基于贝叶斯SV模型的通货膨胀水平与不确定性关系研究
开篇：润墨网以专业的文秘视角，为您筛选了一篇基于贝叶斯SV模型的通货膨胀水平与不确定性关系研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！
摘要：本文针对我国通货膨胀水平与不确定性的时变性特征，分别建立了随机波动均值模型和非对称随机波动均值模型，在MCMC稳态模拟的框架下研究了我国通货膨胀水平与不确定性的动态关系。研究结果表明：我国通货膨胀不确定性中具有明显的持续性特征，并且通胀水平中虽然不存在与金融资产价格运动类似的杠杆效应，但是正向冲击增加了经济行为主体对未来不确定性的预期，由此将导致明显的“示范效应”和“追涨效应”；特别是风险溢出系数的贝叶斯估计为正，反映了通胀不确定性对通胀水平的正向影响作用，说明我国目前的货币政策框架中含有相机抉择的成分因素，并从经济学角度对比了不同货币政策框架下的行为表现。
关键词：通货膨胀水平，不确定性，随机波动模型，MCMC模拟，Gibbs抽样
中图分类号：F222.3,0212 文献标识码：A
Dynamic Relationship between Inflation Rate and Uncertainty in China：Based on the Bayesian Stochastic Volatility Models
ZHU Huiming1, HAO Liya1, GUAN Haoyun1, ZENG Zhaofa2
(1 College of Business Administration, Hunan University, Changsha 410082, China; 2 College of Finance and Statistics, Hunan University, Changs 410079, China)
Abstract：To investigate the dynamic relationship of the inflation and inflation uncertainty in China, the sv-M model and the ASV-M model have been employed considering the monthly data from January 1990 to January 2010. The MCMC method has been utilized to estimate both of the stochastic volatility kind models. The empirical results provided here give the evidence that the persistence of inflation uncertainty and the positive direction effect of inflation uncertainty innovations on inflation are supported in ASV-M model. Moreover, the ASV-M model can catch the asymmetry correlation between the inflation and inflation uncertainty. The positive asymmetry parameter means that there is no leverage effect in inflation which exists in financial return. What’s more important, the risk premium coefficient which captures the volatility-in-mean effect is greater than 0. It shows that innovations in inflation volatility increases inflation persistently which