دانلود مقاله ISI انگلیسی شماره 19610 + ترجمه فارسی
عنوان فارسی مقاله

آیا باورهای کارگزار نماینده بر مبنای مدل‌های اقتصادسنجی کارآمد قرار دارد؟

کد مقاله سال انتشار مقاله انگلیسی ترجمه فارسی
19610 2013 16 صفحه PDF 33 صفحه WORD
خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.
عنوان انگلیسی
Are the representative agent’s beliefs based on efficient econometric models?
منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Journal of Economic Dynamics and Control, Volume 37, Issue 3, March 2013, Pages 633–648

فهرست مطالب ترجمه فارسی
چکیده
واژه‌های کلیدی
1-مقدمه
2-مرور کوتاه بر مقالات
3-عملکرد‌های پیش‌نگرانه مدل‌های اقتصادسنجی
3-1-مدل‌های اقتصادسنجی
جدول 1-پیشگوهای چهار گام به پیش
جدول 2- عملکرد پیش‌نگرانه (MSE) پیشگوهای رشد GDP
3-2-عملکردهای پیش‌نگری نسبی
4-داده‌های تحقیق
4-1-مجموعه داده‌های کمیسیون اروپا
4-2-انتظارات ناهمگن به صورت نسبت‌های سیگنال به نوفه
جدول 3-نسبت‌های سیگنال به نوفه تحقیق: همبستگی‌های متقابل
5-آزمون‌های علیت
جدول 4-MSE مبتنی بر AE در برابر نسبت‌های سیگنال به نوفه مبتنی بر تحقیق: علیت گرانجر
6-ملاحظات پایانی
پیوست الف-داده‌های زمان واقعی و برآورد
پیوست ب-نسبت‌های سیگنال به نوفه
کلمات کلیدی
انتظارات سازمان - انتظارات ناهمگن - مدل های پیش بینی - عقلانیت محدود -
ترجمه چکیده
نه، چنین نیستند؛ حداقل در بریتانیا اینجوری نیستند. بر بررسی دینامیک GDP دریافتیم که در بازه زمانی دودهه‌ای مدل انتظارات انطباقی سهل‌الاجرا به صورتی نظام‌مند از دیگر پیش‌گوهای استاندارد از نظر خطاهای پیش‌نگری مربع‌شده بهتر عمل می‌کنند. این امر بایستی عدم‌قطعیت مدل را کاهش و در نتیجه به افزایش همگنی در انتظارات منجر شود. اما داده‌های جمع‌آوری شده در پیمایش‌ها تنوع زیادی را در تداوم انتظارات حتی در این وضعیت نشان می‌دهد. همچنین آزمون‌های گرانگر نشان می‌دهد که تناسب پیش‌نگری بهترین پیشگو را می‌توان با استفاده از اطلاعات فراهم شده با انتظارات پیمایش ارتقا داد. این نتایج بر مبنای داده‌های زمان واقعی و نیرومند برای چندین پیشگو و شرایط غیرخطی قرار دارند و اعتبار کلی رویکردهای پیش‌بینی‌ بر مبنای مدل‌های کارآمد اقتصادسنجی را تضعیف می‌نمایند.
