Estimating Macroeconomic News and Surprise Shocks
宏观经济新闻冲击与意外冲击的估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确研究 VAR 新闻冲击识别、DSGE 模拟与宏观脉冲响应估计。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
宏观经济新闻冲击与意外冲击的估计
- 研究问题
- 以长期 TFP 方差贡献最大化识别新闻冲击的 VAR 方法，为何可能存在大样本偏差，尤其在 TFP 测量误差存在时如何改进？
- 方法与思路
- 作者在冲击过程匹配数据 TFP 矩特征的 DSGE 模型生成数据中评估传统方法，并提出替代最大份额新闻估计量用于美国数据。
- 材料陈述的贡献
- 摘要称，替代估计降低偏差及脉冲响应均方根误差；美国应用显示新闻向 TFP 扩散更慢，实际活动反应也小于传统估计。
- 阅读关注点
- 应核对替代最大份额目标、新闻与意外冲击的识别限制，以及 DSGE 校准、测量误差设定和两种估计量的比较条件。
- 阅读边界
- 仅据 Crossref 所载摘要，无法判断偏差降低是否适用于其他冲击结构；意外冲击的具体处理及实证不确定性、版本变化未说明。
原文摘要
ABSTRACT A common VAR approach is to identify responses to TFP news shocks by maximizing the variance share of TFP over a long horizon. We find that these TFP max share estimators tend to be biased in large samples when applied to data generated from DSGE models with shock processes that match TFP moments in the data, especially in the presence of TFP measurement error. We propose an alternative max share news estimator that reduces this bias and the RMSE of the impulse response estimates, even when there is sizable measurement error in the news variable. When applying this estimator to U.S. data, we find that news shocks are slower to diffuse to TFP and have a smaller effect on real activity than implied by the TFP max share estimator.