is the same as the Cukierman and Meltzer’s viewpoint. In addition, the impulse response function of the binary VAR model implies the opportunistic central bank behavior existing in the money policy making process in China. We also compare the action of different monetary policies.
Key Words：Inflation rate, Uncertainty, Stochastic volatility model, MCMC simulation, Gibbs sampling
一、引言
通货膨胀预期与不确定问题，历来是经济管理决策、经济行为主体和宏观经济学家关注的焦点问题。长期以来，通货膨胀及其所引起的社会成本和福利损失方面的问题引起了人们的广泛关注，对于通货膨胀是否会对经济增长产生不利影响，学术界观点不一，然而，目前研究者们已经达成的一个共识是：通货膨胀的不确定性对经济增长会产生不利影响。这可以从两个方面进行解释：一方面，通货膨胀不确定性的发生将使得价格信号失真，导致经济行为主体难以把相对价格方面的变化同一般价格水平方面的变化区别开来，从而引起决策错误。另一方面，通货膨胀不确定性改变了社会的风险投资意识，因此经济行为主体会更专注于短期利润而忽视长期效益，从而造成整个经济系统资源配置效率的下降，成为通货膨胀或者紧缩的新的诱因，致使社会财富遭受重大损失。由此可见，由通货膨胀导致的社会成本和福利损失的重要原因在于它的不确定性。
诺贝尔奖获得者Friedman[1]在1977年指出：通货膨胀率水平与其波动之间存在正向相关的关系，即高的通货膨胀率水平会引起未来发生更大的通货膨胀波动并由此导致更低的产出增长和经济的非效率。Ball[2]从信息不对称博弈论的角度进一步论证了Friedman 的观点，因为公众不知道强硬的政策制定者何时会执政并实施降低通货膨胀的政策。Friedman与Ball的观点被称为Friedman-Ball假说。如果这种假说成立，则由于不确定性与通胀的正向关系使得通胀不确定性成本可以代替通胀的成本，因此稳定价格便成为减少不确定性的重要方法。与Friedman-Ball假说类似，Golob[3]认为反通货膨胀政策作用的时间是不确定的，这也成为导致通胀水平和不确定性的正相关关系的一个因素。另一方面，Holland[4]将这种正相关关系的原因解释为经济行为主体无法准确预知货币供应量的改变对价格水平的影响。然而，Cukierman和Meltzer[5-6]在研究通货膨胀波动对未来通货膨胀率水平的影响时提出：通货膨胀水平与不确定性作用的方向与Friedman-Ball假设相反，即高度的通货膨胀不确定性会由于中央银行行为的不确定性最终促使通货膨胀率上升。Cukierman和Meltzer对这一过程的解释为：货币政策当局有追求保持低通货膨胀和利用不可预期的通货膨胀刺激经济的双重目标，因此为了最大化其政策目标函数，将会充分利用公众对货币增长和通货膨胀的不确定性，一方面通过扩张性货币政策引起通货膨胀，刺激经济增长；另一方面要防止货币增长过快，这样最终达到一种最优的通货膨胀率，从而形成了通胀不确定性与通胀水平的正向相关性。Cukierman和Meltzer的研究表明，当货币政策当局具有充分自由进行政策制定和调控时，往往不会选择最优的调控政策，而是为短期稳定目标留有一定的余地，即采用具有“相机抉择”特征的货币政策框架。
