?ほ?哲+林長青

摘要：隨著我國貨幣供給內(nèi)生性的增強(qiáng)以及金融改革的深化，央行貨幣政策的利率傳導(dǎo)機(jī)制近年來正在形成。通過引入智能科學(xué)領(lǐng)域?qū)埐罘钦龖B(tài)分布向量自回歸模型（VAR-LiNGAM）研究的最新成果，本文采用完全數(shù)據(jù)驅(qū)動(dòng)的經(jīng)濟(jì)變量同期因果關(guān)系模型識(shí)別方法，利用該模型對我國2002年1月到2013年11月的月度宏觀數(shù)據(jù)進(jìn)行運(yùn)算，并采取脈沖響應(yīng)分析的方法對所識(shí)別的模型進(jìn)行實(shí)證分析。結(jié)果顯示我國央行的貨幣政策對實(shí)體經(jīng)濟(jì)的調(diào)控采用的是“二元調(diào)控模式”，既通過對貨幣數(shù)量工具的調(diào)控實(shí)現(xiàn)對一般價(jià)格體系和產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整，又通過貨幣的價(jià)格工具對貨幣市場實(shí)施調(diào)控。這是基于我國金融體系、金融市場成熟程度的現(xiàn)實(shí)選擇，未來金融政策將以提高貨幣政策傳導(dǎo)機(jī)制的效率為重點(diǎn)，貨幣政策的數(shù)量工具必然向價(jià)格工具轉(zhuǎn)變。

關(guān)鍵詞：VAR-LiNGAM；非正態(tài)分布；貨幣傳導(dǎo)機(jī)制；實(shí)證方法

中圖分類號(hào)：F820文獻(xiàn)標(biāo)識(shí)碼：A

關(guān)于我國貨幣政策傳導(dǎo)機(jī)制的研究，近年來主要集中在對信貸傳導(dǎo)機(jī)制和利率傳導(dǎo)機(jī)制的有效性方面，學(xué)者們往往采取結(jié)構(gòu)向量自回歸（SVAR）或者SVECM模型進(jìn)行建模，通過將貨幣主義學(xué)派和信貸傳導(dǎo)學(xué)派的經(jīng)濟(jì)理論假設(shè)，加入到對原始向量自回歸（VAR）模型的限制條件中，使得VAR模型中變量間的同期因果關(guān)系可被識(shí)別，并可以進(jìn)行脈沖響應(yīng)分析。這就要求所加入的經(jīng)濟(jì)理論要與現(xiàn)實(shí)高度相符，以保證實(shí)證的結(jié)果具有意義。然而貨幣傳導(dǎo)是非常復(fù)雜的現(xiàn)象，涉及到現(xiàn)實(shí)經(jīng)濟(jì)活動(dòng)中的各個(gè)方面，而某一個(gè)學(xué)派的理論僅能解釋部分實(shí)際變量間的因果關(guān)系，完全照搬國外的經(jīng)典理論模型也未必符合我國經(jīng)濟(jì)運(yùn)行的特點(diǎn)。另外，正如Demiralp and Hoover（2003）中所指出的，VAR模型的初衷就是通過不對變量進(jìn)行內(nèi)生與外生的假設(shè)，以避免引入一些先入為主的先驗(yàn)假設(shè)，是讓數(shù)據(jù)自己來表明變量間的內(nèi)在關(guān)系（Sims，1980），而SVAR模型加入的預(yù)設(shè)變量間同期關(guān)系的做法會(huì)使得數(shù)據(jù)實(shí)證失去其“實(shí)證性”。

為了使模型更具實(shí)證性，有一種采用基于對VAR模型殘差的條件獨(dú)立性統(tǒng)計(jì)假設(shè)的圖模型方法，旨在改進(jìn)SVAR模型主觀性的缺點(diǎn)（Spirtes et al.，2000； Bessler and Yang，2003； Demiralp and Hoover，2003；Moneta，2008）。但是，這種方法往往無法提供識(shí)別SVAR模型所需的全部信息，還需要將經(jīng)濟(jì)領(lǐng)域的一些先驗(yàn)知識(shí)引入到模型的識(shí)別之中。隨著智能科學(xué)領(lǐng)域的發(fā)展，一些學(xué)者近年研究出了基于非高斯分布數(shù)據(jù)的回歸方法（Shimizu et al.，2006； Hyvarinen et al.，2008），可以更好地識(shí)別VAR模型變量間同期的因果關(guān)系，使人們可以采用完全由數(shù)據(jù)驅(qū)動(dòng)的實(shí)證方法，對貨幣傳導(dǎo)路徑的有效性進(jìn)行研究。本文將基于線性非高斯無環(huán)模型（LiNGAM）的VAR模型引入到我國的貨幣傳導(dǎo)路徑有效性研究之中，并利用2002年至2013年經(jīng)濟(jì)變量的月度數(shù)據(jù)，試圖從完全數(shù)據(jù)驅(qū)動(dòng)的角度對我國利率和信貸兩條貨幣傳導(dǎo)路徑的有效性進(jìn)行實(shí)證檢驗(yàn)。