ترجمه مقدمه
اقتصادسنجی علمی رفتاری است و انتظارات نقشی کلیدی در آن ایفا می‌کند.با این حال چیزهای کمی در مورد چگونگی شکل‌گیری انتظارات در افراد شناخته شده است. فرض نوعی بسیاری از شاخه‌های مهم تحقیقاتی این است که انتظارات کارگزاران در زمینه مدل‌های کارآمد اقتصادسنجی توضیح داده می‌شود. طبق فرضیه انتظارات منطقی تمامی کارگزاران از مدل «درست» استفاده می‌کند و انتظارات همگن به صورت طبیعی ایجاد می‌شوند. نوشتارهای یادگیری انطباقی در تلاش برای فراتر رفتن از همه‌چیزدانی کارگزاران موتیان (برای مطالعه مراجعه کنید به اوانز و هونکاپوجا ، 2001) فرض می‌کند که کارگزاران به صورت کران‌داری منطقی و به اندازه اقتصادسنج‌ها باهوش هستند. این همان اصل سازگاری شناختی (اوانز و هونکاپوجا، 2011) است. در این وضعیت، کارگزاران انتظارات خود را با برآورد بی‌وقفه‌ مدل‌های اقتصادسنجی ‌شکل می‌دهند. هر چند این رویکرد امکان حضور پیش‌گوهای مختلف و انتظارات ناهمگون را فراهم می‌کند، بیشتر تحقیقاتی که از یادگیری انطباقی استفاده می‌کنند در مدل‌هایی با کارگزاران معرف و باورهای همگن انجام شده‌اند. در هر مورد، تمامی کارگزاران باید از بهترین مدل پیشگو استفاده کنند زیرا آن‌ها در مقام اقتصادسنج مجدداً با فراهم شدن داده‌های جدید مدل‌های خود را بازبرآورد و احتمالاً بازفرمول‌بندی می‌کنند. بنابراین طبق اصل سازگاری شناختی، کارگزاران از احتمال تغییرات ساختاری آگاه هستند و تدابیری را برای رسیدگی به آن اتخاذ می‌کنند. رویکرد انتخاب پیشگو (بروک و هومس ، 1997) به صورت صریح‌تر به حضور مدل‌های متفاوت رقیب می‌پردازد. این رویکرد خاطرنشان می‌کند که افراد ممکن است در مورد مدل صحیح اقتصاد مطمئن نباشند. لذا در هر دوره باید مدل‌ بهینه‌ را انتخاب کنند. سازوکار انتخاب شامل انتخاب بهترین مدل بر حسب دقت نسبی فارغ از هزینه‌های محاسباتی آن است. این دقت با خطاهای میانگین مربعی (MSE) بیان می‌شود. این رویکرد تا حدی شبیه عقلانیت کراندار است که در نوشتارهای یادگیری انطباقی فرض می‌شود. در این رویکرد افراد از نظر منطقی کراندار هستند به این معنا که کارگزاران از قاعده پیش‌نگرانه‌ای استفاده می‌کنند که بالاترین مناسبت را داشته باشد. برانچ (2004، 2007) در این زمینه داده‌های تحقیق را مورد تحلیل قرار می‌دهد و شواهدی از عدم‌قطعیت مدل و هزینه‌های محاسباتی ناشی از انتظارات ناهمگن عقلانی را ارائه می‌دهد. این هزینه‌ها به خاطر آن است که برخی از کارگزاران ممکن است به طور کامل به تغییر در منافع خالص نسبی پاسخ ندهند. حتی در حالت کنارگذاشتن هزینه‌های محاسباتی نیز ممکن است اختلاف باورهای مزمنی ظهور کند. این امر برای نمونه شاید هنگامی رخ دهد که نوع پیشگوی بهینه مکرراًَ تغییر کند: در این حالت ممکن است کارگزاران تمایل داشته باشند تدریجاً مدل‌های با اجرای بهتر را برگزینند اما شاید نتوانند به خاطر خطاهای سلیقه‌ای، نوفه‌ها و غیره فوراً دقیق‌ترین مدل را انتخاب کنند (بروک و هومس، 1997). همچنین برخی کارگزاران ترجیح می‌دهند در همه حال مدل یکسانی را حفظ کنند. البته این رفتار نوعاً در همه اقتصادسنج‌ها مشاهده نمی‌شود. چسبیدن به مدل‌های ناکارآمد بسیار هزینه‌آفرین است و اقتصادسنج نماینده باید بی‌وقفه سعی کند این هزینه‌ها را کاهش دهد. مشابهاً همانطور که نظریه انتخاب پیشگو عنوان می‌کند استراتژی‌های موفق بیشتر از استراتژی‌های با موفقیت کمتر انتخاب می‌شوند. در مجموع بیشتر افراد-و بنابراین کارگزاران نماینده-باید به سمت استفاده از بهترین مدل گرایش داشته باشند و از این رو انتظارات یکسانی داشته باشند. تا جایی که باورهای کارگزار نماینده بر مبنای مدل‌های کارآمد قرار داشته باشد و بتوان آن باورها را با مطالعات تک‌کاره تعیین کرد، دو واقعیت اساسی ظاهر می‌شوند که انگیزه نگارش نیز این مقاله از آن‌ها ناشی شده است. نخست این که در صورت نبود عدم‌قطعیت مدل برای بازه کافی زمانی باورهای تحقیق باید همگرا باشند: افراد باید هر چه بیشتر از مدل کارآمد پایدار و منحصر به فردی استفاده کنند. دوم این که نمی‌توان با استفاده از اطلاعات فراهم شده از انتظارات تحقیق تناسب پیش‌نگرانه مدل‌های کارآمد اقتصادسنجی را بیشتر از این ارتقا داد. اگر کارگزاران به مانند آماردانان عمل کنند به این معنا که از قواعد کارآمد پیش‌نگرانه استفاده کنند باورهای مبتنی بر تحقیق باید این امر را بازتاب دهند و نمی‌توانند دربردارنده اطلاعات مهمی باشند که به کاهش MSE نسبت به بهترین پیشگوی اقتصادسنجی کمک کند. به بیان دیگر انتظارات تحقیق نمی‌تواند سبب ایجاد MSE مبتنی بر مدل بهینه علیت گرانجر شود. با این حال