Einführung in DSGE-Modelle und deren Lösung mit Hilfe von ... · dann ist ln 𝑡+1...
Transcript of Einführung in DSGE-Modelle und deren Lösung mit Hilfe von ... · dann ist ln 𝑡+1...
Einführung in DSGE-Modelle und deren
Lösung mit Hilfe von Dynare
Prof. Dr. Jochen Michaelis
Wintersemester 2015/2016
MAGKS - Makroökonomik Prof. Dr. Jochen Michaelis
Kapitel 2: log-Linearisierung
2
2. Methodischer Exkurs: Log-Linearisieren
Zietz, Joachim (2008): ‚A Clarifying Note on Converting to Log-Deviations from the
Steady State‘, Economics Bulletin 3: 1-15.
Uhlig, Harald (1999): A Toolkit for Analyzing Nonlinear Dynamic Stochastic Models
Easily“, in: R. Marimon und A. Scott (Eds.); Computational Methods for the Study
of Dynamic Economics, Oxford University Press, S. 30-61.
oder: Homepage von Harald Uhlig
Ausgangspunkt:
Die meisten Makro-Modelle sind nicht-linear und haben keine exakte Lösung.
Beispiel: 𝑌 = 𝐶 + 𝐼 mit Konsumfunktion 𝐶 = 𝑌𝛼
𝑌 − 𝑌𝛼 = 𝐼
Nur Näherungslösungen für Y möglich!
MAGKS - Makroökonomik Prof. Dr. Jochen Michaelis
Kapitel 2: log-Linearisierung
3
Log-Linearisierung ist eine Methode für Bestimmung solcher Näherungslösungen
Kernidee (bzw. Annahme):
In der Nähe des Steady States ist das Modell näherungsweise linear in
logarithmierten Größen
Vorgehensweise:
Formuliere das Modell in (prozentualen) Abweichungen vom Gleichgewicht
Abweichungen sind lineare Funktionen der Modellparameter (first order
approximation)
Umwandlung eines nicht-linearen Modells in ein lineares System
Komplexitätsreduktion, Nutzung von Standardsoftware
Achtung:
Lineare Approximation nur in der Nähe des Gleichgewichts eine gute Approximation
Weiterentwicklung: second-order approximation
MAGKS - Makroökonomik Prof. Dr. Jochen Michaelis 4
Taylor-Approximation:
Taylor-Approximation n-ter Ordnung der Funktion 𝑓(𝑥) um einen Wert 𝑥0:
(2.1) 𝑇𝑛,𝑥0 𝑥 ≡𝑓(𝑥0)
0!+𝑓′ 𝑥0
1!𝑥 − 𝑥0 +
𝑓′′ 𝑥0
2!𝑥 − 𝑥0
2 +⋯+𝑓(𝑛) 𝑥0
𝑛!(𝑥 − 𝑥0)
𝑛
First-order approximation: 𝑇1,𝑥0 𝑥 = 𝑓(𝑥0) + 𝑓′(𝑥0) 𝑥 − 𝑥0
Second-order approximation: 𝑇2,𝑥0 𝑥 = 𝑓(𝑥0) + 𝑓′(𝑥0) 𝑥 − 𝑥0 +𝑓′′(𝑥0)
