可见，在这一模型中，通过m个等式需要得到��2个待估参数，这等价于加入μ(x)(X的预测值)和x拔，表示X的平均值。

　　在Smets-Wouters模型中，有7个变量，7个等式和49个待估参数。因此就需要加入42个FWUTV才能防止计算软件报错。

　　在对传统凯恩斯模型的中，Lucas and Sargent（1979）认为通过加入预期和一系列的交叉方程可以解决识别问题。

　　为了说明当加入预期作为决策的影响因素时会产生什么样的效果，我们假定预期工资于即时工资，将对劳动供给产生影响，因为预期工资将会影响到人们是否进入当前的劳动力市场。为了衡量这一影响，劳动力供给等式中就必须包含预期工资这一项，我们记为μ（w）。

　　同样是m个等式，但现在需要计算之前两倍的待估参数——2��2个。对于一个有7个变量的方程就意味着有2∗72−7=91个待估参数。

　　除此之外，由于没有关于参数、误差项分布的改变，x的期望值会是。因此，尽管有x的多个观察值以及S中的斜率系数，仍然无法从Bμ（x）得到项C。

　　可见，加入预期因素后会导致识别问题更加严重，正如Sims（1980）写道“我个人认为，加入预期因素会比当前更严重地影响识别。”Sims的论文到目前依然很有意义，在文章前面他提到，在模型中参数的数量需要被压缩；同时，他认为无法从预期中分离得到项的观点是Solow（1974）提出的。

　　后现实宏观经济学家仍然没有对Lucas和Sargent（1979）提出的识别问题给予足够的重视。他们仍然依赖于FWUTV。他们所做的一切似乎都只是找寻一些新的方法来传入FWUTV。

　　面对在供给和需求市场里估计劳动力需求弹性的挑战，Friedman和Schwartz（1963）的方法是找在时间上相邻的两个时期，且这两个时期条件非常相似，除了一个时期相对于另一个，劳动供给曲线移动的变化。为发现满足条件的这样一对数据，他们仔细查看了历史，将这些信息添加到散点图中。

　　如果历史条件下提供这样的一对数据，他们会忽略所有其他数据点并只基于这一对来进行估计。如果Lucas和Sargent是正确的——识别问题是宏观经济学中最重要的问题，那么剔除数据是有道理的。毕竟标准差更大但有意义的估计要好过有一个毫无意义的标准差小的估计。

　　在Friedman和Schwartz的方法提供有真价值的事实，别人可以评估。这允许对的累积性科学分析。当然，允许累积性科学分析意味着你的结果面临许多和修订。

　　当我在读研究生，Friedman和Schwartz声称增加准备金的要求，造成了1938-1939的经济衰退，这给我留下了深刻印象。Romer和Romer（1989）挑战这段历史和大萧条后其他几个时段的解读。他们认为的最可靠的识别信息来自于战后时期，尤其是沃尔克通货紧缩。据我估计，货币政策对美国产出的影响很大程度上依赖于最干净的实验——沃尔克通货紧缩。

上一页  [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13]  下一页