Рис. 10 Гистограмма распределения зависимой переменной frq1

3.3 Анализ влияния меры разногласия на предсказание ставки по федеральным фондам

Для тестирования влияния меры разногласия на результат по ставке, сложившийся на рынке, достаточно построить модель включая и исключая необходимый признак в анализ. Таким образом, если включение параметра разногласия повысит точность оценки, коэффициент окажется значимым, то можно утверждать о дополнительной предсказательной силе, которую мера разногласия привнесла в модель. Так как результирующий признак характеризуется бесконечными значениями, то при проверки данной гипотезы использовалась линейная регрессионная модель, методом МНК вида:

(3)

(4)

(5)

Таким образом, было построено 7 моделей: по 2, тестирующие обе величины разногласия для 3 кварталов прогноза. И 1 модель без учета анализируемой меры разногласия для 1-го квартала для сравнения со случаем, когда вся вариация описывается только прогнозами рынка.

Так как в предварительных результатах была обнаружена гетероскедостичность, то дальнейшие расчеты производятся с поправкой Уайта-Хьюбера. Тест на гетероскедостичность проводился с помощью статистики Бреуша-Пагана:

Формируется нулевая гипотеза H0: , которая проверяется на основе Хи кв. распределения: .

В данном случае: Хи кв. набл. = 23,51>5,991, гипотеза отклоняется причем на довольно высоком пороговом значении уровня значимости.

И так были получены следующие результаты регрессий моделей 3, 4 и 5 (см. Приложение 1):

Таб. 3 Результаты включения меры разногласия

Модели с включением меры разногласия повысили часть предсказанной вариации, об этом свидетельствует R-squared adj. Значения коэффициента при прогнозе федеральной ставки оказался значимым во всех моделях, даже без включения разногласия. Влияние лага прогноза ослабевает, так как уменьшается величина коэффициента при построении модели на следующий и за ним следующий кварталы.

Включение официальной меры не привнесло новой предсказательной силы; не значим в любом квартале. Включение неофициальной меры напротив, улучшило прогноз, причем во всех кварталах. Очевидно, что влияние меры разногласия уменьшается с величиной удаления от времени прогноза, тем не менее, параметры остались значимы. Значимость же коэффициента в первом квартале составила 1%. Это говорит о том, что своевременное наличие стенограмм могли бы повысить точность прогнозов аналитиков. Стоит особо отметить, сравнительную значимость меры неофициального разногласия по сравнению с официальным аналогом. Данный вывод, еще раз подтверждает, что неофициальное разногласие - более точная оценка меры несогласия.

Наиболее успешная модель (4.1) далее подверглась тестированию остатков на нормальность. Наблюдаемое значение статистики JB составило 6,88 (p value = 0,032), что говорит о отвержении гипотезы нормальности остатков, хотя довольно близко к пороговому значению. Визуальный анализ заставляет пересмотреть данную точку зрения в пользу принятия нормальности.

Рис. 9 Гистограмма распределения остатков

Также надо отметить, что данная методология не подразумевала поиск оптимальной модели, а скорее подтверждение гипотезы, что мера разногласия привносит описательную способность в модель. Результат оказался еще более впечатляющим, мера неофициального разногласия оказалась значима по сравнению с официальной, что говорит о ее приоритете в точности оценке. Все это приводит к выводу, что FOMC выгоднее разглашать стенограммы как можно раньше, чтобы рынок мог более точно предсказывать дальнейшее изменение политики, если комитет придерживается цели оптимизации монетарной деятельности как указано в правовом акте создания данного органа.



Заключение

Актуальность анализа мер по повышению эффективности монетарной политики, особенно в свете экономических рецессий, которые с течением времени приобретают участившийся и выраженный характер, не вызывает сомнений. Одной из таких мер может служить более прозрачная политика монетарных властей, заключающаяся в сокращении лага публикаций отчетов заседаний (на данный момент - около 3 недель) и стенограмм (лаг всегда был 5 лет). Это может улучшить прогноз рынка, добавить недостающую прежде информацию, так как при прогнозировании федеральной ставки аналитики используют ожидаемые макроэкономические показатели и не имеют информации о том, сколько человек на заседании были против представленного курса политики; и в какую сторону меньшинство проголосовавших хотело изменить ставку по федеральным фондам. На этот вопрос в достаточной мере отвечает так называемая мера неофициального разногласия, рассчитанная по уникально собранных автором данным.

