Locally- but not Globally-identified SVARs

Questo articolo propone nuove procedure di stima e inferenza per i modelli SVAR che presentano identificazione locale ma non globale, caratterizzando le restrizioni identificative, sviluppando algoritmi per esplorare tutte le modalità della verosimiglianza e fornendo metodi per l'inferenza sull'insieme delle risposte impulsive osservativamente equivalenti.

L'essenziale

Immagina di essere un detective che deve ricostruire un crimine economico guardando solo le conseguenze (i dati che vediamo, come inflazione, disoccupazione, tassi di interesse) senza poter vedere direttamente i colpevoli (gli shock strutturali, come una decisione della banca centrale o un'improvvisa crisi petrolifera).

Per fare questo, gli economisti usano uno strumento matematico chiamato SVAR (un modello statistico che cerca di collegare le cause agli effetti). Il problema è che, spesso, i dati da soli non sono abbastanza chiari per dire con certezza assoluta "è stato questo colpevole".

Ecco di cosa parla questo paper, spiegato in modo semplice:

1. Il Problema: "Due Colpevoli, Stessa Impronta"

In molti casi, il modello funziona bene e individua un unico colpevole. Ma in alcuni scenari complessi (come quando ci sono regole economiche non standard o quando la volatilità dei mercati cambia nel tempo), il modello si trova di fronte a un dilemma.

Immagina di trovare due impronte digitali identiche sulla scena del crimine. Potrebbero appartenere a due persone diverse che, per una coincidenza incredibile, hanno le stesse impronte.

• Identificazione Globale: Significa che i dati ci dicono chiaramente: "È stato solo il Signor Rossi". C'è una sola soluzione.
• Identificazione Locale (ma non Globale): Significa che i dati dicono: "Potrebbe essere il Signor Rossi OPPURE la Signora Bianchi". Entrambi spiegano perfettamente i dati, ma sono persone diverse con conseguenze diverse.

Fino a oggi, la maggior parte degli economisti faceva così: sceglieva a caso uno dei due colpevoli (spesso quello che il computer trovava per primo) e diceva: "Ecco la verità!". Il paper di Bacchiocchi e Kitagawa dice: "Aspetta! Se scegli il colpevole sbagliato, la tua storia sul crimine sarà completamente diversa e potenzialmente falsa."

2. La Soluzione: La "Mappa di Tutte le Possibilità"

Gli autori non si accontentano di scegliere a caso. Propongono un nuovo metodo per:

1. Trovare TUTTI i colpevoli possibili: Invece di fermarsi alla prima soluzione, il loro algoritmo è come un esploratore che controlla ogni angolo della mappa per trovare tutte le persone che potrebbero aver commesso il crimine.
2. Non nascondere la confusione: Invece di dire "è successo questo", dicono: "Ecco cosa è successo se è stato il Signor Rossi, ed ecco cosa è successo se è stata la Signora Bianchi".

3. Come Funziona la Magia (Le Analogie)

• L'Algoritmo come un "Settore di Ricerca":
  Immagina di avere un labirinto. I metodi vecchi entravano nel labirinto, trovavano una via d'uscita e si fermavano lì. I nuovi metodi degli autori, invece, mappano l'intero labirinto e ti mostrano che ci sono due uscite separate. Se scegli l'uscita sbagliata, finisci in un posto completamente diverso.

• L'Inferenza Bayesiana (Il Gioco delle Probabilità):
  Immagina di avere una moneta che può essere "Testa" o "Croce". Se il modello è ambiguo, la moneta potrebbe essere entrambe le cose contemporaneamente.

  • Metodo vecchio: Si guarda la moneta, si vede che è Testa, e si scommette tutto su Testa.
  • Metodo nuovo: Si dice: "Ok, c'è il 50% di probabilità che sia Testa e il 50% che sia Croce". Quindi, quando facciamo previsioni, disegniamo un grafico che mostra due picchi (uno per Testa, uno per Croce). Questo ci dice: "Attenzione, la realtà potrebbe essere una di queste due cose, non siamo sicuri".

• L'Inferenza Frequentista (La "Scatola" della Verità):
  Immagina di dover disegnare un cerchio intorno alla verità. Se ci sono due verità possibili, il cerchio deve essere abbastanza grande da includere entrambe le possibilità, anche se sono lontane tra loro. Gli autori creano delle "scatole" (intervalli di confidenza) che contengono tutte le storie possibili, così che il decisore politico sappia che la realtà potrebbe essere in uno qualsiasi di quei punti.