一、模型假設(shè)

（一）VAR模型與SVAR模型構(gòu)建及其缺陷

VAR模型是1980年Sims提出的，該模型一般將所有變量視為內(nèi)生變量。模型中的方程為內(nèi)生變量集對全部變量的一個(gè)特定數(shù)目的滯后項(xiàng)的回歸形式，對于含有n個(gè)變量的VAR模型，其一般形式表示如下：

Yt=a+∑[DD（]p[]i=1[DD）]AiYt-i+εt（1）

式中Yt代表t時(shí)刻變量向量的值。Yt具有n個(gè)值，a是一個(gè)n維的常數(shù)向量。{Ai}是一個(gè)n×n的系數(shù)矩陣，具有相當(dāng)于滯后階數(shù)的p個(gè)系數(shù)矩陣，p表示滯后階數(shù)。εt～N（0，Q）表示模型的殘差符合正態(tài)分布且相互獨(dú)立。Q表示識(shí)別矩陣，可通過最小二乘等方法對模型參數(shù)進(jìn)行求解，一般再結(jié)合脈沖響應(yīng)分析等方法，就可以對模型中所涉及的內(nèi)生變量的動(dòng)態(tài)關(guān)系進(jìn)行估計(jì)。VAR模型的優(yōu)點(diǎn)是該方法僅僅需要確定所選的經(jīng)濟(jì)變量，以及滯后階數(shù)p就可以進(jìn)行建模分析。相比于其它計(jì)量模型來說，它是最不依賴于經(jīng)濟(jì)理論的計(jì)量經(jīng)濟(jì)模型，然而實(shí)證表明VAR模型存在以下兩點(diǎn)不足：第一，VAR模型的解釋能力比較有限，盡管學(xué)者可以通過結(jié)構(gòu)向量自回歸模型（SVAR模型），能夠?qū)⒁恍┙?jīng)濟(jì)理論融入其中，但是總體來講這些方法對于解釋和預(yù)測整個(gè)宏觀經(jīng)濟(jì)體系的關(guān)系還是比較弱的。第二，當(dāng)人們應(yīng)用脈沖響應(yīng)函數(shù)來檢測變量之間的關(guān)系時(shí)常采用喬萊斯基分解方法，該方法對VAR模型中變量的順序是十分敏感的。也就是說它沒有一個(gè)特有的機(jī)制用來固定同期各變量的因果順序，VAR的研究者往往不得不隨機(jī)的選擇變量的順序，因此使模型的變量間的關(guān)系變得不確定。

結(jié)構(gòu)向量自回歸模型是通過加入對變量間同期的關(guān)系，試圖解決上述VAR模型所存在的問題，SVAR模型可表示為：

yt=Byt+Γ1yt-1+…+Γpyt-p+εt（2）

其中B和Γj（j=1，2，…，p）均為n×n的系數(shù)矩陣，B表示變量間同期的關(guān)系，而Γj表示變量間的滯后關(guān)系，εt為n×1的誤差向量。一般也可把公式（2）寫成標(biāo)準(zhǔn)的SVAR形式：

Γ0yt=Γ1yt-1+…+Γpyt-p+εt（3）

其中Γ0=I-B，在SVAR模型的標(biāo)準(zhǔn)形式中，一般假設(shè)其協(xié)方差矩陣∑ε=E{εt，εtT}為對角矩陣。由于在公式（3）中所有的變量均為模型的內(nèi)生變量，無法利用殘差數(shù)據(jù)對模型進(jìn)行識(shí)別，只能通過引入經(jīng)濟(jì)領(lǐng)域的先驗(yàn)知識(shí)，對變量在同期關(guān)系進(jìn)行假設(shè)。一般認(rèn)為變量間同期關(guān)系存在一定的順序，即Γ0可假設(shè)為一個(gè)下三角矩陣，通過該假設(shè)可對模型參數(shù)進(jìn)行擬合，進(jìn)而分析變量間的關(guān)系。

SVAR方法的缺陷是具有較強(qiáng)的主觀性，因?yàn)槟撤N特定的經(jīng)濟(jì)理論很難解釋所有現(xiàn)象，并且使得VAR方法失去了“實(shí)證性”。實(shí)際上只要對VAR模型或SVAR模型的殘差項(xiàng)引入非正態(tài)分布的限制，就可以利用智能科學(xué)領(lǐng)域一些新的回歸方法，進(jìn)而利用經(jīng)濟(jì)變量的歷史數(shù)據(jù)對VAR模型進(jìn)行識(shí)別。

（二）模型假設(shè)

如果給定VAR模型如下假設(shè)：

假設(shè)1：對于公式（1）中的殘差向量εt=[ε1t，…，εnt]T，各殘差項(xiàng)εi（1≤i≤n）統(tǒng)計(jì)獨(dú)立，且殘差項(xiàng)的概率分布最多只有一項(xiàng)為正態(tài)分布。Shimizu et al.（2006）指出對殘差項(xiàng)的非正態(tài)分布假設(shè)可以幫助人們確定變量間因果關(guān)系的方向，一個(gè)簡單例子（Gao Zhe et al.，2012）如圖1所示：