Сравнительный анализ мер официального и неофициального разногласия подтвердил ранее высказанные тезисы многих экспертов, о том, что FOMC - коллегиальный и авторитарный комитет. Ввиду того, что на голосовании не принято выражать большое количество голосов против. И поэтому официальная мера разногласия не выражает истинных преференций и не выступает в должной мере индикатором будущих изменений ставки. Также это подтвердилось статистическим анализом. Коэффициент при параметре официального разногласия оказался незначимым при его включении в модель прогноза рынка, в то время как коэффициент величины неофициального разногласия стал значимым на любом удалении прогноза (1,2 и 3 квартала).



Список литературы

1. Айвазян С.А., Мхитарян В.С. Прикладная статистика. Основы эконометрики. - Т.1: Теория вероятностей и прикладная статистика. - М.: ЮНИТИ-ДАНА, 2001. - 656 с.

2. Магнус Я.Р., Катышев П.К., Пересецкий А.А. Эконометрика. Начальный курс: Учеб. - М.: Дело, 2004. - 576 с.

3. Матвеева Т. Ю. Курс лекций по макроэкономики для МИЭФ. - “Издательский до ГУ-ВШЭ”, 2004. - С. 247-251. - 444с.

4. Матвеева Т. Ю. 4.4 Экономический цикл, его фазы, причины и показатели // Введение в макроэкономику. -- «Издательский дом ГУ-ВШЭ», 2007. -- С. 216 - 219. -- 511 с. -- 3000 экз.

5. Мхитарян В.С., Астафьева Е.В., Миронкина Ю.Н., Трошин Л.И. Теория вероятностей и математическая статистика. Под ред. В.С. Мхитаряна. - М.: Маркет ДС, 2010. - 240 с.

6. Федеральный Комитет по Операциям на Открытом Рынке. Стенограммы. [Электронный ресурс] /Доступ: www.federalreserve.gov/fomc

7. Федеральная Резервная система. [Электронный ресурс] /Доступ: http://www.federalreserve.gov/newsevents/default.htm

8. Besley T., Meads N., Surico P. Insiders versus Outsiders in Monetary Policy-Making. - Bank of England, 2007. - pp. 1-8.

9. Bernanke Ben and Alan Blinder. 1992. The Federal Funds Rate and the Channels of Monetary Transmission. American Economic Review 82,1992. - pp. 901-921.

10. Blinder S. Alan, Michael Ehrmann, Marcel Fratzscher, Jakob De Haan and David-Jan Jansen. Central Bank Communication and Monetary Policy. A Survey of theory and evidence. European central bank. 2008. - Vol. 47 pp. 8-9

11. Blinder, Alan; Goodhart, Charles; Hildebrand, Philipp; Lipton, David and Wyplosz, Charles. How Do Central Banks Talk? Geneva Reports on the World Economy, Number 3, London: Centre for Economic Policy Research, 2001.

12. Blinder, Alan S. "Monetary policy by committee: why andhow?"European Journal of Political Economy 23, 2007. - pp. 106-123.

13. Chappell, Henry W. Jr., Rob R. McGregor, and Todd Vermilyea. Committee decisions on monetary policy. Cambridge, MA: MIT Press, 2005. - pp. 1-14.

14. Deborah J. Danker and Matthew M. Luecke. Background on FOMC Meeting Minutes Federal Reserve Bulletin, Washington, 2005. - pp. 175-179

15. Gerlach-Kristen, P. Outsiders at the Bank of England and MPC. mimeo, Swiss National Bank, 2000. - pp. 2 - 17.

16. Gerlach-Kristen, P. Is the MPC's voting record informative about future UK monetary policy? Scandinavian Journal of Economics, 106(2), 2007. - pp. 299-313.

17. Gerlach-Kristen, P. and Meade E. "Is there a limit on FOMC dissents? Evidence from the Greenspan era." BIS working paper, March 11, 2010. - pp. 10-12.

18. Hashem M. P. and Ron P. S. Counterfactual Analysis in Macroeconometrics, 37, The Rimini Centre for Economic Analysis, 2012.

19. Meade, Ellen E. and Gerlach-Kristen Petra. Is There a Limit on FOMC Dissents? Southern Economic Association annual meetings conference, 2010.

20. Meade, Ellen E. "The FOMC: Preferences, Voting, and Consensus," Federal Reserve Bank of St. Louis Review, vol. 87, no. 2, 2005. - pp. 93-101.

