Oczekiwania adaptacyjne z uczeniem jako alternatywa dla
Transkrypt
Oczekiwania adaptacyjne z uczeniem jako alternatywa dla
Uniwersytet Warszawski Wydział Nauk Ekonomicznych Grzegorz Ogonek Oczekiwania adaptacyjne z uczeniem jako alternatywa dla racjonalnych oczekiwań w modelach ekonometrycznych. Autoreferat rozprawy doktorskiej Rozprawa doktorska wykonana została pod kierunkiem prof. dr hab. Wojciecha Maciejewskiego Warszawa, 2010 Wstęp Rozwój w zakresie modelowania oczekiwań jest ważny z uwagi na ich wszechobecność we współczesnej ekonomii. Towarzyszą od zawsze makroekonomii (choć nie od razu doszło do ich endogenizacji w modelach), obficie występują w finansach, pozwalają na pełniejszy opis zachowania jednostek badanych przez mikroekonomię. Obecnie obowiązującą w głównym nurcie ekonomii koncepcją formowania oczekiwań są racjonalne oczekiwania. Stosowanie racjonalnych oczekiwań, nie daje jednak satysfakcjonujących rezultatów w empirycznym modelowaniu zjawisk gospodarczych. Co prawda wyparły one oczekiwania adaptacyjne z dużych empirycznych modeli makroekonomicznych, ale poszukiwanie bardziej przystającego do rzeczywistości rozwiązania w sferze modelowania oczekiwań jest wciąż zasadne. Oczekiwania adaptacyjne z uczeniem, które są przedmiotem tej pracy, pojawiły się na początku lat 80-tych XX wieku jako odpowiedź na niedogodności w stosowaniu racjonalnych oczekiwań. Krytyka racjonalnych oczekiwań objęła m.in. założenia co do posiadanej przez podmioty informacji oraz umiejętności znajdowania rozwiązań modeli. Wątpliwości budziło też w jaki sposób podmioty miałyby dochodzić do pełnej wiedzy o otaczającym je systemie. Oczekiwania adaptacyjne z uczeniem można traktować jako dopuszczalne rozwiązanie tej kwestii. Badania przeprowadzane w latach 80-tych miały ustalić czy oczekiwania adaptacyjne z uczeniem mogą służyć jako uzasadnienie stosowania racjonalnych oczekiwań – wypełnić lukę w koncepcji racjonalnych oczekiwań związaną z gromadzeniem i przetwarzaniem informacji przez podmioty zainteresowane rozpoznaniem jak działa system, w którym się znajdują. Oczekiwania adaptacyjne z uczeniem stanowiły rozwinięcie oczekiwań adaptacyjnych. Te ostatnie dominowały w ekonomii do czasu gdy ich użyteczność została poważnie podważona przez kryzys naftowy z lat 70-tych XX wieku. Okazało się wtedy, że analiza skutków polityk gospodarczych wymaga dokładniejszego wymodelowania zachowań podmiotów, a krytyka Lucasa w ogóle przekreślała możliwość korzystania z dotychczasowych modeli przy analizie skutków zmian strukturalnych. Funkcję podstawowej koncepcji oczekiwań przejęły wtedy racjonalne oczekiwania i aż do dziś trudno powątpiewać w ich duże znaczenie dla ekonomii i odmawiać im tej funkcji. Równolegle rozwijały się oczekiwania adaptacyjne z uczeniem, jako modyfikacja oczekiwań adaptacyjnych z lat 50-tych i 60-tych XX wieku mająca za zadanie wypełnić luki występujące w racjonalnych oczekiwaniach związane z ich pochodzeniem. Początkowo badania prowadzone były w stronę ustalenia czy i pod jakimi warunkami występuje zbieganie modelu z oczekiwaniami adaptacyjnymi z uczeniem do rozwiązania takiego samego jak przy racjonalnych oczekiwaniach. Później zaczęto się też zastanawiać nad możliwością wdrożenia oczekiwań adaptacyjnych z uczeniem do modeli ekonometrycznych. Okoliczności gospodarcze sprzyjają uzyskaniu szerszego poparcia wśród ekonomistów dla alternatyw wobec racjonalnych oczekiwań, tak jak kryzys naftowy pomógł dokonać rewolucji racjonalnych oczekiwań. Obecny globalny kryzys mimo poważnych i szeroko zakrojonych skutków nie został przewidziany przez ekonomistów. W ocenie Krugmana (2009) winne są właśnie racjonalne oczekiwania jako narzędzie tak wyidealizowane, że aż nie pasujące do rzeczywistego przebiegu zjawisk gospodarczych i prowadzące do fałszywych wniosków. Rodzi to wzmożone zainteresowanie alternatywnymi koncepcjami takimi jak oczekiwania adaptacyjne z uczeniem. W pracy zestawiam racjonalne oczekiwania i oczekiwania adaptacyjne z uczeniem i próbuję ustalić, które z nich powinny być wykorzystywane w modelach opartych na danych empirycznych. Hipotezy i cel pracy Praca miała ustalić czy