如果假設(shè)兩個(gè)誤差項(xiàng)φ1t和ω2t的概率分布均為正態(tài)分布，其結(jié)果就是不能僅憑借樣本數(shù)據(jù)對model 1和model 2進(jìn)行區(qū)分，也就是所謂的兩個(gè)模型為觀測等價(jià)模型。但是，如果按照假設(shè)1，即φ1t和ω2t最多僅有一個(gè)誤差項(xiàng)為正態(tài)分布，兩者就不是觀測等價(jià)模型了，就可以僅通過觀測數(shù)據(jù)得出正確的因果模型。國外學(xué)者的研究表明非正態(tài)分布假設(shè)除了在因果識(shí)別方面具有優(yōu)勢，該假設(shè)也可以對存在突發(fā)的經(jīng)濟(jì)沖擊的宏觀經(jīng)濟(jì)系統(tǒng)做出更好的描述。正如Lutkepohl（2006）所指出的，即使可以通過引入更多變量或控制滯后結(jié)構(gòu)的方式，提升VAR模型殘差的正態(tài)分布性，但實(shí)體經(jīng)濟(jì)經(jīng)常會(huì)受到偏離正態(tài)分布的突發(fā)性沖擊，從而使得VAR模型的解釋能力下降。Lanne and Saikkonen（2009）以及Lanne and Lutkepohl（2010）證明了非正態(tài)分布假設(shè)可以提升SVAR模型對結(jié)構(gòu)性沖擊的識(shí)別能力。因此，對殘差的非正態(tài)分布假設(shè)可以為模型的提升提供可能性。

在對VAR模型給出假設(shè)1的基礎(chǔ)上，本文對VAR模型中的變量之間同期因果關(guān)系給出進(jìn)一步的假設(shè)：

假設(shè)2：對于同期因素建模中所涉及的宏觀因素變量xi，i∈{1，…，n}，它們之間存在一個(gè)因果順序K，在序列K中排在后面的因素對前面的因素不會(huì)產(chǎn)生影響。通過該假設(shè)，公式（3）中的Γ0可通過初等行變換轉(zhuǎn)化為下三角矩陣，這也就意味著人們識(shí)別宏觀經(jīng)濟(jì)因素間的同期因果關(guān)系可以用一個(gè)有向無環(huán)圖來表示。給定關(guān)于VAR模型的假設(shè)1和假設(shè)2，可以將公式（3）定義為線性、非高斯、無環(huán)結(jié)構(gòu)向量自回歸方程組，可以簡寫為“VAR-LiNGAM”。

二、VAR-LiNGAM模型的識(shí)別

對VAR-LiNGAM模型識(shí)別的關(guān)鍵步驟，是對模型中變量同期關(guān)系的識(shí)別，即在給定假設(shè)1、2的條件下對矩陣Γ0的求解。Γ0可用獨(dú)立成分分析的方法（ICA）進(jìn)行求解，ICA（Hyvrinen et al.，2001）產(chǎn)生于信號(hào)處理研究領(lǐng)域，最早被用于從線性混合信號(hào)中分離出各個(gè)獨(dú)立的信號(hào)源，其核心思想是通過一定的線性變換，利用觀測數(shù)據(jù)得到彼此統(tǒng)計(jì)獨(dú)立的分量，ICA是對廣泛應(yīng)用的主成分分析（PCA）方法的一種擴(kuò)展，PCA通過對原始數(shù)據(jù)空間的線性變換求解出最大線性無關(guān)分量，而ICA的目標(biāo)是求出使得結(jié)果成分統(tǒng)計(jì)獨(dú)立性最大的解空間。對于上面提到的模型也就是尋找一個(gè)殘差向量ut=Γ-10εt，使得εt可取的最大的相互獨(dú)立性。此時(shí)，Γ-10并不是唯一的，但如果加入非正態(tài)分布的假設(shè)，就可以識(shí)別出唯一的Γ-10（Hyvrinen et al.，2001）。

目前有多種不同的估計(jì)獨(dú)立成分的方法，如利用最大似然估計(jì)來最大化各項(xiàng)殘差的非正態(tài)化，或最小化它們之間的互信息量。一般變量的非正態(tài)程度可用kurtosis值衡量，變量y的kurtosis值為：