21. Mishkin Frederic S. The Economics of money, banking and financial markets. Pearson, 2004. - pp. 324-378

22. Poole, W. How predictable is Fed policy? Federal Reserve Bank of St. Louis Review, 87(6), 2005. - pp. 659-668.

23. Riboni, A. and Ruge M. Preference Heterogeneity in Monetary Policy Committees, mimeo, University de Montreal, 2007. - pp. 3 - 17.

24. Sirchenko, A. Policymakers' votes and predictability of monetary policy, National Research University Higher School of Economics, Moscow, 2013.

25. Taylor J. B. Discretion versus policy rules in practice, Carnegie-Rochester Series on Public Policy, 39, 1993. - pp. 195-214.

26. Thornton, Daniel L. “When Did the FOMC Begin Targeting the Federal Funds Rate? What the Verbatim Transcripts Tell Us.” Working Paper 2004-015a, Federal Reserve Bank of St. Louis, March 2004. - pp. 4 - 12.



Приложения

Приложение 1

. regress frq1 pre1 odis,robust
Linear regression		Number of obs	221
			F( 2, 223)	=10127.43
			Prob > F	= 0.0000
			R-squared	= 0.9864
			Root MSE	= .26167
Robust
frq1 Coef. Std. Err.	t	P>t	[95% Conf.	Interval]
pre1 1.011417 .0073637	137.35	0.000	.9969053	1.025928
odis .3505362 .258463	1.36	0.176	-.1588062	.8598786
_cons -.0707457 .0318234	-2.22	0.027	-.1334589	-.0080326
regress frq2 pre2 odis,robust
Linear regression		Number of obs	221
			F( 2, 223)	= 2011.14
			Prob > F	= 0.0000
			R-squared	= 0.9317
			Root MSE	= .58781
Robust
frq2 Coef. Std. Err.	t	P>t	[95% Conf.	Interval]
pre2 1.015436 .0167976	60.45	0.000	.9823332	1.048538
odis .0213022 .5665062	0.04	0.970	-1.095088	1.137693
_cons -.1808984 .0770898	-2.35	0.020	-.332816	-.0289807

	. regress frq3 pre3 odis,robust
	Linear	regression				Number of obs	221
						F( 2, 223)	= 768.45
						Prob > F	= 0.0000
						R-squared	= 0.8336
						Root MSE	= .91948
			Robust
		frq3 Coef.	Std. Err.	t	P>t	[95% Conf.	Interval]
		pre3 1.016683	.0262172	38.78	0.000	.965018	1.068348
		odis -.0335078	.8172966	-0.04	0.967	-1.644121	1.577105
		_cons -.3109144	.1301673	-2.39	0.018	-.5674297	-.054399
. regress frq1 pre1 udis,robust
Linear	regression				Number of obs	221
					F( 2, 223)	= 9711.59
					Prob > F	= 0.0000
					R-squared	= 0.9870
					Root MSE	= .25621
		Robust
	frq1 Coef.	Std. Err.	t	P>t	[95% Conf.	Interval]
	pre1 1.010032	.0073942	136.60	0.000	.9954602	1.024603
	udis .4369016	.1256254	марта.48	0.001	.1893367	.6844664
	_cons -.0710266	.0320901	-2.21	0.028	-.1342652	-.0077879

regress frq2 pre2 udis,robust
Linear regression		Number of obs	221
			F( 2, 223)	= 1899.05
			Prob > F	= 0.0000
			R-squared	= 0.9329
			Root MSE	= .58254
Robust
frq2 Coef. Std. Err.	t	P>t	[95% Conf.	Interval]
pre2 1.013047 .0170008	59.59	0.000	.9795447	1.04655
udis .5754788 .2854879	02.февр	0.045	.0128795	1.138078
_cons -.1876736 .0782674	-2.40	0.017	-.341912	-.0334353

regress frq3 pre3 udis,robust
Linear regression		Number of obs	221
			F( 2, 223)	= 774.86
			Prob > F	= 0.0000
			R-squared	= 0.8367
			Root MSE	= .91091
Robust
frq3 Coef. Std. Err.	t	P>t	[95% Conf.	Interval]
pre3 1.01286 .0264802	38.25	0.000	.9606765	1.065043
udis .9173056 .4796677	янв.91	0.057	-.0279559	1.862567
_cons -.3227456 .1293783	-2.49	0.013	-.5777061	-.0677852

Размещено на Allbest.ru