Адаптивные ожидания
Моделирование ожиданий часто становится наиболее ответственной и сложной задачей в прикладной экономике. Это особенно верно для макроэкономики, где инвестиции, сбережения и спрос на активы оказываются чувствительными к ожиданиям относительно будущего.
Вводные учебники по макроэкономике, анализируя базовую модель определения доходов (модель IS-LM), рассматривают валовые инвестиции как заданные или по крайней мере как строго убывающую функцию от нормы процента. В итоге остается такая проблема, как исследование воздействия роста государственных расходов на валовой объем производства в рамках предположения о том, что валовые инвестиции реагируют только на норму процента. Однако последнее неверно. Если государство проводит стимулирующую политику, то это оказывает воздействие на ожидания бизнесменов как относительно общего состояния экономики в будущем, так и относительно уровня прибыльности, которые определяют их планы независимо от того, что происходит с нормой процента.Так, например, если в стране наблюдается существенная безработица, то действия правительства могут рассматриваться как позитивные, и это стимулирует инвестиции. С другой стороны, если экономика близка к состоянию полной занятости, то та же самая государственная политика может рассматриваться как ведущая к росту уровня инфляции и это вызовет снижение доверия бизнесменов и падение инвестиционной активности.
Все это создает непростую проблему, что признавал и Дж. М. Кейнс. Перечитайте главы «Общей теории», посвященные инвестициям. Конечно, Дж. М. Кейнс отводил много времени рассмотрению предельной эффективности капитальных вложений, связи инвестиций с нормой процента, но он также делал акцент на зависимости инвестиций от ожиданий, и это не оставляет сомнений в том, что и сам он считал IS-кривую (или то, что мы под ней сейчас понимаем) чрезвычайно подвижной.
К сожалению, в настоящее время отсутствуют удовлетворительные методы измерения ожиданий для решения макроэкономических задач. Как следствие макроэкономические модели не позволяют получать достаточно точные прогнозы, что затрудняет управление экономикой.
В качестве паллиатива решения описанной проблемы в некоторых моделях используется косвенный метод, известный как «процесс адаптивных ожиданий». Этот процесс заключается в простой процедуре корректировки ожиданий, когда в каждый период времени реальное значение переменной сравнивается с ее ожидаемым значением. Если реальное значение оказывается больше, то значение, ожидаемое в следующем периоде, корректируется в сторону его повышения; если меньше — то в сторону уменьшения. Предполагается, что размер корректировки пропорционален разности между реальным и ожидаемым значениями переменной.
Таким образом, если рассматривается переменная х, а х* — ее значение, ожидаемое в период ґ, то
xf+1 - xf = М*, -xf) (0 lt; А lt; 1). (10.26)
Это выражение может быть переписано в виде:
xf+x = Ах, + (1 - A)xf (0 lt; А lt; 1). (10.27)
Выражение (10.27) служит утверждением, что значение переменной, ожидаемое в следующий период времени, формируется как взвешенное среднее ее реального и ожидаемого значений в текущем периоде. Чем больше величина А, тем быстрее ожидаемое значение адаптируется к предыдущим реальным значениям переменной.
Сходство моделей адаптивных ожиданий и частичной корректировки очевидно. Однако следует заметить два различия между ними. Во-первых, процесс адаптивных ожиданий направлен в будущее, в то время как процесс частичной корректировки базируется в основном на инерции и прошлой динамике показателей. Во-вторых, выведение выражения, которое включает только наблюдаемые значения переменной в модели, более гибко, чем в случае модели частичной корректировки.
Предположим, например, что зависимая переменная у, связана с ожидаемым значением объясняющей переменной х в году ґ+ 1:
у, =а + Рх,*+1 +и,. (10.28)
В уравнении (10.28) у выражена через величину х‘+1, которая не наблюдаема и которую необходимо так или иначе заменить наблюдаемыми переменными, т.
е. реальными текущим и (или) прошлыми значениями переменной х и, может быть, прошлыми значениями переменной у. Процесс адаптивных ожиданий, описываемый уравнением (10.26), не позволяет это сделать прямо, поскольку он ставит х\'ж в зависимость частично от наблюдаемых переменных, но частично — и от ненаблюдаемых (х\').Тем не менее если (10.27) выполняется для периода t, то оно также должно выполняться и для периода f — 1:
Величину xet в уравнении (10.27) можно заметить, но вместо нее появляется
xf+I = Хх, + Х(1 - Х)х,_, + (1 - \\)2xf_x. (10.30)
В выражении (10.29) можно выбрать позапрошлый период и использовать полученный результат для исключения х*,_, ценой введения х%2- Повторив эту процедуру бесконечное число раз, мы получим:
*/+1 =М*/ + (1-Х)х,_, + (1-Х)2х,_2 + ...]. (10.31)
В итоге модель адаптивных ожиданий сводится к утверждению, что ожидаемое значение переменной является взвешенным средним ее прошлых значений с геометрически убывающими весами.
Подставив полученное выражение в (10.28) и заменив (1 —X.) на 5, мы имеем:
у, = а + рХ[х, + 5х,_! + 62х,_2 +...] + и,, (10.32)
откуда видно, что значение * определяется текущим и прошлыми значениями х с лагами, подчиняющимися распределению Койка. Параметры уравнения можно оценить с помощью метода нелинейного оценивания, описанного в разделе 10.2. (Преобразование Койка позволяет упростить уравнение математически, но оно неприменимо в качестве модели регрессии по причинам, уже обсуждавшимся в этом разделе.)