kurt（y）=E{y4}-3（E{y2}）2（6）

另外，kurtosis值具有如下性質(zhì)：如果隨機(jī)變量y1與y2相互獨(dú)立，則：

kurt（y1+y2）=kurt（y1）+kurt（y2）（7）

利用kurtosis值，并結(jié)合一定的最大似然估計(jì)算法，就可以利用采樣數(shù)據(jù)的4階矩陣對Γ-10進(jìn)行識(shí)別。為了最后得出下三角的Γ-10矩陣，可通過一些限制來完成。首先，限制每個(gè)因素都不是僅受自身影響的。在數(shù)學(xué)表達(dá)上即是要滿足公式（2）中矩陣B的對角線上沒有1，則矩陣Γ-10的對角線上沒有0，記為滿足該限制的Γ-10為Γ[DD（]～[][DD）]。接著通過正則化，令每行元素除以對角線上的元素，得到正則化后的Γ[DD（]～[][DD）]，該組矩陣就會(huì)滿足誤差項(xiàng)ei的系數(shù)均為1。其次，可利用穩(wěn)定性約束，穩(wěn)定性約束意味著微小擾動(dòng)對系統(tǒng)的影響不大。在數(shù)學(xué)上模型穩(wěn)定就可以表述為任取滿足條件的系數(shù)矩陣B[DD（]～[][DD）]，滿足B[DD（]～[][DD）]=I-Γ[DD（]～[][DD）]的特征值v，|v| <1。

VAR-LiNGAM的識(shí)別過程可概括如算法1（Moneta et al.，2013）所示：

算法1：VAR-LiNGAM

（1）對公式（1）所示的VAR模型進(jìn)行參數(shù)估計(jì)，直到所得到的殘差向量εt滿足假設(shè)1的條件。

（2）利用FastICA（Hyvrinen et al.，2001）方法得到一個(gè)分解U[DD（]～[][DD）]=PE[DD（]～[][DD）]，其中P為n×n階矩陣， 而E[DD（]～[][DD）] 為n×T階矩陣；其中E[DD（]～[][DD）]為滿足最大化統(tǒng)計(jì)獨(dú)立和非正態(tài)分布kurtosis值條件的U[DD（]～[][DD）]的獨(dú)立成分。

（3）令Γ[DD（]～[][DD）]=P-1，尋找Γ[DD（]～[][DD）]的一個(gè)行變換，使得∑i1/Γ0ii[DD（]～[][DD）]的值最小。

（4）令求得的Γ[DD（]～[][DD）]每行除以其對應(yīng)的對角線元素，獲得對角線元素均為1的矩陣Γ[DD（]^[][DD）]。

（5）令B[DD（]～[][DD）]=I-Γ[DD（]^[][DD）]，尋找排列矩陣Z，使得B[DD（]^[][DD）]=ZΓ[DD（]～[][DD）]ZT最接近下三角矩陣。

（6）估算包含p階滯后關(guān)系的VAR-LiNGAM模型的系數(shù)矩陣Γτ[DD（]^[][DD）]，τ=1，…，p，

Γτ[DD（]^[][DD）]=（I-B[DD（]^[][DD）]）A[DD（]^[][DD）]τ。

三、VAR-LiNGAM模型在我國貨幣傳導(dǎo)機(jī)制實(shí)證中的應(yīng)用

1.數(shù)據(jù)說明。為了考察我國貨幣傳導(dǎo)機(jī)制的有效性，本文從三個(gè)層面進(jìn)行了變量的選取。首先，從政府貨幣政策調(diào)控的層面，選取具有較強(qiáng)的可控性和可測性的宏觀經(jīng)濟(jì)因素。我國的貨幣政策操作工具主要包括數(shù)量工具和價(jià)格工具兩大類，數(shù)量工具本文選取了廣義貨幣供應(yīng)量M2，它是我國政府制定貨幣政策的關(guān)鍵中介指標(biāo)，并可以更好地反映社會(huì)貨幣總需求的變化。除此之外，為了比較貨幣政策傳導(dǎo)的信貸途徑和利率途徑的有效性，在數(shù)量工具方面還選取了可以反映信貸政策的宏觀經(jīng)濟(jì)變量，以金融機(jī)構(gòu)各項(xiàng)貸款余額為代表，來考察我國貨幣政策信貸途徑的通暢與否。

本文在價(jià)格工具方面選取了銀行間債券質(zhì)押式回購加權(quán)平均7日利率的20日均值，與上海銀行間拆放1周利率（SHIBOR 1W）的20日均值的組合指數(shù)來表示貨幣政策的利率指標(biāo)，采用該方法構(gòu)建利率指標(biāo)的原因如下：第一，很多研究（馮宗憲等，2009；劉喜波等，2008；郭建偉，2008）表明SHIBOR無論是在形成機(jī)制、基礎(chǔ)性、穩(wěn)定性，或?qū)ζ渌暧^經(jīng)濟(jì)指標(biāo)影響等方面，總體上要優(yōu)于銀行間債券質(zhì)押式回購加權(quán)平均利率和銀行同業(yè)拆借利率，更適合成為中國的市場基準(zhǔn)利率。第二，受制于SHIBOR的數(shù)據(jù)樣本數(shù)較少，在SHIBOR數(shù)據(jù)發(fā)布之前的利率數(shù)據(jù)，采用銀行間回購加權(quán)平均7日利率的20日均值，采用該指標(biāo)是由于很多學(xué)者的研究（劉裕荷等，2006；楊紹基，2005；李紅井，2004；等）表明回購利率對央行公開市場操作的反應(yīng)更為快速和敏感，對形成基準(zhǔn)利率有重要意義，并具有很強(qiáng)的傳導(dǎo)貨幣政策的能力。因此，選擇該指標(biāo)并采用指數(shù)平滑技術(shù)，與樣本起點(diǎn)為2006年10月8日的SHIBOR1周利率的20日均值，合成為一個(gè)表示利率水平的指標(biāo)。