برخی محققان اظهار داشته‌اند که شاید کارگزاران مانند آماردانان رفتار نکنند و این که جریان‌های اطلاعاتی مخالف نیز امکان‌پذیر باشند (بخش 2). روحیه‌های حیوانی کینز یا فرآیندهای کاوشی مطالعه شده توسط کاهنمان و همکاران (1982) ممکن است انتظارات افراد را از بین ببرد که این امر می‌تواند بر ادراکات تاثیر بگذارد. کاتونا (1958) اظهار داشته است که بررسی‌های آستانه می‌تواند دقیقاً این انتظارات خلق‌محور و بالقوه پراکنده را تعیین کند. بنابراین بررسی پراکندگی انتظارات در تحقیقات آستانه به درک موارد زیر کمک می‌کند: (1) این که آیا انتظارات خلق‌محور و بالقوه پراکنده از مدل‌های اقتصادسنجی بهینه حاصل می‌شود، و (2) ارتباطات زمانی بین انتظارات بیان شده از تحقیق و انتظارات مبتنی بر مدل کارآمد. هدف اصلی ما این است که با برررسی تجربی وضعیت خاص موجود در بریتانیا به روشن شدن این وضع کمک کنیم. با وام‌گرفتن از رویکردهای انتخاب پیشگو و یادگیری انطباقی، فهرستی از مدل‌های شناخته‌شده اقتصادسنجی را برآورد می‌کنیم که می‌توان آن‌ها را با استفاده از مشتریانی که به عنوان اقتصادسنج‌ها عمل‌ می‌کنند (بخش 3) مورد بررسی قرار داد برای نیرومندی تحقیق، چند مدل اقتصادسنجی تک‌متغیره و چندمتغیره نرخ رشد را هم با روش بازگشتی و از طریق پنجره‌های غلتان کمینه‌کننده برآورد می‌کنیم. در هر دوره تمامی مدل‌ها را بازبرآورد و از داده‌های زمان واقعی استفاده می‌کنیم. بنابراین هیچ فرضیه‌ای در این باب وجود ندارد که افراد بر مبنای داده‌های ناموجود انتظارات خود را شکل می‌دهند (کروشور ، 2011).‌ این امر با این فرض همسویی دارد که افراد در مقام اقتصادسنج‌ عمل می‌کنند و هم با کار پیش‌نگرانه‌ای که از پاسخگویان تحقیق استنباط می‌شود همسویی دارد.‌ این ارتباط برای هدف ما مهم است. نهایتاً تمرین‌های توانایی پیش‌نگری نسبی را برای شناسایی دقیق‌ترین پیشگو(ها) انجام می‌دهیم. سپس توجه خود را به داده‌های تحقیق معطوف می‌کنیم (بخش 4). برخی از شاخص‌های تفاوت را میان پاسخ‌های پاسخگویان محاسبه می‌کنیم. این آماره‌ها عبارتند از نسبت‌های سیگنال به نوفه (SNR) و همتاهای تحقیق طبیعی MSE مدل‌مبنا که در واقع می‌توان آن را به عنوان معیاری از پراکندگی در نظر گرفت. در واقع برخی از محققان ارتباط‌های بین گشتاورهای مرتبه دوم انتظارات آشکارشده در تحقیقات و گشتاورهای مربوط به دینامیک کلان اقتصادی را بررسی کرده‌اند (برای مثال مانکیوف و همکاران، 2003). تا جایی که می‌دانیم این تحقیق اولین بار به بررسی SNR پیشنهادی می‌پردازد. ویژگی مفید SNR این است که پیامد برخی مسائل مهم را کاهش می‌دهند که این امر مبنای مدل‌های گسترده کمی‌سازی مشاهدات تحقیق کیفی را تحت تاثیر قرار می‌دهد (پساران و ویل ، 2006). بعد از مطالعه جداگانه پیش‌نگری‌های اقتصادسنجی و انتظارات تحقیق، تحلیل‌های دومتغیره VAR را انجام می‌دهیم-شامل تناسب بهترین پیشگوی اقتصادسنجی و درجه پراکندگی میان پاسخ‌های تحقیق-تا اهمیت، جهت‌گیری و علامت ارتباط‌های آماری آن‌ها را بررسی کنیم (بخش 5). همان‌گونه که ذکر شد ایده است که با فرض این که کارگزاران نماینده مدل‌های پیش‌نگرانه بهینه‌ای را انتخاب و استفاده کنند، SNR نمی‌تواند MSE بهترین مدل‌مبنای ایجاد شده با گرانجر باشد. منطق موتاتیس موتاندیس با منطق نهفته در رویکرد اپیدمولوژیکی کارول شباهت دارد (کارول، 2003) که در آن اطلاعات از مدل‌های اقتصادسنجی به داده‌های تحقیق و نه بالعکس جریان می‌یابند (بخش 2). شایان ذکر است که طبق واقعیت استاندارد پراکندگی باورها در پیش‌نگرها و عدم‌قطعیت کلان‌اقتصادی همبستگی مثبتی با هم دارند. برای مثال، کاپیستران و تیمرمن (2009) عنوان کرده‌اند که عدم‌قطعیت کلان اقتصادی ممکن است به عدم توافق‌های میان پیش‌نگرهای (حرفه‌ای) منجر شود. بنابراین با نگاه به MSE به عنوان شاخص فراریت، تحلیل پیشنهادی می‌توان تا حدودی رابطه بین درجه ناهمگنی در انتشارات پیش‌نگرهای (غیر حرفه‌ای) و گشتاورهای مرتبه دوم رشد GDP را روشن کند. داده‌ها نشان می‌دهند که باورهای ناهمگن پایدار هستند و این‌که پیشگوی انطباقی انتظارات حداقل در بیش از دو دهه عملکرد بهتری نسبت به مجموعه‌ای از مدل‌های متداول داشته است. حضور دیرپای انتظارات نامشابه در کنار فقدان بلندمدت عدم‌قطعیت مدل موجب خدشه‌دار شدن اعتبار کلی رویکردهایی می‌شود که شکل‌گیری مدل‌مبنای بهینه انتظارات را فرض می‌کنند. همچنین نتایج به زنجیره علیت مهم و یکطرفه گرانجر اشاره دارند که MSE و SNR را به هم مرتبط می‌کنند که در آن SNR بر MSE برتری دارد. در این حالت نیز نتایج مزبور با انتظارات تحقیق مبتنی بر بهترین