在实证方面，学术界对通货膨胀水平与不确定性的关系进行了大量的研究，但是结论并不一致。综合这方面的文献可以看出，这种不同的实证结果除了与不同研究对象的经济状况以及政策体制相关以外，计量工具和方法的选择也是造成这种不一致的主要原因。例如，早期的文献采用样本方差或均方通胀率代表波动性指标，使用横截面数据考察多个国家通胀水平及其波动性的相关性，这类研究结果均表明通胀均值和波动性之间存在强的正相关性[7-9]。然而，这种不确定性的度量方式无法区分可预测波动与不可预测波动，而可预测波动部分并不构成通胀的不确定性，这是该方法的主要缺陷。随着经济计量技术的发展，Engle[10]利用条件异方差模型（ARCH）对英国和美国通货膨胀的易变性进行了实证研究，估计出非预期通胀的方差序列，他的经验研究并不支持Friedman-Ball假说。在GARCH模型的框架下，一步向前的条件方差代表不可预测的通胀新息的波动性，它是事先的方差而不是像移动平均标准差那样的事后方差，因此能够更好地反映通货膨胀不确定性。采用GARCH模型分析通货膨胀水平与不确定性关系的文献，部分采用两步检测方法，如Grier和Perry[11]分析了西方七国集团1948-1993年的通货膨胀水平与不确定性的关系，结论表明七个国家高通货膨胀全部都伴随有高度的通货膨胀不确定性，日本、法国的情况也支持Cukierman-Meltzer的研究结论。类似的研究如Komain和Timothy[12]、Guglielmo和Alexandros[13]等。另一方面，均值GARCH模型（GARCH-M）的发展为这方面的研究工作提供了一个新的思路。在这类模型中，条件均值和方差被同步估计，因此比两步检验方法更有效率。例如Stilianos[14]利用GARCH类模型检验了1885-1998年英国的通货膨胀水平与不确定性的相关关系，结论支持Friedman-Ball假说；Bradley[15]运用二元EGARCH-M模型研究战后日本通货膨胀、通货膨胀不确定性和产出增长之间的关系，认为较高的通货膨胀平均水平和较低的经济增长率会导致高的通货膨胀不确定性。
然而，在GARCH类模型中令波动的条件方差服从一个确定的自回归过程，因此波动的改变即是一个已知过程，这与不确定性的概念不符。与GARCH类模型不同，随机波动（SV）模型令条件方差包含某些随机过程的不可见成分，因此波动的改变是随机变化的，而这种随机冲击的性质与程度，也是影响通胀调整的重要因素[16]。相对于GARCH模型，Danielsson[17]和Kim et al.[18]的研究均认为对数正态SV模型在实证检验中优于GARCH类模型。近年来，SV模型的建模与应用研究逐渐得到了学术界的重视，然而主要领域仍集中在期权定价和股票市场的波动性研究，在宏观经济领域还鲜有涉及。其主要原因在于SV模型相对于GARCH类模型估计难度较大，不利于实证分析。自20世纪90年代起，随着贝叶斯统计推断技术与方法的发展，特别是马尔科夫链蒙特卡洛（Markov Chain Monte Carlo, MCMC）稳态模拟技术的应用，解决了SV模型中异常复杂的高维数值计算问题，为这类模型的研究提供了简便有效的途径，从而丰富了SV模型的种类，拓宽了其应用领域。
本文拟利用贝叶斯SV模型研究我国通货膨胀水平与不确定性的动态相关关系，考虑到通货膨胀水平与不确定性的相关关系具有时变性特征，建立SV-M模型对条件均值和条件方差进行联合估计，度量我国的通胀不确定性动态特征。随后对该模型进行拓展，引入能捕捉非对称效应的ASV-M模型，在MCMC稳态模拟的框架下研究了我国通货膨胀水平与不确定性的动态关系。在此基础上，进一步讨论两者之间的短期动态关系以及包含在残差序列中的长期历史信息，并从经济学的角度对该行为特征进行分析。
二、理论模型与MCMC算法设计
标准SV模型由Harvey[19]和Jacquier[20]引入到计量经济学领域，逐步发展成为一类极具应用前景的波动类模型。基本的SV模型形式如下：
其中， 为 时刻的观测变量， 是均值方程的自回归参数， 则为预期观测值； 为潜在波动的对数形式， 为一个鞅差分序列，一般假定其是均值为0、方差为1的高斯白噪声序列，且 与 是相互独立的； 和 代表波动方程的自回归参数， 为扰动项，服从均值为0、方差为 的独立正态分布，且 与 也是相互独立的。此外，为保证波动过程的平稳性，假定 。
在基本SV模型的基础上，为刻画波动与预期观测值的相关关系，可以在均值方程中引入波动项作为均值回复的一个影响因素，由此得到SV-M（stochastic volatility in mean）模型，其状态空间形式如下：