oczekiwania adaptacyjne z uczeniem stanowią alternatywę dla racjonalnych oczekiwań, to znaczy czy można je traktować jako równorzędną racjonalnym oczekiwaniom metodę formowania oczekiwań. Celem pracy było wykazanie przewagi jednej metody formowania oczekiwań nad drugą w obszarze modeli ekonometrycznych i w prognozowaniu na ich podstawie, a także wskazanie obszarów, gdzie jedna wersja oczekiwań służyłaby badaczowi lepiej niż druga. Główna hipoteza została sformułowana w następujący sposób: Czy wprowadzenie w ramach modelu makroekonometrycznego oczekiwań adaptacyjnych z uczeniem w miejsce racjonalnych oczekiwań istotnie poprawia jakość uzyskiwanych prognoz? Pozostawienie hipotezy głównej w postaci nawiązującej do tytułu rozprawy o możliwości potraktowania oczekiwań adaptacyjnych z uczeniem jako alternatywy dla racjonalnych oczekiwań wydało się zbyt mało konkretne. Hipoteza główna została więc przeformułowana do postaci umożliwiającej użycie metod ilościowych: czy wprowadzenie w ramach modelu makroekonometrycznego oczekiwań adaptacyjnych z uczeniem w miejsce racjonalnych oczekiwań istotnie poprawia jakość uzyskiwanych prognoz. Hipotezy robocze występują w pracy w postaci pytań badawczych. Tu przedstawione są w postaci stwierdzeń. Miały za zadanie uzasadnić podjęcie tematu związanego z oczekiwaniami oraz wyodrębnić interesujący mnie zakres z obszaru modelowania oczekiwań. Hipotezy robocze to: H1: Oczekiwania mają wpływ na kształtowanie się wartości zmiennych makroekonomicznych na gruncie teorii. (pytanie wstępne, otwierające drogę do analizy dwóch wersji modelowania oczekiwań) H2: Obecność oczekiwań adaptacyjnych z uczeniem rzutuje na zachowanie się zmiennej, wobec której te oczekiwania są formowane. H3: Istnieje związek między oczekiwaniami adaptacyjnymi z uczeniem a występowaniem efektów ARCH. H4: „Skoki” prognoz wywołane obecnością racjonalnych oczekiwań należy uznać za wadę racjonalnych oczekiwań. Konstrukcja pracy pozwoliła na weryfikację hipotez roboczych w osobnych podrozdziałach: H1 w Rozdziale 1, H2 w podrozdziale 3.5, natomiast H3 w podrozdziale 3.6. H4 dotyczy podstawowego zarzutu wobec racjonalnych oczekiwań stawianego na gruncie ekonometrii stosowanej. Rozstrzygnięcie na ile skoki prognoz można uznać za wadę uznałem za ważny element na drodze do weryfikacji hipotezy głównej, dlatego tej hipotezie roboczej został podporządkowany zarówno podrozdział 4.3 (ilustracja zjawiska) jak i 4.4 (podważenie jednoznacznego traktowania wywołanych przez obecność racjonalnych oczekiwań w modelu skoków prognoz jako wady). Konstrukcja pracy Praca składa się z czterech rozdziałów wraz z podsumowaniem. Rozdział 1 zawiera wskazania na obecność oczekiwań w konkretnych obszarach ekonomii, ustala ich dużą wagę i nadaje sens badaniom mającym na celu postęp na polu modelowania oczekiwań. W podrozdziałach przyglądam się roli oczekiwań w rozwoju koncepcji krzywej Phillipsa, wspominam o znaczeniu oczekiwań na rynkach finansowych, zarówno dla wyceny instrumentów jak i dla dynamiki cen. Oprócz tego oddzielny podrozdział przyznany został oczekiwaniom inflacyjnym, przykładowym modelom teoretycznym, które je uwzględniają oraz ich cesze samospełniania się. Rozdział 2 przedstawia historię myśli ekonomicznej w zakresie oczekiwań oraz rozwija temat racjonalnych oczekiwań, ich obecności w dużych modelach makroekonometrycznych oraz sposobów rozwiązywania takich modeli. Rozdział kończy krytyka racjonalnych oczekiwań otwierająca pole dla wprowadzenia potencjalnej alternatywy w postaci oczekiwań adaptacyjnych z uczeniem. To im poświęcony jest Rozdział 3. W Rozdziale 3 zaprezentowana została alternatywa dla racjonalnych oczekiwań – oczekiwania adaptacyjne z uczeniem. Oprócz ich historii i obecnych w literaturze ustaleń teoretycznych dodane są też opisy własnych badań nad właściwościami procesów, które działają w oparciu o mechanizm uczenia się, w tym szczególną uwagą objęte jest zagadnienie obecności oczekiwań adaptacyjnych z uczeniem w modelu jako przyczyny obecności efektów ARCH w zmiennych wobec których formułowane są oczekiwania. Rozdział 4 to omówienie postaci, wykonania i wniosków z czterech