مدل تباین دارند ولی با چریان اطلاعاتی عنوان شده توسط مقالات ذکر شده در بالا در مورد باورهای روانشناختی‌محور همسو هستند. با تفسیر MSE به عنوان معیاری از فراریت نیز این نتایج دلالت بر آن دارند که باورهای متنوع دیرپای شهروندان بریتانیا منبع مهم عدم قطعیت GDP بریتانیا است ولی عکس آن برقرار نیست. می‌توانیم چیزهای بیشتری در این مورد بیان کنیم. علامت ضرایب نشان می‌دهد که نسبت‌های سیگنال به نوفه همبستگی منفی با MSE دارند. این امر به معنای آن است که هر چه سطح آنتروپی اندازه‌گیری شده در انتظارات تحقیق بیشتر باشد، (1) قابلیت‌ پیش‌نگری کارآمدترین مدل اقتصادسنجی کمتر است، و (2) فراریت در بازار بیشتر است. یافته‌های ما هم در مقابل پدیده‌های غیرخطی و هم برای چندین پیشگوی شناخته‌شده نیرومند است. در مجموع آن‌ها نشان می‌دهند که شهروند نمونه بریتانیایی تمایلی به استفاده از پیشگوی بهینه ندارد حتی در زمانی که قاعده دقیق‌تر پیش‌نگرانه در بیش از دو دهه ثابت مانده باشد و این امر نکته مهمی است. هر چند بخشی از کارگزاران ممکن است از پیش‌نگر بهینه دیرپایی استفاده کنند (نامزدهای طبیعی آن برای مثال عبارتند از پیش‌نگرهای حرفه‌ای) شواهد ما با فرآیند شکل‌گیری انتظارات که معمولاً توسط رشته‌های مهم تحقیقاتی فرضیه‌پردازی می‌شود مغایرت دارد. این امر طبیعتاً سئوالات جالبی را مطرح می‌کند: چه چیزی به صورت مستمر مانع آن می‌شود که شهروند نمونه بریتانیایی بهترین پیشگوی دینامیک GDP را انتخاب نکند؟ چرا به نظر نمی‌رسد که او مانند اقتصادسنج عمل می‌کند؟ چه عاملی در پشت پرده حضور دیرپای باورهای ناهمگن قرار دارد؟ پاسخ به این سئوالات دستورکار تحقیق ما را تشکیل می‌دهد.
پیش نمایش مقاله
پیش نمایش مقاله آیا باورهای کارگزار نماینده بر مبنای مدل‌های اقتصادسنجی کارآمد قرار دارد؟

چکیده انگلیسی

No, they are not; at least not in the UK. By examining GDP dynamics we find that, over a time-span of two decades, an easy-to-perform adaptive expectations model systematically outperforms other standard predictors in terms of squared forecasting errors. This should reduce model uncertainty and thereby lead to increased homogeneity in expectations. However, data collected in surveys show that great variety in expectations persists even in this situation. Moreover, Granger tests indicate that the forecasting fitness of the best predictor can be further enhanced by the use of information provided by survey expectations. These results, based on real-time data and robust to both several predictors and nonlinearities, weaken the general validity of approaches assuming predictions based on efficient econometric models.

مقدمه انگلیسی

Economics is a behavioral science and expectations play a crucial role in it. Yet little is known about how individuals actually form expectations. A typical assumption of important strands of research is that agents’ expectations are grounded in efficient econometric models. According to the rational expectations hypothesis all agents use the “true” model and homogeneous expectations naturally arise. In an attempt to step back from the difficult-to-defend omniscience of Muthian agents, the adaptive learning literature (see Evans and Honkapohja, 2001, for a survey) assumes that agents are boundedly rational but as smart as econometricians. This is the cognitive consistency principle (Evans and Honkapohja, 2011). In this setting, agents form their expectations by relentlessly estimating econometric models. Though this approach allows for the presence of different predictors and discord expectations, most of the research that uses adaptive learning has been carried out in models with representative agents and homogeneous beliefs. In any case, all agents should tend to use the best forecasting model because, acting as econometricians, they re-estimate and possibly reformulate their models as new data become available. According to the cognitive consistency principle, then, agents are aware of the likelihood of structural changes and take measures to deal with it. The predictor choice approach ( Brock and Hommes, 1997) addresses more explicitly the presence of different