4. L'Esempio Reale: La Banca Centrale

Gli autori applicano questo metodo a un caso reale: capire come le decisioni della Banca Centrale (i tassi di interesse) influenzano l'economia (lavoro e produzione).
Hanno scoperto che, a causa di un cambiamento nella volatilità dei mercati (tra l'epoca dell'alta inflazione e quella della "grande moderazione"), il modello dava due risposte possibili per lo shock monetario.

• Scenario A: La Banca Centrale alza i tassi e l'economia rallenta un po'.
• Scenario B: La Banca Centrale alza i tassi e l'economia rallenta molto di più.

Se avessero scelto a caso uno dei due scenari, avrebbero dato consigli sbagliati. Usando il loro metodo, hanno mostrato che entrambi gli scenari sono possibili e hanno calcolato le conseguenze per entrambi, offrendo un quadro molto più onesto e completo della realtà.

In Sintesi

Questo paper è come un manuale di istruzioni per i detective economici che devono lavorare in casi "ambigui". Invece di fingere di sapere la verità quando non la sanno, insegnano loro a:

1. Riconoscere quando ci sono più soluzioni possibili.
2. Trovare tutte le soluzioni possibili.
3. Presentare i risultati in modo che si veda chiaramente che la realtà potrebbe essere una di quelle opzioni, evitando di prendere decisioni basate su una sola ipotesi fortuita.

È un passo avanti verso una scienza economica più onesta, che ammette i suoi dubbi invece di nasconderli dietro una risposta falsa certezza.

Sommario tecnico

Ecco una sintesi tecnica dettagliata del documento di lavoro "Locally- but not Globally-identified SVARs" di Emanuele Bacchiocchi e Toru Kitagawa.

1. Il Problema: Identificazione Locale vs. Globale negli SVAR

Il paper affronta una sfida fondamentale nell'econometria macroeconomica: l'analisi dei Vector Autoregressioni Strutturali (SVAR) in cui le restrizioni di identificazione garantiscono l'identificazione locale ma non quella globale.

• Contesto: In molti modelli SVAR pratici (es. restrizioni non-recursive, vincoli di calibrazione non-omogenei, restrizioni tra shock diversi, SVAR eteroschedastici), i parametri strutturali non sono unici. Esiste un insieme di punti isolati di parametri strutturali che sono osservazionalmente equivalenti (generano la stessa distribuzione dei dati).
• Limiti delle Pratiche Attuali:
  • Frequentisti: La pratica comune consiste nell'ottenere un singolo stimatore di massima verosimiglianza (MLE) e condurre l'analisi delle risposte impulsive (IRF) come se fosse l'unico soluzione. Questo è problematico perché massimizzatori diversi possono implicare IRF radicalmente diverse e contraddittorie.
  • Bayesiani: La mancanza di identificazione globale porta a una sensibilità della distribuzione a posteriori alla scelta del prior, anche asintoticamente. Inoltre, gli algoritmi di campionamento (MCMC) spesso falliscono nell'esplorare tutte le modalità della verosimiglianza multi-modale, producendo inferenze inaccurate.

2. Metodologia e Contributi Teorici

Gli autori sviluppano un quadro teorico e computazionale per gestire l'identificazione locale attraverso tre pilastri principali:

A. Caratterizzazione Teorica dell'Identificazione

• Condizioni di Rango: Il paper fornisce condizioni necessarie e sufficienti per l'identificazione locale in termini di rango di una matrice derivata dalle restrizioni di uguaglianza (sia omogenee che non-omogenee) e dalla matrice ortogonale $Q$ che collega i parametri ridotti-forma a quelli strutturali.
• Conteggio delle Soluzioni: Viene dimostrato che, sotto certe condizioni di rango, il numero di soluzioni osservazionalmente equivalenti è finito (non un continuo).
  • Per restrizioni triangolari, il numero massimo di soluzioni è $2^n$.
  • Per restrizioni non-triangolari, il limite è $2^{n(n+1)/2}$.
• Geometria dell'Identificazione: Viene offerta un'interpretazione geometrica che mostra come restrizioni non-omogenee (es. $c \neq 0$) o restrizioni tra shock portino all'intersezione di ipersuperfici che generano punti multipli distinti sulla varietà ortogonale, a differenza delle restrizioni omogenee che spesso portano all'identificazione globale (a meno di segni).