empirycznych badań własnych w zakresie estymacji modeli z oczekiwaniami adaptacyjnymi z uczeniem, zbiegania do racjonalnych oczekiwań, porównania jakości prognoz z modeli zawierających obydwa konfrontowane podejścia do oczekiwań podmiotów gospodarczych. Wreszcie, opisany został także wielorównaniowy model dla gospodarki Polski, który pozwolił zilustrować „skoki prognoz” – zjawisko związane z wprowadzeniem do modelu racjonalnych oczekiwań. Dało to impuls do przeprowadzenia czwartego z omawianych badań własnych, dotyczącego możliwości statystycznego wykrycia pewnej cechy prognoz określonej przeze mnie jako „nieśmiałość”. Podsumowanie zawiera zestawienie uwag związanych z działaniem i wykorzystaniem obydwu konfrontowanych form oczekiwań oraz wniosek co do możliwości substytucji racjonalnych oczekiwań oczekiwaniami adaptacyjnymi z uczeniem. W szczególności wskazane są różnice w zakresie możliwości analizy przebiegu dostosowań na drodze do nowej równowagi, ale także aspekty techniczne obu podejść. Oczekiwania adaptacyjne z uczeniem W dalszej części autoreferatu przybliżam pojęcie oczekiwań adaptacyjnych z uczeniem oraz przedstawiam wyniki badań własnych, zarówno badań symulacyjnych skupionych na ustaleniu własności procesów z oczekiwaniami adaptacyjnymi z uczeniem, jak i badań empirycznych. Oczekiwania adaptacyjne dominowały w latach 50-tych i 60-tych XX w. Zawdzięczają one swoją nazwę założeniu, że podmioty adaptują się do otoczenia gospodarczego. Dzieje się to przez wykorzystanie informacji zawartej w błędach dotychczasowych prognoz podmiotów. Poprzednio użyta prognoza korygowana jest o ustaloną część popełnionego okres wcześniej błędu przy prognozowaniu. Kontroluje to parametr λ we wzorze (1), w którym yte oznacza oczekiwania co do wartości jaka przyjmie zmienna y w okresie t. Wraz z wprowadzeniem oczekiwań adaptacyjnych podmioty dostały zatem możliwość dostosowywania przewidywań dzięki wiedzy o skuteczności swoich dotychczasowych wysiłków w kierunku przewidywania przyszłości. Można powiedzieć, że występujące w modelach podmioty uzyskały umiejętność „uczenia się na własnych błędach”. yte = yte−1 + λ ( yt −1 − yte−1 ) (1) Mechanizm adaptacyjnych oczekiwań można uzupełnić wprowadzając inne zmienne. Marey (2004, s. 11) określa takie oczekiwania jako regresywne. Zachowane jest w nich to, że podawana jest sztywna reguła (tj. z ustalonymi z góry i znanymi parametrami) oparta wyłącznie o przeszłe lub bieżące dane. Jako równanie oddające sposób myślenia podmiotów o przyszłości mógł występować dowolny model jednej zmiennej (np. empiryczne odzwierciedlenie pewnej teorii, model z zakresu analizy szeregów czasowych, jak ARMA - autoregressive moving average, ADL - autoregressive distributed lags, czy też wreszcie średnia ze wszystkich dostępnych obserwacji zmiennej objaśnianej, czyli estymator MNK dla modelu z samą stałą). W tej rozprawie używam terminu „oczekiwania adaptacyjne” w tak rozszerzonym sensie. Wyróżnikiem oczekiwań adaptacyjnych w szerszym sensie było wykorzystanie wyłącznie wiedzy z przeszłości, a więc patrzenie przez podmioty wstecz w celu przewidzenia przyszłych wartości zmiennych, dlatego też taką klasę oczekiwań zwykło się nazywać oczekiwaniami patrzącymi wstecz (backward-looking expectations). Krytyka oczekiwań adaptacyjnych dotyczyła popełniania systematycznych błędów przez podmioty np. w przypadku prognozowania zmiennej z trendem lub po dużym jednorazowym zaburzeniu. Muth (1961) zaproponował hipotezę, że prognozy podmiotów są „tożsame z przewidywaniami odpowiedniej teorii ekonomicznej stojącej za danym modelem”. Jak podkreślił Lucas (1978, s.1429) hipoteza racjonalnych oczekiwań w postaci zaproponowanej przez Mutha nie dotyczyła zachowań podmiotów (ta jak to się dzieje, gdy np. zakładamy, że podmioty maksymalizują funkcję użyteczności), ale uzyskiwanych wyników – wyników działania procesu, który w tej hipotezie nie jest określony, a dotyczy sposobu postrzegania otoczenia przez podmioty, przetwarzania informacji, uczenia się, adaptowania. Oczekiwania adaptacyjne z uczeniem były próbą złagodzenia restrykcyjności racjonalnych oczekiwań poprzez wskazanie drogi