此时，模型的预期观测值为 ，其中 为风险溢出系数，它用来度量波动对预期观测变量的影响，若 ，表示波动和预期观测变量具有正向相关关系， 值的大小表示波动变动一个单位时对预期观测变量的影响程度。
在上述模型中，均假定均值方程和波动方程的扰动项 与 是相互独立的。这种假定条件可以放宽到更一般的情况，即令
此时， 代表两个扰动项之间的相关关系，用来说明利空（观测值为负）或利好（观测值为正）消息对波动影响的非对称性。若 为负值，说明相同强度的冲击，利空消息的冲击对波动的影响大于利好冲击，反之亦然。至此，在（2）式的SV-M模型的基础上考虑这种波动对正向冲击和反向冲击的影响，即得到ASV-M（asymmetric stochastic volatility in mean）模型。
为了便于得到ASV-M模型的似然函数，以下进行一个简单的变换：令 ，则
不难验证，此时 。将（3）式代入模型（2）的均值方程中得到：
结合模型（2）中的波动方程，可得模型的条件似然函数形式为：
由此可得观测变量与潜在波动的联合分布为：
其中， ， 为误差项的协方差矩阵， 代表矩阵的积。根据贝叶斯定理得到潜在波动的后验分布形式：
由模型的结构分析容易看出，似然函数为一个多重积分的过程，具体形式难以直接获得，因此不适合使用极大似然估计方法进行估计。然而在MCMC方法的框架下，参数和状态变量的后验联合分布可以利用Gibbs抽样方法进行估计，即将参数空间扩展为包括状态空间在内的新的参数空间，从而把问题转化为从完全条件后验分布中抽取随机样本。根据贝叶斯定理，参数的完全条件后验分布比较容易获得，通过先验分布的设定，可以设定参数的后验分布的共轭形式，便于进行抽样分析。因此，MCMC模拟的基本思想是：建立马尔科夫链对未知变量的抽样分布进行动态模拟，当链达到稳态分布时即得所求的后验分布，进一步可以利用抽取的样本计算边缘分布以及后验分布的矩。以下我们针对ASV-M模型，设计了模型参数的MCMC稳态模拟，Gibbs抽样步骤为：
重复步骤2-8迭代 次，直至Markov链达到平稳状态，抽样完成后可依据所得的样本 对模型参数的后验分布进行统计推断。
在利用MCMC模拟方法估计模型之前，首先设定参数的先验分布：在波动方程中令 服从均值为0，方差为10的正态分布； 服从参数 的贝塔分布； 服从形状参数为2.5，尺度参数为0.025的伽马分布，以上先验分布的选择依照Kim等[19]的观点，对于模型的其他参数，由于先验信息比较缺乏，所以均采用了低信息先验分布，以尽可能地利用样本数据本身的信息对参数进行估计。
三、实证分析
（一）数据选取与基本统计特征分析
本文使用的通货膨胀率水平（ ）是采用我国消费物价指数（CPI）的对数一阶差分形式表示，研究样本是1990年1月至2010年1月间的月度数据，差分后的样本量为240个。样本选取自1990年是因为我国商品价格自20世纪80年代才逐步放开，此前严格受国家控制。数据来源是国家统计局网站以及《中国统计月报》。CPI以及通货膨胀水平 的时间变化路径如图1所示。
从CPI趋势图可以看出，我国物价水平在过去的20年中，有三次较为明显的峰值，分别是：1994年10月，2004年7月和2008年2月。其中，1992年1月至1996年12月期间，我国经历了较为严重的高通货膨胀，从1997年中后期开始，我国经济实现了“软着陆”，物价水平出现了轻微的通货紧缩，直到2003年下半年才有所缓解，此时通货膨胀率变化又开始出现了攀升势头。特别的，从2007年4月至2008年12月，以猪肉价格为代表的农产品价格的上涨，以及国际市场原油、粮食等初级生产资料价格的上升，致使我国经历了新一轮通货膨胀。对比通货膨胀水平 的时间变化路径可以看出，整体上通货膨胀率波动具有聚集性特征，即通货膨胀期间价格波动程度较高，通货紧缩期间价格的波动程度明显降低，这种变化体现出通货膨胀率的异方差特征。CPI和通胀率 的分布统计特征如表1所示，结合数据的偏度和峰度值容易看出，CPI和通胀率 都具有右偏厚尾特征，并且它们的J-B（Jarque-Bera）检验统计量也都在1%的显著性水平下拒绝了数据服从正态分布的原假设，说明通胀率在少数月份中出现了异常值。