指標(biāo)選取的第二個(gè)層面為貨幣政策的目標(biāo)變量，根據(jù)我國貨幣政策促進(jìn)經(jīng)濟(jì)增長與維持幣值穩(wěn)定的目的，本文選取了CPI的同比增長指數(shù)作為衡量物價(jià)穩(wěn)定程度的變量，并且考慮月度數(shù)據(jù)的易得性，選取了受到學(xué)者廣泛認(rèn)可的GDP的月度代理指標(biāo)工業(yè)增加值IVA的同比增長率來衡量經(jīng)濟(jì)增長的速度。

第三個(gè)層面為資產(chǎn)價(jià)格，學(xué)術(shù)界和中央銀行都十分關(guān)注資產(chǎn)價(jià)格在貨幣傳導(dǎo)機(jī)制中的作用，尤其是房地產(chǎn)價(jià)格在貨幣傳導(dǎo)渠道中的作用，受到了國內(nèi)外學(xué)者的廣泛關(guān)注（Massimo Giuliodorin，2005；Kosuke Aoki，2004；丁晨和屠梅曾，2007；龍克維等，2011）。作為我國的支柱產(chǎn)業(yè)，房地產(chǎn)行業(yè)近10年對宏觀經(jīng)濟(jì)的影響已經(jīng)越來越不能忽略，因此在該層面選擇變量進(jìn)入貨幣傳導(dǎo)模型是十分必要的。考慮到房價(jià)形成因素的復(fù)雜性和數(shù)據(jù)樣本的限制，本文選取房地產(chǎn)行業(yè)新開工面積的累計(jì)同比增長率作為代理指標(biāo)，建模所用的六個(gè)變量定義如表1所示。

本文選取2002年1月至2013年11月的月度時(shí)間序列作為數(shù)據(jù)樣本，所有數(shù)據(jù)均來自Wind資訊，所有實(shí)證檢驗(yàn)均采用R軟件。

2.基于VAR-LiNGAM模型的實(shí)證檢驗(yàn)。對六個(gè)變量進(jìn)行Phillips-Perron檢驗(yàn)，均為非平穩(wěn)時(shí)間序列。本文利用Johansen and Juselius （1990）中的做法，建立向量誤差修正模型（VECM），并結(jié)合上節(jié)所介紹的VAR-LiNGAM模型進(jìn)行建模。按照算法1的流程，本文利用AIC信息準(zhǔn)則選取了7階VECM-LiNGAM模型，檢驗(yàn)了六個(gè)變量VAR模型殘差的分布情況，直方圖和Q-Q圖如圖2所示。對殘差進(jìn)行ShapiroWilk和Shapiro Francia檢驗(yàn)，p-value如表2所示，實(shí)證結(jié)果表明六個(gè)變量的殘差僅有CPI一項(xiàng)為正態(tài)分布，其它均不滿足正態(tài)分布，該結(jié)果滿足假設(shè)1的條件。

接著按照算法1的2-5步對VECM模型中變量同期的關(guān)系進(jìn)行求解，VAR-LiNGAM模型的所得到的變量同期的因果順序?yàn)椋篖OAN→M2→IR→CPI→IVA→NEW_HOUSE，所得到的變量同期關(guān)系系數(shù)矩陣B如表3所示，根據(jù)假設(shè)3，矩陣B為下三角矩陣。然后按照算法1的第6步對變量之間7階滯后關(guān)系系數(shù)進(jìn)行估計(jì)，從而完成了模型的建模。限于篇幅，本文僅在表4和表5中展示了滯后1期和滯后2期的系數(shù)矩陣。接著構(gòu)建了脈沖響應(yīng)函數(shù)，測試IVA、CPI、IR以及NEW_HOUSE對M2、LOAN、IR3個(gè)政府貨幣政策調(diào)控變量1個(gè)標(biāo)準(zhǔn)差信3.實(shí)證結(jié)果解釋。比較實(shí)體經(jīng)濟(jì)變量對M2的脈沖響應(yīng)函數(shù)，可以發(fā)現(xiàn)M2的增加導(dǎo)致CPI顯著上揚(yáng)，這與傳統(tǒng)的貨幣理論相符；M2的增加也導(dǎo)致了市場利率顯著上升，這既與傳統(tǒng)貨幣的利率傳導(dǎo)理論相脖，M2對工業(yè)增加值的影響也不顯著。另外，M2的增加短期內(nèi)推動(dòng)新房屋投資的增加。但是從長期來看，新房屋投資將隨著M2的增加而顯著下降。從結(jié)果看，考慮到隨著我國經(jīng)濟(jì)的發(fā)展與經(jīng)濟(jì)主體決策獨(dú)立性的增強(qiáng)，我國的貨幣供給的內(nèi)生性更加突出，貨幣供給對實(shí)體經(jīng)濟(jì)和貨幣市場的影響更加復(fù)雜。

