在这个样本期间,政府支出似乎相对自治,而非房地产和房地产投资都是由非常重要的组成部分或GDP引起的。 房地产投资与非房地产投资结果之间的一个有趣而重要的区别是,这种形式似乎会导致消费,而非房地产投资却没有。此外,房地产投资是GDP的唯一组成部分,它会影响格兰杰因素的消费。

表3 VAR估计

独立的VAR

不独立的变数D(CONS)

变量D(RI)

D(NI)

D(G)

D(CONS(-1))

-0.05(-0.56)

0.10(3.12*)

0.09(2.80*)

-0.03(-0.76)

D(CONS(-2))

-0.00(-0.01)lt;

资料编号:[5909]

原文和译文剩余内容已隐藏,您需要先支付 20元 才能查看原文和译文全部内容!立即支付

以上是毕业论文外文翻译,课题毕业论文、任务书、文献综述、开题报告、程序设计、图纸设计等资料可联系客服协助查找。