为了检验通货膨胀序列的异方差特征，针对样本均值的偏差序列以及其平方序列分别计算了Ljung-Box Q（Q）统计量，表2中的Q统计量值为了检验序列的前1、2、5阶自相关系数是否显著为0，括号中为相应的P值，容易看出，均值偏差序列和偏差平方序列均具有高阶自相关性，并且Lagrange Multiplier（LM）统计量的值为238.4014，也说明偏差序列显著存在ARCH效应即具有异方差特征。此外，针对序列的平稳性，采用Phillips-Perron（PP）和Augmented Dickey Fuller（ADF）两种方法检验序列是否含有单位根，结果与自相关性检验一致，即序列是平稳的，因此保证只含有时变的随机扰动项。
（二）SV-M模型的MCMC稳态模拟
为了研究通货膨胀水平与不确定性的关系问题，首先建立SV-M模型刻画通货膨胀的不确定性，注意到通货膨胀率是一个平稳过程，根据DIC准则选择AR(2)-SV(1)模型作为基础SV模型，即在理论模型中令 。考虑到通货膨胀水平与不确定性的相关关系具有时变性特征，将基础SV模型拓展为SV-M模型。
采用MCMC算法进行模型推断时，为了消除参数的初始值对模型的影响，对于各个参数分别构造了两条Markov链进行稳态模拟。在Gibbs抽样过程中，先对每个参数进行5000次迭代，以保证参数估计的收敛性，在此基础上再进行50000次迭代，以记录下的样本结果作为参数估计的Monte Carlo试验数据。根据Markov链在平稳状态下的Monte Carlo抽样数据，图2和图3给出了模型参数的后验分布核密度估计图和相应的分位区间估计图，从图中我们可以掌握参数的分布情况，并进行各参数的后验区间估计。
由图2可以看出，模型参数 和 的后验分布具有偏态特征，其他参数的后验分布都具有对称性。这主要是由于参数 和 的Monte Carlo抽样数据中，一侧的极端值出现的概率较大，使后验分布呈现出偏态特征。此外，图3表明各个参数的分位区间估计已经基本趋于平稳，说明各条Markov链已经基本达到平稳状态，所得样本依分布收敛到目标分布，可用于参数估计，同时通过参数 和 的分位区间估计图也可以观察到其后验分布所具有的偏态特征。
综合各个参数的后验分布核密度图，对利用MCMC方法抽样得到的Monte Carlo样本进行进一步的分析，可以得到模型参数的贝叶斯估计值以及相应的分位区间估计。表3给出了我国通货膨胀率的SV-M模型参数的均值、标准差、MC误差、2.5%和97.5%等主要分位数的贝叶斯估计值以及检验Markov链收敛性的Gelman-Rubin（G-R）统计量的值。
从表3可以看出，首先，各个参数的MC误差远小于标准差，G-R检验统计量都在1到1.2之间，可以认为模型各个参数的样本分布已经收敛到其后验分布，即采用MCMC稳态模拟估计模型参数是有效的；第二，波动方程的自回归参数 的贝叶斯后验均值为0.968，表示通货膨胀的不确定具有较强的持续性特征，类似于金融收益率波动的持续性过程；第三，风险溢出系数 的贝叶斯后验均值为5.730，由于 可以用来度量波动对预期观测变量的影响，值为正则说明通胀不确定性对通胀水平具有正向影响，由此可以初步判断Cukierman和Meltzer假说成立。此外，模型的AIC值为-1702.05，残差序列的Q(5)统计量为11.3712，P值为0.04，Jarque-Berra检验统计量为1.3386，相应的P值为0.51，无法拒绝正态分布的原假设，说明模型设定的有效性。
（三）ASV-M模型的MCMC稳态模拟
在上述SV-M模型的基础上，为考察均值方程和波动方程的扰动项 与 之间的相关关系，说明利空（观测值为负）或利好（观测值为正）消息对波动影响的非对称性现象，从而引入了ASV-M模型。对该模型进行MCMC稳态模拟时，同样对于各个参数分别构造两条Markov链，每条链迭代50000次，舍去前10000次进行退火处理，对保存下的样本作为参数估计的Monte Carlo试验数据。图4给出了各个参数的两条Markov链的抽样动态轨迹，各个参数的Markov链较好地磨合在一起，说明抽样链已经基本达到平稳状态。图5和图6则分别给出模型参数的后验分布核密度估计图和相应的分位区间估计图。