另外，我國對信貸規(guī)?？偭康目刂剖峭ㄟ^對往年信貸規(guī)模的統(tǒng)計(jì)，以及依據(jù)下一年的經(jīng)濟(jì)增長預(yù)期值來實(shí)現(xiàn)的，在總量確定后再通過與商業(yè)銀行協(xié)商，最終確定各主要商業(yè)銀行的信貸量。從工業(yè)增加值和CPI對信貸余額的脈沖響應(yīng)函數(shù)來看，這種帶有行政指導(dǎo)性的信貸規(guī)模變化對工業(yè)增加值和CPI的沖擊不顯著。但是，隨著近年來政府以利率市場化為中心的金融改革的深化，以及對房地產(chǎn)行業(yè)調(diào)控的加強(qiáng)，信貸余額增加在半年之后導(dǎo)致市場利率下降和新房屋投資的增加。從市場利率對實(shí)體經(jīng)濟(jì)變量的影響來看，市場利率的上升從長期看將導(dǎo)致工業(yè)增加值下降，這與傳統(tǒng)的貨幣利率傳導(dǎo)理論相符，而對CPI和新房屋投資的影響效果非常有限。

盛松成和吳培新（2008）利用VAR模型實(shí)證分析了我國貨幣政策傳導(dǎo)機(jī)制，指出我國不存在貨幣的利率傳導(dǎo)路徑，央行主要通過二元傳導(dǎo)機(jī)制實(shí)現(xiàn)國民經(jīng)濟(jì)調(diào)控，即通過信貸規(guī)模調(diào)控實(shí)體經(jīng)濟(jì)，貨幣供應(yīng)量調(diào)控金融市場。本文的分析結(jié)果也表明我國央行對實(shí)體經(jīng)濟(jì)的調(diào)控采用“二元調(diào)控模式”，然而不同的是近年來隨著我國貨幣供給內(nèi)生性的增強(qiáng)以及金融改革的深化，央行一方面通過對貨幣數(shù)量工具的調(diào)控，以實(shí)現(xiàn)對一般價(jià)格體系和產(chǎn)業(yè)結(jié)構(gòu)的調(diào)整；另一方面，通過貨幣的價(jià)格工具對貨幣市場的調(diào)控，貨幣政策的利率傳導(dǎo)機(jī)制正在形成。

四、結(jié)論

通過引入智能科學(xué)領(lǐng)域的關(guān)于殘差非正態(tài)分布回歸模型的建模方法，本文對我國貨幣傳導(dǎo)機(jī)制的有效性進(jìn)行了實(shí)證檢驗(yàn)，結(jié)果說明在過去的11年內(nèi)，央行的貨幣政策為“二元調(diào)控模式”，而這種調(diào)控模式是基于我國目前金融市場不成熟、利率未完全市場化，以及信貸市場和貨幣市場割裂等現(xiàn)狀下的現(xiàn)實(shí)選擇。但是，隨著金融改革的深入，提高貨幣政策傳導(dǎo)機(jī)制的效率將成為重點(diǎn)，貨幣政策的數(shù)量工具必然逐漸向價(jià)格工具轉(zhuǎn)變。這就要求盡快實(shí)現(xiàn)我國利率體系的全面市場化，形成以市場機(jī)制為主導(dǎo)的多層次、多結(jié)構(gòu)的利率體系。

注釋：

①圖2上半部分為六個(gè)變量殘差分布的直方圖，下半部分為六個(gè)變量殘差的分位數(shù)q-q圖，每個(gè)變量的殘差數(shù)據(jù)樣本大小為136。

②樣本總計(jì)136，估計(jì)B采用了Bootstrap方法進(jìn)行了100次迭代抽樣，*表示系數(shù)的t-統(tǒng)計(jì)量在5%統(tǒng)計(jì)水平顯著，**表示系數(shù)在1%統(tǒng)計(jì)水平顯著。

③圖3至圖6的中虛線為采用Bootstrap方法迭代100次抽樣的出的置信區(qū)間，置信度為99%。

參考文獻(xiàn)：

[1]Demiralp， S.， Hoover， K. D. Searching for the Causal Structure of a Vector Autoregression[J].Oxford Bulletin of Economics and statistics，2003，65（s1）：745-767.

[2]Pesaran， H. H.， Shin， Y. Generalized impulse response analysis in linear multivariate models[J].Economics letters，1998，58（1）：17-29.

[3]Shimizu， S.， P. O. Hoyer， A. HYVRINEN， A. Kerminen. A linear non-Gaussian acyclic model for causal discovery[J].Journal of Machine Learning Research， 2006，7：2003-2030.

