下载掌阅APP，畅读海量书库
立即打开
Bachmann等（2013）最早从实证上讨论内生不确定性，基于常规SVAR模型和长期约束，Bachmann等（2013）发现高不确定性是经济衰退的附带结果，而不是衰退的原因，因为衰退是经济活动的“中断”时期，重新建立这些关系可能产生不确定性。Mumtaz和Theodoridis（2020）在基于美国数据进行实证研究时发现，货币政策冲击会对部分宏观经济变量的不确定性产生重要影响，具体而言，1％的货币政策冲击将导致美国的通胀率和失业率的不确定性上升15％左右。随后，其建立了一个DSGE模型并结合美国实际情况对相关参数进行了校准，数值模拟结果表明，从理论模型进行的模拟表明，家庭对长期失业的担忧与货币当局逐步调整货币政策的方式并存是导致不确定性上升的核心传导机制。换句话说，这些风险与政策利率平滑化参数的组合是货币政策冲击对不确定性产生影响关键条件。
Angelini等（2019）在探讨不确定性和经济波动的因果关系时构建了一个包含金融确定性、宏观不确定性和产出的三变量SVAR模型，并在冲击识别时采用了异方差识别法，具体而言，其利用模型中变量波动率的断点将样本区间划分为三个子区间，并允许同期效应矩阵中的元素在不同的子区间内拥有不同的取值。利用上述方法进行实证分析的结果表明，美国的金融不确定性和宏观不确定性的变化都是导致宏观经济波动的外生冲击，而不是对宏观经济波动的内生响应。Angelini和Fanelli（2019）在研究不确定性内生性时也采用了Angelini等（2019）三变量SVAR模型，但在实证研究过程中，Angelini和Fanelli（2019）将私人住房供给冲击和石油冲击作为工具变量以实现对于结构冲击的识别，工具变量识别结果同样表明，宏观不确定性和金融不确定性均是导致经济波动的外生冲击。
Carriero等（2018）采用均值波动率SVAR模型对宏观不确定性和金融不确定性进行内生性识别，其在设置计量经济学模型时考虑了不确定性和经济变量之间的同期影响，并利用宏观数据的异方差性对该SVAR模型进行识别。研究结果发现，宏观不确定性变化是导致美国经济波动的外生冲击，而美国金融不确定性变化是对宏观经济波动的内生响应。值得注意的是，Carriero等（2018）在实证研究过程中将宏观不确定性和金融不确定性分别放在两个双变量SVAR模型中进行内生性识别，并未将两种类型的不确定性放在同一个SVAR模型中进行分析，这种处理方式有可能导致不确定性内生性识别结果的偏差（Ludvigson et al.，2020）。与Carriero等（2018）的做法不同，Ludvigson等（2020）在识别不确定性的内生性时构建一个包含金融确定性、宏观不确定性和产出的三变量SVAR模型，其首先基于叙事法构建了一个事件冲击约束集对结构冲击的大小进行约束，其次又借助避险资产价格和股市收益率约束结构冲击的符号。有趣的是，利用上述识别方法得到的研究结果和Carriero等（2018）完全相反，即金融不确定性变化是导致美国经济波动的外生冲击，而美国宏观不确定性变化是对宏观经济波动的内生响应。