由图5和图6可以看出，模型参数 、 和 的后验分布具有较为明显的偏态特征，其他参数的后验分布都具有对称性。同时，各个参数的分位区间估计已经基本趋于平稳，这也说明设置的各条Markov链已经基本达到平稳状态，Monte Carlo样本可用于进行参数的区间估计。对所得样本进一步分析，可以得到模型参数的贝叶斯估计值以及相应的分位区间估计，具体见表4。容易看出，各个参数的MC误差远小于标准差，G-R检验统计量都在1到1.2之间，说明采用MCMC稳态模拟方法的有效性。
对比ASV-M模型和SV-M模型的参数估计结果，可以看出，在ASV-M模型中波动持续性参数 的贝叶斯后验均值为0.978，大于SV-M模型中估计值，说明ASV-M模型能够更好地把握通货膨胀不确定性的持续性特征；风险溢出系数 的贝叶斯后验均值在ASV-M模型中为8.215，也大于SV-M中的相应估计值，说明ASV-M模型能够更好地反映通胀不确定性对通胀水平的正向影响作用；对于反映不确定性估计精度的 值，ASV-M模型中的估计值为0.265，相对于SV-M模型有所降低，说明前者对数据的拟合精度也优于后者。此外，ASV-M模型的AIC值为-1720.9，小于SV-M模型，也说明该模型设定的有效性。进一步对模型进行残差检验，可得残差序列的Q(5)统计量为8.911，相应的P值为0.133，说明模型的残差序列不存在显著的自相关性，Jarque-Berra检验统计量为1.923，P值为0.382，不能拒绝正态分布的原假设，由此可见，ASV-M模型更好地刻画了我国通胀率的动态特征。
特别需要说明的是，模型中扰动项的相关系数 的贝叶斯后验均值为0.354，代表不同性质的信息冲击对通货膨胀不确定性影响的非对称作用。由于 值大于零，说明通货膨胀中出现的反向冲击降低了通胀的不确定性程度，而正向冲击则加剧了这种不确定性水平，这也表明通货膨胀率中不存在与金融资产价格运动类似的杠杆效应，这主要是因为商品市场与资产市场的价格调整速度是不同的。在商品市场中，价格成分主要由市场供给和需求调节，市场出清的短边因素在需求方向，因此价格变化以需求驱动为主。然而，经济学中的展望理论（prospect theory）表明：人们强烈厌恶相对损失，一定金额的收益所引起的效用增加低于相同数量的损失所引起的效用减少。这一理论可以用于解释为何工人反感相对损失而强烈抵制工资的减少，而在垄断竞争环境下名义工资的粘性导致名义价格的粘性，从而说明在商品市场中普遍存在着向下的价格粘。正是因为存在价格的向下粘性特征，所以通货膨胀率中的反向冲击带来的不确定性影响较低，而正向冲击则增加了经济行为主体对未来不确定性的预期，而一旦出现了正向冲击，由此导致的“示范效应”和“追涨效应”将是非常明显的，这些都同正向冲击带来的投资扩张等行为有密切关系。由此可见，ASV-M模型所揭示的通货膨胀率的非对称性具有重要的市场机制和政策操作方面的启示。
（四）脉冲响应分析
在利用MCMC方法估计ASV-M模型的基础上，以模型中的潜在波动变量 度量通货膨胀不确定性。这种度量方法使得 包含一个新息过程，能够更好地反映信息冲击对波动影响的动态过程，符合通货膨胀不确定的确切含义。在此基础上，为了进一步讨论通货膨胀水平与不确定性的短期动态关系以及包含在残差序列中的长期历史信息，绘出了60阶滞后的通货膨胀率与不确定性相互作用的脉冲响应函数图：
图7 通货膨胀率与通胀不确定性相互作用的脉冲响应函数
由图7可以看出，通货膨胀率水平的变化对通胀不确定性的影响基本上接近于零，说明 的冲击对 的影响不显著；反过来，给通胀不确定性一个正的冲击，通货膨胀水平在前6期内达到最大值，即在第6期 对 的响应是0.1706，然而这种冲击作用不具有持续性，在50期之后几乎为零。这与SV-M模型和ASV-M模型中的判断是一致的，这些经验结论表明高度的通货膨胀不确定性会促使通货膨胀率上升，反之则没有支持的证据。根据Cukierman和Meltzer的理论观点，说明我国目前的货币政策框架中含有相机抉择的成分因素。从主流的宏观经济学与货币经济学的角度而言，目前经济学家大多认同“货币长期中性、短期非中性”的结论，这也为货币政策的制定在短期内具有一定的灵活性提供了理论基础。从实证经济学的角度，由于金融市场不完全有效和市场参与者在获取价格信息时的不对称性，使得货币政策传导过程并不是畅通无阻的，大量货币会偏离政策目标，在传导过程中“渗漏”出去，迷失于非实体经济，导致了“货币迷失”。伴随着这种现象的出现，自上世纪90年代以来，越来越多的国家与地区以通货膨胀作为货币政策关注的核心变量，采用通货膨胀目标制的货币政策框架[21]。