podmiotów gospodarczych do poznania rzeczywistych mechanizmów funkcjonowania systemu, w którym działają. Sama hipoteza racjonalnych oczekiwań nie mówi nic o tym jak miałoby wyglądać dochodzenie podmiotów umiejętności formułowania racjonalnych oczekiwań – skupia się jedynie na konsekwencjach posiadania przez nie pełnej wiedzy. W tej sytuacji zasadne jest uzupełnienie koncepcji racjonalnych oczekiwań o metodę, która nie zakłada pełnej wiedzy, ale pozwala podmiotom przez powtarzane regularnie proste zabiegi do niej dochodzić w miarę jak gromadzona jest coraz większa ilość informacji o systemie i jego sposobie działania. Załóżmy, że zachowanie systemu opisane jest przez faktyczną dynamikę określaną w literaturze jako ALM (actual law of motion). ALM rządzi zachowaniem zmiennej y i w tym przykładzie wygląda jak w równaniu (2). Dla uproszczenia przyjęto, że zjawisko opisywane może być jednym równaniem. y t = αy te + βxt + ε t ε t ~ iid (0, σ ε2 ) xt ~ iid (0, σ x2 ) (2) Ext ε t = 0 Niech zmienna y zależy od oczekiwań podmiotów względem niej (uformowanych okres wcześniej) oraz od zmiennej egzogenicznej x z zastrzeżeniem, że jest to zależność stochastyczna. Stąd obecność składnika losowego ε. Zakładamy o nim, że pochodzi z pewnego rozkładu o zerowej wartości oczekiwanej i ustalonej skończonej wariancji. Podobnie zmienna x generowana jest przez proces o stałej i równej zero wartości oczekiwanej oraz pewnej stałej w czasie wariancji. Co więcej o zmiennych x i ε zakładamy, że nie są ze sobą skorelowane, czyli, że w równaniu ALM nie występuje współzależność zmiennych y i x od siebie nawzajem. Założenie o racjonalności oczekiwań zapisane jest w równaniu (3). yte = Eyt (3) Policzenie wartości oczekiwanej obu stron równania ALM pozwala określić równowagę przy racjonalnych oczekiwaniach. W równowadze zmienna y będzie proporcjonalna do wartości oczekiwanej zmiennej x, tak jak to zapisano w równaniu (4). y t* = β 1−α Ext (4) Pozbawienie podmiotów pełnej wiedzy i przyjęcie, że mają one pewne ograniczenia informacyjne to krok w stronę teorii ograniczonej racjonalności (bounded rationality). Prześledźmy sytuację, gdy podmioty nie znają postaci ALM ani występujących w nim parametrów. Podmioty gospodarcze nie znając ALM przyjmują, że interesującym je zjawiskiem wyrażonym przez zachowanie zmiennej y rządzi inna reguła, tzw. PLM (perceived law of motion), czyli postrzegana dynamika systemu. W ogólności ALM i PLM nie pokrywają się ze sobą, a ich pokrycie się będzie charakteryzowało równowagę w tym systemie. O podmiotach zakładamy, że w swoim postrzeganiu otoczenia eksploatują wykryte w danych korelacje, tzn. potrafią wykryć zależność między dwiema zmiennymi (chociażby na bazie wzrokowej identyfikacji zależności na podstawie wykresu rozrzutu czy przebiegu obydwu zmiennych w czasie). W tym przypadku będzie tu chodziło o zależność zmiennych y i x. Jeśli parametr β jest niezerowy to niezerowa będzie też korelacja między y i x. Podmioty wykorzystają swoją umiejętność odnajdywania korelacji i włączą zmienną x do PLM. Dostrzegając zależność między y i x podmioty określą PLM zgodnie z równaniem (5). Należy zwrócić uwagę, że parametr przy zmiennej x jest zmienny w czasie w związku z uczeniem się podmiotów, to jest wykorzystywaniem przez nich do prognozowania tego równania szacowanego na coraz większej próbie. yt = cxt + uˆt at +1 = c (5) Samo wyliczenie wartości oczekiwań podmiotów gospodarczych na okres t dokonuje się zgodnie z równaniem (6) – oczekiwana przez podmioty wartość zmiennej y na okres t wyliczana jest przy użyciu wartości zmiennej x na okres t i oszacowania parametru w oparciu o próbę do okresu t-1 włącznie. yte = at xt (6) Tak więc w każdym okresie stosowana jest w ogólności inna ocena parametru stojącego przy zmiennej x. Obecność w równaniu (6) subskryptu czasu przy parametrze przy zmiennej x oznacza kolejne założenie jakie czynimy: reguła kształtowania oczekiwań przez podmioty może ewoluować w czasie. Przyjmujemy, że podmioty reagują na popełniane przez siebie błędy i aktualizują wartość parametru w swojej regule w miarę pojawiania się kolejnych obserwacji. Innymi słowami, wprowadzamy