Simulation-based tests of forward-looking models under VAR learning dynamics
VAR 学习动态下前瞻模型的模拟检验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：摘要以货币政策前瞻模型、VAR 限制检验和非平稳协整过程为核心。
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…
关注这篇论文的作者
VAR 学习动态下前瞻模型的模拟检验
- 研究问题
- 如何评价货币政策前瞻模型在 VAR 中施加的非线性限制，并考察理性预期与适应性学习下检验的有限样本表现？
- 方法与思路
- 作者比较受限和非受限 VAR 的似然，以蒙特卡洛模拟计算似然比检验的 p 值，并考虑变量非平稳且协整的情况。
- 材料陈述的贡献
- 摘要称欧元区混合新凯恩斯菲利普斯曲线的前瞻成分更大，且学习动态下的协整模型限制在指定监测期内未被拒绝。
- 阅读关注点
- 应核对前瞻模型到 VAR 限制的映射、学习更新规则、模拟 p 值的构造，以及连续检验和协整处理的有效性条件。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；有限样本有效性的条件和数值结果未说明，未拒绝不能证明模型成立，版本变化未知。
原文摘要
In this paper we propose a simulation-based technique to investigate the finite sample performance of likelihood ratio (LR) tests for the nonlinear restrictions that arise when a class of forward-looking (FL) models typically used in monetary policy analysis is evaluated with vector autoregressive (VAR) models. We consider ‘one-shot’ tests to evaluate the FL model under the rational expectations hypothesis and sequences of tests obtained under the adaptive learning hypothesis. The analysis is based on a comparison between the unrestricted and restricted VAR likelihoods, and the p-values associated with the LR test statistics are computed by Monte Carlo simulation. We also address the case where the variables of the FL model can be approximated as non-stationary cointegrated processes. Application to the ‘hybrid’ New Keynesian Phillips Curve (NKPC) in the euro area shows that (i) the forward-looking component of inflation dynamics is much larger than the backward-looking component and (ii) the sequence of restrictions implied by the cointegrated NKPC under learning dynamics is not rejected over the monitoring period 1984–2005. Copyright © 2010 John Wiley & Sons, Ltd.