[4]Gao， Zhe， Wang， Zitian， Wang， Lili， Tan， Shaohua. Linear non-Gaussian causal discovery from a composite set of major US macroeconomic factors[J].Expert Systems with Applications， 2012，39（12）：10867-10872.

[5]Lanne， M.， Andh. LTKEPOHL.Structural vector autoregressions with non-normal residuals[J].Journal of Business and Economic Statistics，2010，28（1）：159-168.

[6]Hyvrinen， A.， Oja， E. Independent component analysis： algorithms and applications[J].Neural networks，2001，13（4）：411-430.

[7]Moneta， A.， Entner， D.， Hoyer， P. O.， Coad， A. Causal Inference by Independent Component Analysis： Theory and Applications[J].Oxford Bulletin of Economics and Statistics， 2013，75（5）： 705-730.

[8]龍瓊?cè)A，伍海華.中國貨幣政策利率傳導(dǎo)機(jī)制的實(shí)證研究： 1998- 2008年[J].青島大學(xué)學(xué)報(bào)：自然科學(xué)版， 2009， 22（4）： 82-87.

[9]劉裕荷.金融市場的波動(dòng)性模型研究[D].西安：西北工業(yè)大學(xué)， 2006.

[10]丁晨， 屠梅曾.論房價(jià)在貨幣政策傳導(dǎo)機(jī)制中的作用——基于 VECM 分析[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究， 2007，24（11）： 106-114.

[11]盛松成，吳培新.中國貨幣政策的二元傳導(dǎo)機(jī)制：“兩中介目標(biāo)， 兩調(diào)控對象”模式研究[J].經(jīng)濟(jì)研究，2008（10）：37-51.

（責(zé)任編輯：關(guān)立新）

四、結(jié)論

通過引入智能科學(xué)領(lǐng)域的關(guān)于殘差非正態(tài)分布回歸模型的建模方法，本文對我國貨幣傳導(dǎo)機(jī)制的有效性進(jìn)行了實(shí)證檢驗(yàn)，結(jié)果說明在過去的11年內(nèi)，央行的貨幣政策為“二元調(diào)控模式”，而這種調(diào)控模式是基于我國目前金融市場不成熟、利率未完全市場化，以及信貸市場和貨幣市場割裂等現(xiàn)狀下的現(xiàn)實(shí)選擇。但是，隨著金融改革的深入，提高貨幣政策傳導(dǎo)機(jī)制的效率將成為重點(diǎn)，貨幣政策的數(shù)量工具必然逐漸向價(jià)格工具轉(zhuǎn)變。這就要求盡快實(shí)現(xiàn)我國利率體系的全面市場化，形成以市場機(jī)制為主導(dǎo)的多層次、多結(jié)構(gòu)的利率體系。

注釋：

①圖2上半部分為六個(gè)變量殘差分布的直方圖，下半部分為六個(gè)變量殘差的分位數(shù)q-q圖，每個(gè)變量的殘差數(shù)據(jù)樣本大小為136。

②樣本總計(jì)136，估計(jì)B采用了Bootstrap方法進(jìn)行了100次迭代抽樣，*表示系數(shù)的t-統(tǒng)計(jì)量在5%統(tǒng)計(jì)水平顯著，**表示系數(shù)在1%統(tǒng)計(jì)水平顯著。

③圖3至圖6的中虛線為采用Bootstrap方法迭代100次抽樣的出的置信區(qū)間，置信度為99%。

參考文獻(xiàn)：

[1]Demiralp， S.， Hoover， K. D. Searching for the Causal Structure of a Vector Autoregression[J].Oxford Bulletin of Economics and statistics，2003，65（s1）：745-767.

[2]Pesaran， H. H.， Shin， Y. Generalized impulse response analysis in linear multivariate models[J].Economics letters，1998，58（1）：17-29.

[3]Shimizu， S.， P. O. Hoyer， A. HYVRINEN， A. Kerminen. A linear non-Gaussian acyclic model for causal discovery[J].Journal of Machine Learning Research， 2006，7：2003-2030.

[4]Gao， Zhe， Wang， Zitian， Wang， Lili， Tan， Shaohua. Linear non-Gaussian causal discovery from a composite set of major US macroeconomic factors[J].Expert Systems with Applications， 2012，39（12）：10867-10872.

[5]Lanne， M.， Andh. LTKEPOHL.Structural vector autoregressions with non-normal residuals[J].Journal of Business and Economic Statistics，2010，28（1）：159-168.

[6]Hyvrinen， A.， Oja， E. Independent component analysis： algorithms and applications[J].Neural networks，2001，13（4）：411-430.

[7]Moneta， A.， Entner， D.， Hoyer， P. O.， Coad， A. Causal Inference by Independent Component Analysis： Theory and Applications[J].Oxford Bulletin of Economics and Statistics， 2013，75（5）： 705-730.