do naszego przykładu oczekiwania adaptacyjne (a więc oparte na już zaobserwowanych danych) wzbogacone o aspekt uczenia się podmiotów w trakcie akumulowania danych. Pojawia się pytanie czy drogą powiększania próby i powtarzania estymacji błędnie wyspecyfikowanego (bo różnego od ALM) modelu można dojść do równowagi przy racjonalnych oczekiwaniach. Można mieć wrażenie, że to jest w ogólnym przypadku możliwe dzięki zbieżności stosowanego estymatora. Jeśli przyjmiemy, że parametry szacowane są MNK to teoria ekonometrii głosi, że przy spełnionym założeniu użycia prawidłowej postaci funkcyjnej modelu oraz właściwego doboru zmiennych objaśniających estymator jest zgodny, czyli zbiega wraz z powiększaniem się próby do faktycznej wartości parametru (por. np. Mycielski 2008, s. 161166). Badanie symulacyjne Pierwszą część badań własnych stanowiły symulacje stochastyczne ukierunkowane na rozpoznanie wpływu obecności oczekiwań adaptacyjnych z uczeniem na cechy zmiennej, wobec której te oczekiwania są formułowane. Takie prace przeprowadzili Bray, Savin (1986). Rozszerzam ich badanie o nowe statystyki oraz doprecyzowuję osiągnięte przez nich wnioski. Moja symulacja polegała na uzyskaniu dwóch tysięcy obserwacji procesu ε oraz nieskorelowanego z nim procesu x i wykorzystaniu ich do wyliczenia wartości y. Zmienna wyrażająca oczekiwania tworzona jest zgodnie z regułą formowania oczekiwań – jest to szereg czasowy prognoz na jeden okres do przodu z modelu liniowego z jedną zmienną objaśniającą x (bez stałej) szacowanego MNK na całej dostępnej w danej chwili próbie. Parametry, które zostały użyte w pierwszej symulacji zapisane są w równaniu (7). y t = αy te + 0,2 xt + ε t ε t ~ IID(0,1) (7) xt ~ IID(0,16) Ext ε t = 0 Pierwsze dwa oszacowania MNK parametru w regule formowania oczekiwań oparte są wyłącznie na jednej obserwacji (utworzonej przy założeniu braku wpływu oczekiwań). Kolejne oszacowania korzystają już z wszystkich dostępnych w danym momencie czasu obserwacji y i x. Parametr α odpowiedzialny za wpływ oczekiwań na zmienną objaśnianą przebiegał w tym badaniu po wartościach ze zbioru <-5, 3> przy czym w przedziale <-1,2; 1,2> ustalony był mniejszy krok zmian parametru. Takie określenie ram badania pozwoliło na ujawnienie się właściwości procesów opartych o oczekiwania z uczeniem się oraz obserwację znaczenia parametru α i oznaczenie przedziałów dla α, w których statystyczne własności uległy wyraźnej modyfikacji. Wszystkie testy i wyliczenia statystyk były także wykonywane dla przypadku α=0, a więc w modelu pozbawionym wpływu oczekiwań. Ten przypadek był więc punktem odniesienia przy ustalaniu wpływu obecności uczenia się na własności zmiennej y. Obserwacja przykładowych przebiegów w czasie generowanych zmiennych skłoniła mnie do przeanalizowania czy oczekiwania adaptacyjne z uczeniem można traktować jako powód występowania efektów ARCH w zmiennej objaśnianej. Przy oczekiwaniach adaptacyjnych z uczeniem duże losowe zaburzenie będzie miało nie tylko bezpośredni wpływ na zmienną objaśnianą, ale wpłynie także na regułę formowania oczekiwań, gdyż ta zależy od historycznych danych. Zaburzenie przeniesie się na przyszłe okresy przez przesunięcie parametrów reguły (uczenie się) dopóki kolejne niezaburzone obserwacje nie przywrócą stanu wyjściowego. Po dużym zaburzeniu powinien zatem nastąpić okres podwyższonej zmienności zmiennej objaśnianej. Przeprowadzane symulacje wykazały trudny do pominięcia związek oczekiwań adaptacyjnych z uczeniem oraz ARCH, odporny na pomijanie pierwszych obserwacji w próbie i na stosowanie ważonej MNK zamiast zwykłej MNK przy aktualizacji parametrów w regule uczenia się. Wykres 1 Odsetek odrzuceń w teście ARCH(1), uczenie w postaci dyskontowanej MNK 100% 80% 60% 40% 20% 0% -1 -0.8 -0.5 -0.2 0-50 0 50-100 0.2 0.5 0.8 0.9 1 0-500 Źródło: Opracowanie własne. Wykres 1 pokazuje odsetek wykryć efektów ARCH przez test ARCH w danych uzyskanych przy założeniu przy uczeniu się podmioty wykorzystują dyskontowaną MNK (ważoną MNK z wagami malejącymi wraz z odległością w czasie od okresu bieżącego, przy czym wagi układają się w kolejne elementy ciągu geometrycznego o ilorazie