competing models. It points out that individuals could be uncertain about the correct model for the economy, so in each period they must select the optimal predictor. The selection mechanism consists of choosing the best model according to its relative accuracy as quantified by mean-squared-errors (MSE), net of its computational costs. Somewhat alike the bounded rationality assumed by the adaptive learning literature, in this approach individuals are boundedly rational in the sense that agents use the forecasting rule that has the highest fitness. Within this setting, Branch, 2004 and Branch, 2007 analyzes survey data and reports evidence that model uncertainty 2and computational costs may generate rationally heterogeneous expectations because some agent may not fully respond to changes in relative net benefits. Persistent heterogeneity in beliefs may emerge even abstracting from computational costs. This may happen, for instance, when the kind of optimal 3 predictor changes frequently: There could be a tendency to gradually switch to better performing models, but agents might not jump immediately to the most accurate model because of idiosyncratic errors, noise, etc. ( Brock and Hommes, 1997). Some agent could also prefer to maintain always the same model. Yet this is not the typical behavior of econometricians. Sticking with inefficient models is costly and the representative econometrician should relentlessly act to reduce these costs. Similarly, as argued by the predictor choice theory, strategies that have been more successful in the recent past are selected more often than less successful strategies. In sum, most people – and hence the representative agent – should tend to use the same (best) model and, accordingly, to have the same expectations. To the extent that the representative agent’s beliefs (i) are based on efficient models, and (ii) can be captured by ad hoc surveys, two basic facts emerge, motivating this paper. First, in the absence of model uncertainty for a sufficient span of time survey expectations should tend to converge: More and more individuals should uncover or consider to use the sole and enduring efficient model. Second, the forecasting fitness of efficient econometric models cannot be further enhanced by the use of information provided by survey expectations. If agents act as if they were statisticians in the sense that they use efficient forecasting rules, then survey-based beliefs must reflect this and cannot contain any significant information that helps reduce the MSE relative to the best econometric predictor. In other words, survey expectations cannot Granger-cause optimal model-based MSE. Yet several authors have suggested that agents may not behave as statisticians and that opposite information flows are also plausible ( Section 2). Keynes’ animal spirits or the heuristics studied by Kahneman et al. (1982) may impinge on individuals’ expectations which, in turn, may affect realizations. Katona (1958) has suggested that household surveys could capture precisely these mood-driven, and potentially disperse, expectations. Having said this, there could be some value in examining the dispersion in survey beliefs to understand (i) whether these latter derive from optimal econometric models and (ii) the time connections between survey-declared and efficient model-grounded expectations. Our main goal and desired contribution is to shed some light on this topic by examining empirically the peculiar situation existing in the UK. Borrowing from both the adaptive learning and the predictor choice approaches, we estimate a list of well-known econometric models which could potentially be examined by lay consumers under the assumption that they act as econometricians (Section 3). For robustness we estimate, both recursively and via MSE-minimizing rolling windows, several univariate and multivariate