2𝑥 − 𝑥0
2
Es gilt:
(2.2) 𝑓 𝑥 = 𝑇𝑛,𝑥0 𝑥 + 𝑅𝑛 mit 𝑅𝑛 als Restgröße (remainder)
MAGKS - Makroökonomik Prof. Dr. Jochen Michaelis 5
)(xf
x
•
••
0x x
)(xf
MAGKS - Makroökonomik Prof. Dr. Jochen Michaelis
Mehrere Variablen
Approximation der Funktion 𝑔(𝑥, 𝑦) um den Wert (𝑥0, 𝑦0)
First order TA:
(2.3) 𝑇1,𝑥0,𝑦0 𝑥, 𝑦 ≡ 𝑔(𝑥0, 𝑦0) + 𝑔𝑥 𝑥0, 𝑦0 ∙ 𝑥 − 𝑥0 + 𝑔𝑦 𝑥0, 𝑦0 ∙ 𝑦 − 𝑦0
6
MAGKS - Makroökonomik Prof. Dr. Jochen Michaelis
Definitionen
𝑋𝑡 = Variable (z.B. Output, Arbeitszeit)
𝑋 = Gleichgewichtswert (Steady State-Wert) der Variablen 𝑋𝑡
𝑥𝑡 = ln𝑋𝑡 = Logarithmus dieser Variable
𝑥 = 𝑙𝑛𝑋 = Logarithmus des Steady State
(2.4) 𝑥 𝑡 ≡ 𝑥𝑡 − 𝑥 = 𝑙𝑛𝑋𝑡 − 𝑙𝑛𝑋 log deviation of 𝑋𝑡 from its steady state 𝑋
𝑥 𝑡 ist (ungefähr) gleich der prozentualen Abweichung von 𝑋𝑡 vom Steady state 𝑋
Beispiel: Steady State = 100 aktueller Wert = 101
Prozentabweichung exakt: 101−100
100= 0.01 = 1%
Log-Differenz: ln 101 − ln 100 = 0.00995 = 0.995%
7
MAGKS - Makroökonomik Prof. Dr. Jochen Michaelis 8
First order TA der Variablen 𝑿𝒕 um den Steady State-Wert 𝑿 :
1. Formuliere 𝑋𝑡 um zu:
𝑋𝑡 = 𝑋 ∙𝑋𝑡
𝑋 = 𝑋 ∙ 𝑒
𝑙𝑛𝑋𝑡𝑋 = 𝑋 ∙ 𝑒𝑙𝑛 𝑋𝑡−𝑙𝑛𝑋 = 𝑋 ∙ 𝑒𝑥 𝑡
mit 𝑥 𝑡 ≡ 𝑙𝑛𝑋𝑡 − 𝑙𝑛𝑋 als prozentuale Abweichung von 𝑋𝑡 von seinem
Gleichgewichtswert 𝑋 .
2. FOTA für die Funktion 𝑒𝑥 𝑡 um den Gleichgewichtswert 𝑥 𝑡 = 0 ( 𝑋𝑡 = 𝑋 )
(2.5) 𝑒𝑥 𝑡 𝑓(𝑥)
≈ 𝑒0 𝑓(𝑎)
+ 𝑒0 𝑓′(𝑎)
(𝑥 𝑡 − 0)𝑥−𝑎
= 1 + 𝑥 𝑡
(2.6) 𝑋𝑡 ≈ 𝑋 ∙ (1 + 𝑥 𝑡)
MAGKS - Makroökonomik Prof. Dr. Jochen Michaelis
Second order TA der Variablen 𝑿𝒕 um den Steady State-Wert 𝑿 :
1. 𝑋𝑡 = 𝑋 ∙ 𝑒𝑥 𝑡
2. SOTA für die Funktion 𝑒𝑥 𝑡 um den Gleichgewichtswert 𝑥 𝑡 = 0 ( 𝑋𝑡 = 𝑋 )
(2.7) 𝑒𝑥 𝑡 𝑓(𝑥)
≈ 𝑒0 𝑓 𝑥0
+ 𝑒0 𝑓′ 𝑥0
(𝑥 𝑡 − 0)𝑥−𝑥0
+1
2𝑒0 𝑓′′ 𝑥0
𝑥 𝑡 − 02
𝑥−𝑥02
= 1 + 𝑥 𝑡 +1
2𝑥 𝑡2
(2.8) 𝑋𝑡 = 𝑋 ∙ 1 + 𝑥 𝑡 +1
2𝑥 𝑡2
9
MAGKS - Makroökonomik Prof. Dr. Jochen Michaelis 10
Log-Linearisierung einer linearen Gleichung: 𝒀𝒕 = 𝑪𝒕 + 𝑮𝒕
Im Steady State gilt: 𝑌 = 𝐶 + 𝐺
Umformulierung der Gleichung in prozentualen Abweichungen vom StSt mittels FOTA
𝑌 ∙ 1 + 𝑦 𝑡 = 𝐶 ∙ 1 + 𝑐 𝑡 + 𝐺 ∙ (1 + 𝑔 𝑡)
𝑌 + 𝑌 𝑦 𝑡 = 𝐶 + 𝐶 𝑐 𝑡 + 𝐺 + 𝐺 𝑔 𝑡
