نظریه ارزیابی اثر شوک نرخ بهره بر متغیرهای کلان اقتصادی در ایران با رویکرد الگوی FAVAR | ||
| فصلنامه مطالعات اقتصادی کاربردی ایران | ||
| مقاله 3، دوره 7، شماره 25، اردیبهشت 1397، صفحه 29-54 اصل مقاله (690.78 K) | ||
| نوع مقاله: مقاله پژوهشی | ||
| شناسه دیجیتال (DOI): 10.22084/aes.2017.10703.2169 | ||
| نویسندگان | ||
| مهدی فراهانی* 1؛ حسین مرزبان2؛ زهرا دهقان شبانی3؛ رضا اکبریان2 | ||
| 1دانش آموخته دکتری اقتصاد دانشگاه شیراز | ||
| 2دانشیار بخش اقتصاد دانشگاه شیراز | ||
| 3استادیار بخش اقتصاد دانشگاه شیراز | ||
| چکیده | ||
| تعیین نرخ بهره صلاحدیدی، نرخ بهره بازار را در معرض شوکهـای مختلفی قرار میدهد. در این راستا، مقام پـولی میباید از دامنه و تأثیرگذاری شوکهای نامناسب ناشی از نرخ بهره صلاحدیدی بر متغیرهای کلان اقتصادی آگاه باشد تا متناسب با آن سیاستهای تدافعی یا حمایت کننده خود را به اجرا گذارد.در این پژوهش با استفاده یک نرخ بهره سایهای به نمایندگی از نرخ بهره بازار تحت الگوی خود توضیح برداری عاملی تعمیم یافته و با بهرهگیری از دادههای 120 متغیر اقتصاد کلان ایران طی دوره 1368 تا 1392 به این سؤال پاسخ داده شده که آیا ارتباط معناداری بین نرخ بهره مرجع سایهای و نرخ بهره صلاحدیدی وجود دارد؟ و اگر چنین باشد "در صورت بروز یک انحراف معیار شکاف، بین نرخ بهره صلاحدیدی از نرخ بهره مرجع سایهای، واکنش کانالهای انتقال چگونه خواهد بود؟" درخصوص پاسخ به سوال اول اینکه هر زمان شکاف نرخ سود بانکی از نرخ بهره مرجع سایهای به سمت صفر میل میکند، رشد اقتصادی افزایش مییابد، لذا به عنوان یک نظریه به سیاست گذار توصیه می شود نرخ بهره صلاحدیدی را نزدیک به نرخ بهره مرجع سایهای در نظر گیرد. در پاسخ به سوال دوم واکنش چهار کانال اصلی اقتصاد ایران نسبت به یک انحراف معیار شوک نرخ بهره مرجع سایهای از دو جنبه ماندگاری اثر و دوره اثرگذاری مورد ارزیابی قرار گرفت. نتایج حاکی از آن است که، به لحاظ دوره اثرگذاری، کانال بازار سرمایه و نرخ ارز با انحراف حدود 1/0 درصد و کانال بازار سرمایه با 4/0 درصد انحراف از میانگین به‌ترتیب کمترین و بیشترین اثرگذاری؛ و به لحاظ ماندگاری اثر، کانال مسکن و کانال بانکی تقریباً مشابه یکدیگر عمل مینمایند. | ||
| کلیدواژه‌ها | ||
| نرخ بهره سایهای؛ نرخ بهره صلاحدیدی؛ الگوی FAVAR؛ الگوریتم EM | ||
| مراجع | ||
|
بانک مرکزی جمهوری اسلامی ایران، نماگرهای مختلف. جلالی نائینی، احمدرضا و همتی، مریم (1390). «بررسی اثر شوکهای پولی بر 12 گروه اصلی شاخص بهای کالاها و خدمات مصرفی با استفاده از الگوی خود توضیح برداری عاملی تعمیم یافته»، فصلنامه پژوهش‌‌‌های اقتصادی ایران، 3(4): 247-241. خداپرست شیرازی، جلیل (1394). «اندازه‌گیری اثرات شوک سیاست پولی در ایران: رویکرد خود توضیح برداری عاملی تعمیم یافته FAVAR»، فصلنامه اقتصاد مقداری، 11(1): 101-75. مرزبان، حسین و دهقان شبانی، زهرا و اکبریان، رضا و فراهانی، مهدی (1395). «ارزیابی کارایی سیاست پولی در ایران»، فصلنامهاقتصادمقداری، 4(2): 92-71. فراهانی، مهدی (1395). ارزیابیاثرگذاریسیاستپولیبرمتغیرهایکلاناقتصادیدرایران: بارویکردیبرالگویخودتوضیح برداریعاملیتعمیمیافته،فیلترکالمن،الگوریتمبیشینه‌سازیانتظارات، رساله منتشر شده دکتری، دانشگاه شیراز، دانشکده اقتصاد، مدیریت و علوم اجتماعی. Ahmadi, P. and Ritschl, A. (2009). “Depression econometrics: A FAVAR model of monetary policy during the great depression”, International review of economics & finance, 25(3): 202-218.