econometric models of the GDP growth rate. We re-estimate all models in each period, and we use real-time data so there is no assumption that people form their expectations based on data unavailable at the time ( Croushore, 2011). It is in line both with the assumption that people act as econometricians and with the actual forecasting exercise elicited from survey respondents. This connection is important with regard to our goal. Lastly, we perform relative forecasting ability exercises to identify the most accurate predictor(s). We then turn our attention to survey data (Section 4), computing some indicators of the differences across respondents’ replies. These statistics are signal/noise ratios (SNR) and are natural survey counterparts of model-based MSE, which, in fact, can be thought of as a measure of dispersion. Indeed, several authors have examined the links between the second order moments of expectations revealed in surveys and of macroeconomic dynamics (e.g., Mankiw et al., 2003). To the best of our knowledge this is the first attempt to examine the proposed SNR. A useful feature of SNR is that they reduce the impact of some important issues affecting the basis of widespread methods of quantification of qualitative survey observations ( Pesaran and Weale, 2006). After having studied separately econometric forecasts and survey expectations, we perform bivariate VAR analyses – involving the fitness of the best econometric predictor and the degree of dispersion across survey responses – to address the significance, the direction and the sign of their statistical links (Section 5). As mentioned the idea is that, under the assumption that representative agents select and use optimal forecasting models, SNR cannot Granger-cause best model-based MSE. Mutatis mutandis the logic is somewhat similar to that behind Carroll’s epidemiological approach ( Carroll, 2003) where the information flow runs from econometric models to survey data and not vice versa ( Section 2). It is also worth recalling that according to a stylized fact dispersion in beliefs across forecasters and macroeconomic uncertainty are positively correlated. For instance, Capistran and Timmermann (2009) have argued that macroeconomic uncertainty may lead to disagreement among (professional) forecasters. Thus, viewing MSE as an indicator of volatility, the proposed analysis can also shed some light on the relationship between the degree of heterogeneity across (non-professional) forecasters’ expectations and the second order moments of GDP growth. Data show that heterogeneous beliefs are persistent and that the adaptive expectations predictor always outperforms a set of widespread models at least over two decades. The enduring presence of dissimilar expectations side-by-side with the long-term absence of model uncertainty impinges on the general validity of approaches assuming optimal model-based expectations formation. Moreover, results point to a significant and one-way Granger-causal chain connecting MSE and SNR, with the latter preceding the former. Again, these results contrast with best model-based survey expectations, while they are in line with the information flow argued by the above-recalled literature on psychological-driven beliefs. Interpreting MSE as a measure of volatility, these outcomes also imply that UK citizens’ persistently diverse beliefs are a significant source of the UK GDP uncertainty, but not vice versa. We can say more. The sign of the coefficients shows that signal/noise ratios are negatively correlated with MSE. That is to say, the greater the level of the entropy measured in survey expectations, (i) the lower the forecasting ability of the most efficient econometric model, and (ii) the larger the volatility in the market. Our findings are robust to both nonlinearities and several well-known predictors. All in all they show that the