Beachtung der Steady-State Bedingung 𝑌 = 𝐶 + 𝐺 und Division durch 𝑌 führt zu
(2.9) 𝑦 𝑡 = 𝜑𝑐𝑐 𝑡 + 𝜑𝑔𝑔 𝑡
mit Konsumquote 𝜑𝑐 =𝐶
𝑌 und Staatsquote 𝜑𝑔 =
𝐺
𝑌 im Steady State
Ergebnis immer noch linear, aber jetzt formuliert in prozentualen Abweichungen vom StSt
MAGKS - Makroökonomik Prof. Dr. Jochen Michaelis 11
Log-Linearisierung einer nicht-linearen Gleichung: 𝒀𝒕 = 𝑨𝒕 ∙ 𝑵𝒕𝜷
Steady State: 𝑌 = 𝐴 ∙ 𝑁 𝛽 bzw. ln 𝑌 = 𝑙𝑛 𝐴 + 𝛽 𝑙𝑛 𝑁
Logarithmiere die Ausgangsgleichung:
𝑙𝑛 𝑌𝑡 = 𝑙𝑛 𝐴𝑡 + 𝛽 𝑙𝑛𝑁𝑡
𝑙𝑛(𝑌 𝑌𝑡
𝑌 ) = 𝑙𝑛(𝐴
𝐴𝑡
𝐴 ) + 𝛽 𝑙𝑛(𝑁
𝑁𝑡
𝑁 )
𝑙𝑛(𝑌 𝑒𝑦 𝑡) = 𝑙𝑛(𝐴 𝑒𝑎 𝑡) + 𝛽 𝑙𝑛(𝑁 𝑒𝑛 𝑡)
𝑙𝑛 𝑌 + 𝑦 𝑡 = 𝑙𝑛 𝐴 + 𝑎 𝑡 + 𝛽 𝑙𝑛𝑁 + 𝛽𝑛 𝑡
(2.10) 𝑦 𝑡 = 𝑎 𝑡 + 𝛽𝑛 𝑡
log-linearisierte Form ist jetzt linear
MAGKS - Makroökonomik Prof. Dr. Jochen Michaelis
Ein „schnellerer“ Weg:
Logarithmiere Ausgangsgleichung:
𝑙𝑛 𝑌𝑡 = 𝑙𝑛 𝐴𝑡 + 𝛽 𝑙𝑛𝑁𝑡
Subtrahiere logarithmierte Steady-State Relation
𝑙𝑛 𝑌𝑡 − 𝑙𝑛𝑌 = 𝑙𝑛 𝐴𝑡 − 𝑙𝑛𝐴 + 𝛽 𝑙𝑛 𝑁𝑡 − 𝛽 𝑙𝑛𝑁
(2.10) 𝑦 𝑡 = 𝑎 𝑡 + 𝛽𝑛 𝑡
Aber:
Dieser Weg ist für first-order TA möglich, nicht aber für second-order TA!
12
MAGKS - Makroökonomik Prof. Dr. Jochen Michaelis 13
Problemfall: Gleichung mit Erwartungswerten
Euler-Gleichung für optimalen intertemporalen Konsum
(2.11) 𝐸𝑡(𝐶𝑡+1)𝜎= 𝛽(1 + 𝑖𝑡)
𝑃𝑡
𝐸𝑡𝑃𝑡+1(𝐶𝑡)𝜎
Logarithmieren:
(2.12) ln 𝐸𝑡(𝐶𝑡+1)𝜎 = ln𝛽 + ln 1 + 𝑖𝑡 + ln𝑃𝑡 − ln𝐸𝑡𝑃𝑡+1 + ln(𝐶𝑡)
𝜎
Achtung: ln 𝐸𝑡𝑥𝑡+1 ≠ 𝐸𝑡(ln 𝑥𝑡+1)
Hier: ln{𝐸𝑡[ 𝐶𝑡+1𝜎]} ≠ 𝐸𝑡[𝑙𝑛 𝐶𝑡+1
𝜎] und 𝑙𝑛𝐸𝑡𝑃𝑡+1 ≠ 𝐸𝑡(𝑙𝑛𝑃𝑡+1)
MAGKS - Makroökonomik Prof. Dr. Jochen Michaelis 14
Jensen‘sche Ungleichung: 𝑙𝑛𝐸𝑡𝑥𝑡+1 > 𝐸𝑡(𝑙𝑛𝑥𝑡+1)
1ln tx
1tx
•
••
1tt xE
)ln( 1tt xE
1
•
)(ln 1tt xE
MAGKS - Makroökonomik Prof. Dr. Jochen Michaelis 15
Annahme:
𝑥𝑡+1 sei lognormal-verteilt, also 𝑥𝑡+1~ ln𝑁𝑉(𝜇, 𝜎2)
dann ist ln 𝑥𝑡+1 normal-verteilt mit Erwartungswert 𝜇; ln 𝑥𝑡+1~𝑁𝑉(𝜇, 𝜎2)
Erwartungswert einer lognormal-verteilten Variable: 𝐸𝑡𝑥𝑡+1 = 𝑒𝜇+0,5𝜎2
Logarithmus der lognormal-verteilten Variable:
ln(𝐸𝑡𝑥𝑡+1) = ln 𝑒𝜇+0,5𝜎2 = 𝜇 + 0,5𝜎2
Erwartungswert der normal-verteilten Variable ln 𝑥𝑡+1: 𝐸𝑡 ln 𝑥𝑡+1 = 𝜇
MAGKS - Makroökonomik Prof. Dr. Jochen Michaelis 16
Es resultiert:
ln 𝐸𝑡𝑥𝑡+1 − 𝐸𝑡 ln 𝑥𝑡+1 = 𝜇 + 0,5𝜎2 = 𝑐𝑜𝑛𝑠𝑡.