mniejszym od jedności). Można także zapytać, czy analizowana forma uczenia się może zaszkodzić stacjonarności zmiennej objaśnianej, która jest zintegrowana stopnia zero dla α równego zero. Test DickeyaFullera w wersji bez stałej w regresji pomocniczej sygnalizuje pewne zaburzenia w stacjonarności gdy próba nie zawiera obserwacji początkowych. Winą można zapewne obarczyć decyzję o stosowaniu testu DF bez stałej. Badany na niestacjonarność szereg nie wykazuje tendencji do wracania do zera, dlatego lepiej było stałą do równania pomocniczego wprowadzić. Wtedy jednak odsetek odrzuceń H0 w teście pierwiastka jednostkowego osiąga 100%. Ten rezultat utrzymuje się nawet wtedy, gdy parametr α opuszcza obszar stabilności oczekiwaniowej. Wykres 2 Odsetek wykrycia stacjonarności przez test DF (bez stałej) dla modelu z uczeniem MNK 100% 80% 60% 40% 20% 0% -1.2 -1 -0.8 -0.6 -0.4 0-50 -0.2 50-100 0 0.2 0.4 0.6 0.8 1 1.2 0-500 Źródło: Opracowanie własne. W badaniu symulacyjnym własności procesów z oczekiwaniami adaptacyjnymi z uczeniem odwołuję się też do pomysłu Timmermanna (1994). Autor ten przypisał oczekiwaniom adaptacyjnym z uczeniem odpowiedzialność za „nadmierną zmienność” (excess volatility) na rynku aktywów. Można to zbadać w ramach zaproponowanego przeze mnie eksperymentu Monte Carlo przez liczenie określonej miary dyspersji zmiennej y przy tych samych realizacjach składnika losowego tylko raz z uruchomionym mechanizmem uczenia się, a raz bez niego. Najmniejsze nawet odejście α powyżej zera skutkuje wzrostem odsetka przypadków, gdzie obecność uczenia się zwiększa wariancję y do poziomów ponad 80%. Jeśli chodzi o ujemne wartości parametru α to wnioski uzależnione są od podejścia do obserwacji początkowych. Bez nich wariancja spada po dodaniu uczenia się, za to z nimi mechanizm bardzo często zwiększa dyspersję. Ujemne wartości parametru α odpowiadają przypadkowi sprzężenia zwrotnego, które nastawione jest na rekompensowanie części popełnionego błędu. Natomiast dodatni parametr α ma odpowiednika w sprzężeniu zwrotnym, które przedłuża zachodzące ruchy powodując przestrzelanie celu i nasilając zmienność. Badania empiryczne Drugą część badań własnych stanowiły cztery badania empiryczne, których tematyka znajdowała się na styku racjonalnych oczekiwań i oczekiwań adaptacyjnych z uczeniem: badanie jakości prognoz kursu walutowego, ilustracja zbiegania oczekiwań adaptacyjnych z uczeniem do racjonalnych oczekiwań na przykładzie empirycznym wraz z zestawieniem jakości prognoz płac, ilustracja problemu skoków w modelu wielorównaniowym zaopatrzonym w racjonalne oczekiwania oraz analiza występowania „nieśmiałości” prognoz w Polsce. Oczekiwania a kurs walutowy Zbadanie potencjału oczekiwań adaptacyjnych z uczeniem w zakresie prognozowania wymaga porównania prognoz uzyskanych różnymi metodami dla tego samego zjawiska. Badanie własne, które ma zilustrować skuteczność prognostyczną uczenia się dotyczyło kursu walutowego – jednej z najmniej przewidywalnych zmiennych z jakimi może mieć do czynienia ekonomista. Pilbeam (1998, s. 231-232) stwierdził m.in. na podstawie wyników Meese, Rogoff (1983), że porażka modeli teoretycznych kursu walutowego w badaniach empirycznych to powszechny wynik a kurs walutowy jest najlepiej przybliżany przez proces błądzenia przypadkowego - kierunek jego zmian jest niemożliwy do przewidywania w sposób systematyczny. Do badania użyto danych miesięcznych, próby od lipca 2000 do lipca 2007, co dało 85 obserwacji. Dane dotyczyły kursu EUR/PLN i poziomów nominalnych stóp procentowych w Polsce i strefie euro. Model wyjściowy, który poddawany był później modyfikacjom, opierał się na koncepcji niezabezpieczonego parytetu stopy procentowej (UIP, Uncovered Interest Parity). To podejście do modelowania kursów walutowych nie jest nowe, ale za to jest gruntownie przebadane. Według badań empirycznych, takich jak Lothian, Wu (2003) niezabezpieczony parytet stopy procentowej działa, ale wyłącznie w długim okresie. Natomiast krótkookresowa dynamika kursu nie jest z nim statystycznie związana. Od strony teoretycznej do prawidłowego działania UIP potrzebne jest przyjęcie założenia o