为了深入说明不同的货币政策框架下的行为表现，在存在通货膨胀粘性的条件下构建货币政策部门的效用函数，以附加预期的菲利普斯曲线和由货币数量方程决定的社会总需求函数为约束组成优化模型，不难证明完全相机抉择和有约束的相机抉择货币政策下的通货膨胀水平分别为：
其中， 代表价格的粘性程度， 反映了政府给予通货膨胀目标的权重， 反映了通货膨胀对过度需求的敏感程度， 为上期通货膨胀率，对应于充分就业的产出水平设定为 。
容易看出，当 时， 。在通货紧缩情况下（ ），有约束的相机抉择下的通货膨胀率高于完全相机抉择下的通货膨胀率水平（ ），能够有效的促使宏观经济走出通货紧缩；而在通货膨胀的情况下（ ），有约束的相机抉择下的通货膨胀率低于完全相机抉择下的通货膨胀水平（ ），又能有效抑制通货膨胀水平。这说明在存在通货膨胀粘性的条件下，有约束的相机抉择货币政策下的通货膨胀波动低于完全相机抉择下的波动。
我国货币政策的中介目标经历了从1984至1993年间主要监测现金计划和信贷计划的现金发行量和信贷规模，到1998年开始以货币供应量管理为主进行间接调控。然而，从每年的中央经济工作会议文件与货币政策执行报告来看，我国的货币政策实质上面临多目标约束，如：物价稳定、促进就业、确保经济增长、支持国有企业改革、配合积极的财政政策扩大内需、确保外汇储备不减少以及保持人民币汇率稳定等等。因此，货币政策部门短期的动态微调政策便是利用公众对货币增长和通货膨胀预期的不确定性，在多个目标中做出权衡，以实现一种快速的政策效果。然而值得注意的是，这种带有相机抉择成分的货币政策容易加剧公众对货币当局公信度和货币政策效果的不确定性，反过来又会影响到通货膨胀预期水平。因此从长期来看，货币政策应给予通货膨胀目标更大的权重，使得在存在通货膨胀粘性的条件下，将通货膨胀波动控制在较低的水平，从而减少社会福利损失。
四、主要结论
本文主要研究了我国通货膨胀水平与不确定性的动态关系问题。针对我国通货膨胀水平与不确定性的相关关系具有时变性特征，本文首先建立了SV-M模型和度量我国的通胀不确定性动态特征。在此基础上，为进一步捕捉这种不确定性对消息的正向冲击和反向冲击的影响将SV-M模型扩展到ASV-M模型。在MCMC稳态模拟方法的框架下，设计了Gibbs抽样算法对我国近20年的通胀水平和不确定性的动态关系进行了实证分析。
模型结果表明：我国通货膨胀不确定性中具有明显的持续性特征，并且不同性质的信息冲击对我国通货膨胀不确定性具有非对称的影响作用，这种非对称性不同于金融资产价格运动中普遍存在的杠杆效应，主要是由于价格的向下粘性特征以及正向冲击带来的投资扩张行为，使得信息的正向冲击增加了经济行为主体对未来不确定性的预期，由此导致了明显的“示范效应”和“追涨效应”。此外，针对通货膨胀水平与不确定性的短期动态关系以及包含在残差序列中的长期历史信息，脉冲响应函数的经验结论表明通货膨胀率水平的变化对通胀不确定性的影响不显著，而给通胀不确定性一个正的冲击，通货膨胀水平在前6期内达到最大值，但是这种冲击作用不具有持续性，根据Cukierman和Meltzer的理论观点，说明我国目前的货币政策框架中含有相机抉择的成分因素。由于在存在通货膨胀粘性的条件下，有约束的相机抉择货币政策下通货膨胀波动低于完全相机抉择下的波动，因此从长期来看，货币政策应给予通货膨胀目标更大的权重，使得在存在通货膨胀粘性的条件下，将通货膨胀波动控制在较低的水平，从而减少社会福利损失。
参考文献
[1] Friedman M. Nobel lecture: inflation and unemployment[J]. Journal of Political Economy. 1977, 85 (3)：451-472.