Varianzen sind zeitinvariant; sie fallen also weg, wenn Abweichungen von einem
Steady State betrachtet werden. Daher werden die Konstanten von vornherein
weggelassen, d.h. log-Linearisierung „im Erwartungswert“ ist zulässig!!
Anwendung bei Euler-Gleichung:
ln{𝐸𝑡[ 𝐶𝑡+1𝜎]} = 𝐸𝑡[𝑙𝑛 𝐶𝑡+1
𝜎] und 𝑙𝑛(𝐸𝑡𝑃𝑡+1) = 𝐸𝑡𝑙𝑛𝑃𝑡+1
Einsetzen in (2.12):
(2.13) 𝜎𝐸𝑡ln𝐶𝑡+1 = 𝑙𝑛𝛽 + l𝑛 1 + 𝑖𝑡 + 𝑙𝑛𝑃𝑡 + 𝜎𝑙𝑛𝐶𝑡 − 𝐸𝑡𝑙𝑛𝑃𝑡+1
MAGKS - Makroökonomik Prof. Dr. Jochen Michaelis
Für Nominalzins gilt: ln(1 + 𝑖𝑡) ≅ 𝑖𝑡
Für erwartete Inflationsrate gilt: 𝐸𝑡𝜋𝑡+1 = 𝐸𝑡 𝑃𝑡+1− 𝑃𝑡
𝑃𝑡= 𝐸𝑡 𝑃𝑡+1
𝑃𝑡− 1
1 + 𝐸𝑡𝜋𝑡+1 = 𝐸𝑡 𝑃𝑡+1 𝑃𝑡
ln( 1 + 𝐸𝑡𝜋𝑡+1) = ln 𝐸𝑡 𝑃𝑡+1− ln 𝑃𝑡 ≅ 𝐸𝑡𝜋𝑡+1
Einsetzen in (2.13):
𝜎𝐸𝑡ln𝐶𝑡+1 = 𝑙𝑛𝛽 + 𝑖𝑡 − (𝐸𝑡𝑙𝑛𝑃𝑡+1 − 𝑙𝑛𝑃𝑡) + 𝜎𝑙𝑛𝐶𝑡
𝜎𝐸𝑡ln𝐶𝑡+1 = 𝑙𝑛𝛽 + 𝑖𝑡 − 𝐸𝑡𝜋𝑡+1 + 𝜎𝑙𝑛𝐶𝑡
17
MAGKS - Makroökonomik Prof. Dr. Jochen Michaelis
Im Steady State gilt:
𝜎𝐸𝑡ln𝐶 = 𝑙𝑛𝛽 + 𝑖 − 𝐸𝑡𝜋 =0
+ 𝜎𝑙𝑛𝐶
Für die Abweichung vom Steady State resultiert die
Log-linearisierte Euler-Gleichung
(2.14) 𝑐 𝑡 = 𝐸𝑡𝑐 𝑡+1 −1
𝜎(𝑖 𝑡 − 𝐸𝑡𝜋𝑡+1)
18
MAGKS - Makroökonomik Prof. Dr. Jochen Michaelis 19
Schwachpunkte der Technik der log-Linearisierung
Approximation gilt nur für kleine Abweichungen vom Steady State, d.h. große
Schocks werden nicht adäquat abgebildet
(Problem: kann Finanzkrise 2007ff. mit DSGE diskutiert werden??!)
Es werden nur Erwartungswerte einer Zufallsvariablen betrachtet, spielt die
Varianz eine Rolle wie bei Risikoüberlegungen, ist log-Lin. nicht geeignet
Ausweg in Neu-Keynesianischer Makro: Second-order Taylor-Approximation, vgl.
Benigno und Woodford, Journal of Economic Theory (2012)