racjonalnych oczekiwaniach oraz o stałej w czasie premii za ryzyko (lub jej braku). Model wyjściowy można zapisać tak jak w równaniu (8), gdzie: s oznacza logarytm kursu walutowego EUR/PLN dla transakcji typu spot; I i I* to nominalne stopy procentowe odpowiednio w kraju (stawka Wibor 1M) i zagranicą (stawka Euribor 1M). Δst = α + β ( I t −1 − I t*−1 ) + ε τ (8) Ratować koncepcję UIP, która zawodzi w krótkim okresie, można dwiema drogami – uchylając jedno z dwóch założeń: o racjonalności oczekiwań albo o stałej w czasie premii za ryzyko. We własnym badaniu empirycznym, porównującym możliwości prognostyczne prostego modelu kursu walutowego po rozbudowaniu go o oczekiwania adaptacyjne z uczeniem, wprowadziłem modyfikacje do modelu wyjściowego dające osiem wersji użytych dalej do porównań. Model wyjściowy nazwany został „UIP”. Modele zawierające mechanizm uczenia się oparty na wykrywanej na bieżąco w danych zależności zmian kursu od różnicy w stopach procentowych między krajami oznaczone zostały przez dodanie do nazwy „LE”1, natomiast ich wariant posiadający składnik losowy w postaci procesu AR(2) przez dodanie „LE!”. Modele, które odrzucały założenie o stałej w czasie premii za ryzyko a w jego miejsce zakładały zależność tejże premii od pozycji na rachunku obrotów bieżących kraju posiadają w nazwie „BOB”. Z kolei modele, w których zmieniająca się w czasie premia za ryzyko opisana została przez nieobserwowalny proces AR(1) mają w nazwie dodane „AR1”.2 Dodatkowo oszacowany i zbadany pod kątem własności prognostycznych został model („beta_t”) o parametrach zmiennych w czasie (fluktuacje dopuszczone zostały w parametrze przy różnicy stóp procentowych) – pozwoliło to na dokładniejsze odseparowanie wpływu implementacji uczenia się, które również wprowadza parametr zmieniający się w czasie, ale sama koncepcja i estymacja przebiegają inaczej w obu przypadkach. Dodane zostały też trzy mechanizmy generowania prognoz naiwnych: „użyj poprzedniej wartości”, „załóż, że pojawi się znowu zmiana dokładnie taka sama jak poprzednio”, „załóż, że powtórzy się procentowa zmiana zaobserwowana poprzednio”, jako punkt odniesienia dla bardziej wyszukanych modeli. Wyniki zawiera Tabela 1. W kolumnach pogrubieniem wyróżniono trzy modele o najlepszym rezultacie według danego kryterium. Pod względem klasycznych miar wyrażających średni popełniany przez metodę prognostyczną błąd (MAE, MAPE, RMSE) najlepszy rezultat zdobył model AR1, jednak niewiele niższą jakość prognoz osiągnęły dwa modele zawierające uczenie się. To co przyciąga uwagę to zajęcie drugiego miejsca pod względem tych miar przez rozwiązanie naiwne proponujące w każdym okresie ostatnio zaobserwowaną wartość. Do tego zróżnicowanie wartości analizowanych statystyk było niewielkie. W sumie jest to więc potwierdzenie hipotezy, że kurs walutowy (w tym przypadku, EUR/PLN) zachowuje się jak błądzenie przypadkowe i trudno zaproponować istotnie lepsze narzędzie do jego prognozowania niż podejście naiwne. Z drugiej strony najgorzej pod względem omawianych miar jakości wypadły pozostałe dwa rozwiązania naiwne, zakładające powtarzanie poprzednich ruchów przez kurs walutowych (nominalnych bądź procentowych). Pod względem wskazywania właściwego kierunku zmian kursu z okresu na okres (kolumna „Znak” w Tabeli 1) najgorzej radzi sobie model UIP oraz prosty model z uczeniem się. Wszystkie modele z wyjątkiem AR1 i LE! wypadają pod kątem tego kryterium gorzej niż wariant naiwny zakładający zawsze zmianę w tym samym kierunku co poprzednio. Ten prawidłowo wskazał kierunek w 60,7% przypadków. Odejście od 50% świadczy o tym, że przy miesięcznej 1 W tych modelach podmioty tworzą prognozy kursu w oparciu o uaktualnianą co okres regresję stopy deprecjacji na różnicy stóp procentowych. 