representative UK citizen does not (tend to) use the optimal predictor even when, and this is the main point, the more accurate forecasting rule remains the same over two decades. Though a fraction of agents may use the enduring optimal predictor (natural candidates are, e.g., professional forecasters), our evidence contrasts with the expectations formation process usually hypothesized by important strands of research. It naturally arises some intriguing questions: What does persistently impede the representative UK citizen to select the best predictor of GDP dynamics? Why (s)he seems not to behave as an econometrician? What is behind the observed long-lasting presence of heterogeneous beliefs? Answering to these questions is in our research agenda.

نتیجه گیری انگلیسی

Muthian agents are all equally rational and know the “true” model. The adaptive learning literature assumes that agents are boundedly rational in the sense that they are as smart as econometricians and that they are able to learn the correct model. The predictor choice approach argues that individuals are boundedly rational in the sense that most agents use the forecasting rule that has the highest fitness. Preferences could generate enduring inertia in the dynamic switching process and a stationary environment for a sufficiently long period is necessary to learn the correct model. Having said this, all the cited approaches typically argue that there is a general tendency to forecast via efficient forecasting models. This paper addressed the empirical validity of this assumption examining GDP dynamics in the UK throughout two decades. Results show that an easy-to-perform predictor systematically offers the best forecasts and that disparate beliefs persist. In addition, evidence points to information flows going from survey data to econometric models. In particular, Granger-causality tests suggest that the accuracy of the optimal forecasting model can be further enhanced by the use of the information provided by the level of disagreement across survey beliefs. Moreover, forecast error variance decompositions and Geweke’s instantaneous feedback tests indicate the absence of any contemporaneous feedback between MSE and SNR. All this casts doubt on the widespread assumption that representative agents’ beliefs derive from optimal econometric models. Interpreting means-squared errors as a proxy of uncertainty, then, we can add that UK citizens’ persistently diverse expectations are a significant source of the UK GDP growth rate volatility, but not vice versa. Lastly, the sign of their correlation implies that wider entropy in survey expectations leads to greater macroeconomic uncertainty. Again, it contrasts with the information flow linking expectations and realizations that is usually assumed in important strands of research. These results are robust to several SNR measures and take into account well-known forecasting rules, including univariate and multivariate models estimated both recursively and via optimal-size rolling windows. They are also in line both with the literature supporting the non-econometrically-based content of the information captured by surveys carried out on laypeople, and with the stylized fact on the positive correlation between dispersion in beliefs and macroeconomic uncertainty. All in all, our evidence leads to a negative answer to the question in the title of this paper, arising some intriguing questions: Why the representative UK citizen seems to be more boundedly rational than what usually hypothesized in the adaptive learning literature and the predictor choice approach? What does persistently hamper him/her to use the most accurate model? Are there econometric (objective) or psychological (subjective) impediments? Answering to these questions is in our research agenda.

خرید مقاله
پس از پرداخت، فوراً می توانید مقاله را دانلود فرمایید.