[2] Ball L. Why does higher inflation raise inflation uncertainty?[J] Journal of Monetary Economics. 1992, 29(3)：371-378.
[3] Golob J. E. Does inflation uncertainty increase with inflation? Federal Reserve Bank of Kansas City[J]. Economic Review. 1994, Third Quarter.
[4] Holland S. Comment on inflation regimes and the sources of inflation uncertainty[J]. Journal of Money, Credit, and Banking. 1993, 25：514-520.
[5] Cukierman A., Meltzer A. A theory of ambiguity credibility and inflation under discretion and asymmetric information[J]. Econometrica. 1986, 54：1099-1128.
[6] Cukierman A. Central Bank Strategy, Credibility and Independence: Theory and Evidence[M]. MIT Press, Cambridge, Mass. 1992.
[7] Foster E. The Variability of Inflation[J]. Reviews of Economics and Statistics. 1978, 60：346-350.
[8] Zarnowitz V., Lambros L. Consensus and uncertainty in economic prediction[J]. Journal of Political Economy. 1987, 95：591-621.
[9] 刘金全. 我国通货膨胀路径的对称性和波动性分析[J]. 中国管理科学, 2002, 10(3)：6-10.
[10] Engle R. Autoregressive conditional heteroskedasticity with estimates of the variance of UK inflation[J]. Economet rica. 1982, 50：987-1008.
[11] Grier K. B., Perry M. J. On inflation and inflation uncertainty in the G7 Countries[J]. Journal of International Money and Finance. 1998, 17(4)：671-689.
[12] Komain J., Timothy P. O. Inflation and inflation uncertainty in the ASEAN-5 economies[J]. Journal of Asian Economics. 2010, 21：105-112.
[13] Guglielmo M. C., Alexandros K. The Euro and inflation uncertainty in the European Monetary Union[J]. Journal of International Money and Finance. 2009, 28：954-971.
[14] Stilianos F. The relationship between inflation and inflation uncertainty in the UK: 18851998[J]. Economics Letters. 2001, 74：77-83.
[15] Bradley K. W. The links between inflation, inflation uncertainty and output growth: New time series evidence from Japan[J]. Journal of Macroeconomics. 2006, 28(3)：609-620.
[16] 王少平, 王津港. 中国通货膨胀的惯性变化及其货币政策含义. 统计研究. 2009, 26(5)：17-24.
[17] Danielsson J. Stochastic volatility in asset prices, estimation with simulated maximum likelihood[J]. Journal of Econometrics. 1994, 64：375-400.
[18] Kim S., Shephard N., Chib S. Stochastic volatility: likelihood inference and comparison with ARCH models[J]. Review of Economic Studies. 1998, 65：361-394.
[19] Harvey A., Ruiz E., Shephard N. Multivariante stochastic variance models[J]. Review of Economic Studies. 1994, 61：247-264.
[20] Jacquier E., Polson N. G., Rossi P. E. Bayesian analysis of stochastic volatility models[J]. Journal of Business & Economic Statistics. 1994, 12(4)：371-388.
[21] 肖曼君. 通货膨胀目标制理论与实证研究综述. 财经理论与实践. 2005, 26(138)：23-26.
注：本文中所涉及到的图表、公式、注解等请以PDF格式阅读原文