B. Algoritmi Computazionali per l'Insieme Identificato

Gli autori propongono algoritmi per calcolare esaurientemente tutti i parametri strutturali ammissibili dati i parametri ridotti-forma ($\phi$):

1. SVAR Standard (Algoritmo 1): Risoluzione di un sistema di equazioni non lineari (polinomiali) per trovare tutte le matrici ortogonali $Q$ che soddisfano le restrizioni di uguaglianza e di segno. Vengono utilizzati solver numerici (es. vpasolve in Matlab) per trovare tutte le radici reali.
2. SVAR Eteroschedastici (HSVAR) (Algoritmo 2): Estensione del metodo ai modelli con rotture di varianza. L'identificazione si riduce a un problema di decomposizione agli autovalori. L'algoritmo genera tutte le permutazioni degli autovettori che soddisfano le restrizioni economiche (es. segno delle risposte impulsive), identificando così l'insieme delle soluzioni ammissibili.

C. Procedure di Inferenza

Il paper sviluppa metodi di inferenza che tengono conto dell'intero insieme identificato:

• Inferenza Bayesiana Robusta:
  • Si propone un metodo di campionamento che integra gli algoritmi di calcolo dell'insieme identificato all'interno del ciclo MCMC.
  • Invece di bloccarsi su una modalità, il campionatore "salta" tra le diverse soluzioni ammissibili (matrici $Q$) pesandole secondo il prior. Questo permette di ricostruire la vera distribuzione a posteriori multi-modale.
• Inferenza Frequentista Validata Asintoticamente:
  • Si propone un approccio basato sulla proiezione. Si costruisce un intervallo di confidenza per i parametri ridotti-forma ($\phi$) e lo si proietta sull'insieme delle risposte impulsive attraverso la mappatura discreta dell'insieme identificato.
  • Vengono introdotte due varianti per gestire l'etichettatura delle soluzioni:
    1. Switching-label: Permette alle etichette di variare tra gli orizzonti temporali, catturando la multi-modalità marginale.
    2. Fixed-label: Mantiene etichette fisse basate su un shock di riferimento, permettendo di tracciare la dipendenza temporale delle diverse soluzioni strutturali.
  • Questi intervalli sono validi asintoticamente e forniscono una regione di confidenza che copre tutte le soluzioni ammissibili, offrendo un'alternativa robusta ai prior bayesiani arbitrari.

3. Risultati Empirici

Il paper applica la metodologia a un caso di studio reale: l'identificazione degli shock di politica monetaria in un modello SVAR eteroschedastico (HSVAR) che copre il periodo 1954-2007, includendo sia l'era della "Grande Inflazione" che della "Grande Moderazione".

• Setup: Utilizzo di una rotazione basata sulla varianza (HSVAR) per identificare statisticamente gli shock, seguita da restrizioni di segno per isolare lo shock di politica monetaria.
• Risultato Chiave: L'analisi rivela che due diverse strutture di shock (corrispondenti a diverse permutazioni degli autovalori) soddisfano le restrizioni teoriche (risposta positiva e persistente del tasso di interesse).
• Implicazioni:
  • Se si scegliesse arbitrariamente una delle due soluzioni (come farebbero i metodi standard), si otterrebbero conclusioni diverse sulla dinamica della produzione industriale e della disoccupazione.
  • L'applicazione del nuovo metodo mostra che la distribuzione a posteriori è bimodale.
  • Gli intervalli di confidenza frequentisti e le regioni credibili robuste catturano entrambe le modalità, fornendo una visione completa dell'incertezza. Nonostante l'identificazione non sia globale, le conclusioni economiche (es. effetto recessivo dello shock monetario) rimangono robuste quando si considera l'intero insieme identificato.

4. Significato e Impatto

Questo lavoro è significativo per diversi motivi:

1. Superamento del Bias di Selezione: Fornisce una soluzione rigorosa al problema della selezione arbitraria di una soluzione tra molte equivalenti, che distorce l'inferenza nelle applicazioni empiriche standard.
2. Ponte tra Bayesiani e Frequentisti: Offre procedure che sono sia computazionalmente fattibili per i Bayesiani (migliorando l'esplorazione MCMC) sia validi asintoticamente per i Frequentisti (attraverso la proiezione su insiemi discreti).
3. Applicabilità Generale: La metodologia non si limita agli SVAR standard, ma è estendibile a modelli DSGE linearizzati (spesso localmente identificati), modelli con non-normalità e SVAR con strumenti esterni (Proxy-SVAR).
4. Rilevanza Pratica: Dimostra che in contesti macroeconomici reali (come l'identificazione degli shock monetari tramite eteroschedasticità), l'identificazione locale è comune e ignorarla porta a conclusioni potenzialmente errate o incomplete.

In sintesi, il paper trasforma l'identificazione locale da un ostacolo computazionale e teorico in un problema risolvibile, fornendo strumenti per quantificare e comunicare l'incertezza derivante dalla non-unicità dei parametri strutturali.