[8]龍瓊?cè)A，伍海華.中國貨幣政策利率傳導(dǎo)機(jī)制的實(shí)證研究： 1998- 2008年[J].青島大學(xué)學(xué)報(bào)：自然科學(xué)版， 2009， 22（4）： 82-87.

[9]劉裕荷.金融市場的波動(dòng)性模型研究[D].西安：西北工業(yè)大學(xué)， 2006.

[10]丁晨， 屠梅曾.論房價(jià)在貨幣政策傳導(dǎo)機(jī)制中的作用——基于 VECM 分析[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究， 2007，24（11）： 106-114.

[11]盛松成，吳培新.中國貨幣政策的二元傳導(dǎo)機(jī)制：“兩中介目標(biāo)， 兩調(diào)控對象”模式研究[J].經(jīng)濟(jì)研究，2008（10）：37-51.

（責(zé)任編輯：關(guān)立新）

四、結(jié)論

通過引入智能科學(xué)領(lǐng)域的關(guān)于殘差非正態(tài)分布回歸模型的建模方法，本文對我國貨幣傳導(dǎo)機(jī)制的有效性進(jìn)行了實(shí)證檢驗(yàn)，結(jié)果說明在過去的11年內(nèi)，央行的貨幣政策為“二元調(diào)控模式”，而這種調(diào)控模式是基于我國目前金融市場不成熟、利率未完全市場化，以及信貸市場和貨幣市場割裂等現(xiàn)狀下的現(xiàn)實(shí)選擇。但是，隨著金融改革的深入，提高貨幣政策傳導(dǎo)機(jī)制的效率將成為重點(diǎn)，貨幣政策的數(shù)量工具必然逐漸向價(jià)格工具轉(zhuǎn)變。這就要求盡快實(shí)現(xiàn)我國利率體系的全面市場化，形成以市場機(jī)制為主導(dǎo)的多層次、多結(jié)構(gòu)的利率體系。

注釋：

①圖2上半部分為六個(gè)變量殘差分布的直方圖，下半部分為六個(gè)變量殘差的分位數(shù)q-q圖，每個(gè)變量的殘差數(shù)據(jù)樣本大小為136。

②樣本總計(jì)136，估計(jì)B采用了Bootstrap方法進(jìn)行了100次迭代抽樣，*表示系數(shù)的t-統(tǒng)計(jì)量在5%統(tǒng)計(jì)水平顯著，**表示系數(shù)在1%統(tǒng)計(jì)水平顯著。

③圖3至圖6的中虛線為采用Bootstrap方法迭代100次抽樣的出的置信區(qū)間，置信度為99%。

參考文獻(xiàn)：

[1]Demiralp， S.， Hoover， K. D. Searching for the Causal Structure of a Vector Autoregression[J].Oxford Bulletin of Economics and statistics，2003，65（s1）：745-767.

[2]Pesaran， H. H.， Shin， Y. Generalized impulse response analysis in linear multivariate models[J].Economics letters，1998，58（1）：17-29.

[3]Shimizu， S.， P. O. Hoyer， A. HYVRINEN， A. Kerminen. A linear non-Gaussian acyclic model for causal discovery[J].Journal of Machine Learning Research， 2006，7：2003-2030.

[4]Gao， Zhe， Wang， Zitian， Wang， Lili， Tan， Shaohua. Linear non-Gaussian causal discovery from a composite set of major US macroeconomic factors[J].Expert Systems with Applications， 2012，39（12）：10867-10872.

[5]Lanne， M.， Andh. LTKEPOHL.Structural vector autoregressions with non-normal residuals[J].Journal of Business and Economic Statistics，2010，28（1）：159-168.

[6]Hyvrinen， A.， Oja， E. Independent component analysis： algorithms and applications[J].Neural networks，2001，13（4）：411-430.

[7]Moneta， A.， Entner， D.， Hoyer， P. O.， Coad， A. Causal Inference by Independent Component Analysis： Theory and Applications[J].Oxford Bulletin of Economics and Statistics， 2013，75（5）： 705-730.

[8]龍瓊?cè)A，伍海華.中國貨幣政策利率傳導(dǎo)機(jī)制的實(shí)證研究： 1998- 2008年[J].青島大學(xué)學(xué)報(bào)：自然科學(xué)版， 2009， 22（4）： 82-87.

[9]劉裕荷.金融市場的波動(dòng)性模型研究[D].西安：西北工業(yè)大學(xué)， 2006.

[10]丁晨， 屠梅曾.論房價(jià)在貨幣政策傳導(dǎo)機(jī)制中的作用——基于 VECM 分析[J].數(shù)量經(jīng)濟(jì)技術(shù)經(jīng)濟(jì)研究， 2007，24（11）： 106-114.

[11]盛松成，吳培新.中國貨幣政策的二元傳導(dǎo)機(jī)制：“兩中介目標(biāo)， 兩調(diào)控對象”模式研究[J].經(jīng)濟(jì)研究，2008（10）：37-51.

（責(zé)任編輯：關(guān)立新）