本文为“量化历史研究”第718篇推送

（图片来源于网络）

这篇论文由Christina D.和David H.共同完成，关注宏观经济研究领域中的叙事方法，以及货币政策影响的最新研究。作者通过审阅1946—2016年间美国联邦储备系统政策制定会议的历史文字记录，识别货币政策中的显著紧缩和扩张变化。研究发现这些变化并非出于对实际经济活动当前或预期发展的回应，而是在失业、产出和通胀方面产生了较大且显著的影响。作者运用叙事方法解决了遗漏变量偏误问题，并将新的证据纳入分析框架之中。这篇文章为学界提供了一种以叙事方法研究宏观经济识别的有效途径，有助于进一步理解货币政策对经济的影响。

严谨的叙事分析

叙事研究可以在严谨性和可重复性方面与传统数据分析相媲美，反驳了部分人认为叙事研究不够科学和严谨的观点。为了进行严谨的叙事分析，作者提出了如下几点要求：首先，研究者需要可靠的叙事来源，具有时效性和一致性。以美联储联邦公开市场委员会（FOMC）的历史会议记录和文字记录为例，这些记录详细描述了会议内容，与货币政策决策同时发生。其次，研究者需要明确在叙事来源中寻找什么。例如，本研究关注的是货币政策制定者因非实际经济活动原因而改变货币增长和利率的时期。此外，研究者需要客观对待叙事来源，此外，让多个读者阅读同一份文件是有帮助的（见下表1）。

表1 严谨的叙事分析要求

作者强调仔细记录叙事证据的重要性。详细描述叙事证据分析过程有助于厘清思路，改变对事件分类的看法，并使后续研究者更容易核查研究成果。总之，叙事研究需要具备可靠的叙事来源，明确寻找目标，并保持一致性。虽然叙事研究与传统数据分析在方法上不同，但作者相信叙事证据在严谨性和可重复性方面同样具有优势。

将叙事证据纳入统计框架

将叙事证据与统计框架相结合十分重要。虽然弗里德曼和施瓦茨通过对美联储记录和货币政策制定者日记的解读开展了严密的叙事分析，但他们的研究存在不足，即依赖某种程度的非正式经验主义。为了充分发挥叙事证据的价值，作者创建了一个虚拟变量来表示货币政策冲击的日期，对于收缩性冲击的月份（或季度），设为1；扩张性冲击的月份（或季度），设为﹣1；其他情况设为0。采用Jordà局部投影方法，涉及针对不同时间跨度（h）的结果变量，执行一系列基于独立变量和控制变量的回归分析。作者估计不同时间跨度h对应的方程序列，从而追踪到收缩性货币政策冲击的脉冲响应函数。

如下图1-3所示，在紧缩性货币政策冲击之后，失业率会逐渐上升，实际GDP则会降低。同时，通货膨胀在受到冲击后的短期内先上升，然后下降。研究结果表明，美联储的决策确实对通胀产生了影响，但效果不如对实际经济活动的影响那么明显。作者采用系列检验方法后，研究结果十分稳健。

图1 失业率对货币政策冲击的反应

注释：该图为0至60层的方程（1）估算结果，因变量是失业率。虚线表示两个标准误差置信带。

图2 实际GDP对货币政策冲击的反应

图3 GDP物价指数通胀对货币政策冲击的反应

对现行政策的影响

在第三部分中，作者主要探讨了2022年初美联储收紧货币政策的原因，及其这一政策对当前经济状况的影响。作者分析了近期美联储行动是否符合货币政策冲击的标准。尽管无法立即做出明确判断，但初步结论认为美国货币政策已经发生了紧缩性冲击。美联储认为当前通胀水平过高，正在采取措施加以缓解，并愿意承担相应的产出和失业后果。作者进一步分析了联邦基金利率的变化情况。相较于过去的紧缩性货币政策冲击，2022年联邦基金利率的变动更加显著。在当前情况下，联邦基金利率已上升约4个百分点，超过了历史平均水平。

最后，作者探讨了可能产生的影响。一是不应期待通胀迅速下降，根据历史经验，通胀降低可能需要至少一年时间。二是研究表明，截至2023年1月，失业率的影响尚未显现。如果历史模式依然成立，失业率的影响将在2023年逐步显现。这将使决策者在何时停止加息或改变政策方向上面临艰难抉择。如果决策者在通胀降至期望水平之前就结束加息，可能会带来“不必要的痛苦”（见下图4）。

图4 紧缩性货币政策冲击以及在2022年的联邦基金利率变化

注释：图中展示了1946—2016年之间的九次紧缩性货币政策冲击的联邦基金利率平均值（相对于冲击前一个月），以及初步确定的2022年7月冲击的联邦基金利率（同样相对于冲击前一个月）。

叙事研究的未来展望

叙事方法在实证宏观经济研究中发挥关键作用，尤其是处理遗漏变量问题。然而，新方法如横截面证据、高频证据、计量经济学方法和阶段性宏观经济行为分析在解决识别问题方面有所贡献，但它们并非“放之四海而皆准”。横截面证据虽在宏观经济关系中具有重要价值，但需要额外假设或总体证据以转化为时间序列关系。货币政策影响的研究中，横截面证据具有挑战性，令叙事方法在宏观经济学中仍占有重要地位。高频证据对金融变量影响研究具有价值，但所捕捉的政策变化可能无法反映真正的因果影响，而叙事证据可能是一种有效替代。计量经济学方法如向量自回归（VAR）无法处理前瞻性政策及遗漏变量偏差，需借助其他方法。阶段性宏观经济行为要求关注特定时期，可能需要利用非常规数据。因此，尽管新方法在解决识别问题方面取得进展，但仍需利用定性数据。结合叙事方法与现有方法可为宏观经济学研究提供更丰富、全面的见解。

在考虑叙事方法时，实施方式也是一个关键因素，包括研究人员是否需要亲自阅读文件。尽管这种方式耗时且可能乏味，但在某些情况下，将叙事分析委托给研究助理或计算机是可行的。这取决于从叙事来源中获取的信息的复杂程度。简单任务可由计算机完成，而复杂问题则更具挑战性。实现这一目标的关键在于培训，研究人员需先进行叙事分析和分类，再教导其他人（人类或计算机）匹配程序和结果。尽管这种培训可能复制一些原始研究者的偏见，但对于复杂叙事分析而言可能是必要的。然而，在观察值有限或叙事来源分类极度复杂或微妙的情况下，机器学习可能无法奏效。总体而言，部分叙事工作可以委托给研究助理或计算机，但完全实现机械化仍有很长的路要走。目前叙事方法的主要实施方式仍然是学者们仔细阅读叙事来源。

叙事研究方法在宏观经济学领域具有重要价值。尽管部分叙事分析任务可以委托给研究助理或计算机，但要实现这一点需要精心培训，且许多情况下仍然存在对技术的依赖局限性。因此，研究人员在许多宏观经济学问题上仍需要利用大量定性数据。未来，叙事研究方法可能与现有定量研究方法相结合，为研究提供更丰富、全面的见解。此外，随着计算机技术的发展，未来可能出现更有效的方法来提取和分析叙事数据，从而使叙事研究在宏观经济学领域发挥更大作用。

文献来源：Romer, C. D., & Romer, D. H. (2023). Does Monetary Policy Matter? The Narrative Approach after 35 Years (No. w31170). National Bureau of Economic Research.