Bai, J. and Ng, S. (2002). “Determining the number of factors in approximate factor, models”, Journal of econometrical, 70(1): 191-221.
Bai, J. and Ng, S. (2007). “Determining the number of primitive shocks in factormodels”, Journal of business & economic statistics, 25(2): 52-60.
Bernanke, B. and Gertler, M. (1995). “Inside the black box: The credit channel of monetary policy transmission”, Journal of economic perspectives, 19(9): 27-48.
Bernanke, B. and Blinder, A. (1992). “The federal funds rate and the channels of monetary transmission”, American economic review, 82(4): 901-921.
Bernanke, B. and Boivin, J. (2003). “Monetary policy in a data-rich environment”, Journal of monetary economics, 50(5): 525-46.
Bernanke, B., Boivin, J., and Eliasz, P. (2005). Measuring the effects of monetary policy: A factor-augmented vector autoregressive (FAVAR) approach. Quarterly Journal of Economics, 120(1), 387-422.
Breitung, J. and Eickmeier, S. (2005). “Dynamic Factor Models”, Deutsche Bundes bank Discussion Paper, 78(1): 181-211.
Bork, I. (2010). “Macro factors, monetary policy analysis and affine term structure models”, Journal of international money and finance, 25(6): 953-973.
Dempster, A.; Laird, M. and Rubin, D. (1977). “Maximum likelihood from incomplete data via the EM algorithm”, Journal of the royal statistical society, 39(1): 1-38.
Fernald, G.; Spiegel, M. and Swanson, E. (2014). Monetary policy effectiveness in china: Evidence from a FAVAR model, Working Paper,10727 Series, Federal Reserve Bank of San Francisco.
Forni, M.; Hallin, M. and Reichlin, L. (2005). “The generalized dynamic factor model: Identification and estimation”, Review of Economics and Statistics, 82(5): 540-554.
Forni, M. and Reichlin, L. (2005). “Dynamic common factors in large cross-sections”, Journal of empirical economics, 21(8): 27-50.
Mishkin, F. S. (1995). “Symposium on the monetary transmission mechanism”, The journal of economic perspectives, 9(4): 3-10.
Mishkin, F. S. (2007). The economics of money, banking, and financial markets. Pearson education.
Shumway, R. and Stoffer, D. (1982). “An approach to time series smoothing and forecasting using the EM algorithm”, Journal of time series analysis, 3(4): 226-53.
Taylor, J. (1993). “Discretion versus policy rules in practice”. Carnegie-rochester conference series on public policy, 39: 195-214. | ||
|
آمار تعداد مشاهده مقاله: 1,679 تعداد دریافت فایل اصل مقاله: 1,319 |
||