2 Ta modyfikacja reprezentuje podejście ateoretyczne, które zakłada jedynie, że premia za ryzyko cechuje się tym, że bieżąca wartość zależy od wartości z poprzedniego okresu i że nie ma żadnego innego nieobserwowalnego czynnika o takich samych własnościach. Wymaga to użycia modeli przestrzeni stanów z jedną, nieobserwowalną zmienną stanu opisaną procesem AR(1), której przypisuje się w tym konkretnym modelu miano premii za ryzyko. częstotliwości próbkowania ujawniają się na rynku walutowym trendy, o które trudno przy posługiwaniu się na przykład dziennymi kursami zamknięcia. Tabela 1 Porównanie jakości prognoz wariantów modelu niezabezpieczonego parytetu stóp procentowych, prognozy poziomu kursu EUR/PLN Model MAE RMSE MAPE Znak T ineq T bias T var T cov Śr. pozycja RE 0,071 0,084 0,017 0,446 0,010 0,162 0,039 0,799 12,6 RE z restrykcją 0,067 0,081 0,016 0,554 0,010 0,025 0,001 0,974 7,0 UIP 0,069 0,082 0,016 0,446 0,010 0,160 0,042 0,798 11,0 BOB 0,072 0,089 0,017 0,482 0,011 0,167 0,075 0,758 14,3 LE 0,066 0,081 0,016 0,446 0,010 0,002 0,080 0,918 8,5 LE! 0,066 0,078 0,016 0,643 0,009 0,000 0,009 0,991 3,5 LE+BOB 0,068 0,081 0,016 0,464 0,010 0,003 0,016 0,982 7,4 LE!+BOB 0,065 0,079 0,015 0,589 0,009 0,006 0,002 0,992 4,6 AR1 0,063 0,076 0,015 0,661 0,009 0,004 0,031 0,965 3,6 AR1+BOB 0,069 0,083 0,017 0,607 0,010 0,000 0,055 0,945 9,0 LE+AR1 0,072 0,088 0,017 0,500 0,011 0,044 0,044 0,912 12,3 LE+AR1+BOB 0,066 0,083 0,016 0,589 0,010 0,001 0,000 0,998 5,9 beta_t 0,069 0,082 0,017 0,500 0,010 0,138 0,006 0,857 9,6 bez zmian 0,064 0,076 0,015 0,000 0,009 0,002 0,001 0,997 4,4 Ta sama zmiana 0,079 0,094 0,019 0,607 0,011 0,000 0,040 0,960 10,5 Ta sama %zm. 0,079 0,094 0,019 0,607 0,011 0,000 0,041 0,959 11,1 Źródło: Opracowanie własne. Jeśli chodzi o miary zaproponowane przez Theila, to współczynnik nierówności okazał się przyjmować bardzo zbliżone wartości wśród wszystkich wariantów, od 0,009 do 0,011, przy czym znowu najlepszy wynik przypadł w udziale modelom AR1 i LE!. Natomiast dekompozycja błędów prognoz wskazuje na wysoki udział składnika obciążeniowego (bias proportion) tylko w modelach UIP, BOB oraz modelu o parametrach zmiennych w czasie (beta_t). Składnik wariancyjny okazał się być duży w przypadku modeli LE, BOB, LE+AR1, AR1+BOB oraz UIP i w tych przypadkach jego udział był większy niż dla modelu naiwnego postulującego powielanie poprzedniej zmiany przy prognozowaniu. Składnik kowariancyjny, którego udział powinien być jak największy (idealne prognozowanie cechuje wartość 100%) wyglądał podobnie dla większości modeli. Na niekorzyść wyróżniły się modele UIP i BOB, dla których spadł poniżej 80%. Modele o najwyższym poziomie komplikacji, LE!+BOB oraz LE+AR1+BOB osiągnęły wartość taką jak najprostszy wariant naiwny – utrzymania się poprzedniego poziomu – i jednocześnie była to najwyższa osiągana wartość wśród wszystkich wariantów. Ostatnia kolumna tabeli zawiera średnią pozycję osiąganą przez każdy wariant w wszystkich rankingach. Najniższy odczyt ma model LE!. Zaraz za nim znajduje się AR1 a potem pierwszy z wariantów naiwnych. Następnie analiza jakości prognoz została powtórzona z tą różnicą, że modele przewidywać miały stopę deprecjacji z okresu na okres a nie poziom kursu walutowego. Tym razem przewagę uzyskują prostsze wersje modelu z uczeniem się oraz model UIP. Wciąż jednak nie udało się istotnie poprawić jakości oferowanej przez wariant naiwny prognozowania braku zmian. Model UIP dobrze prezentuje się na tle pozostałych modeli, aczkolwiek ma problemy z trafną oceną kierunku kolejnych zmian stopy deprecjacji – tu najlepsze wyniki uzyskały modele z uczeniem się uwzględniające wpływ bilansu płatniczego. Dobry wynik uzyskał też model zawierający racjonalne oczekiwania oraz restrykcję narzucającą jednostkową wartość parametru przy różnicy stóp procentowych. Wprowadzenie uczenia się do modelu przyniosło korzyści oceniając po średniej pozycji rankingowej modeli z tym typem oczekiwań wobec modeli ich pozbawionych (włączając rozwiązania naiwne). Modelowanie premii za ryzyko dało intuicyjnie akceptowalne rezultaty tylko w wariancie „AR1+BOB”, ale ten model nie wyróżnił się na tle pozostałych w badaniu jakości prognoz. Jako podsumowanie badania jakości warto stwierdzić, że nie znaleziono wyraźnych podstaw do twierdzenia, że kurs walutowy nie jest błądzeniem przypadkowym. Podobnie trudno na bazie uzyskanych wyników przekreślić model niezabezpieczonego parytetu stóp procentowych. Jego rozbudowa o elementy modelowania premii za ryzyko oraz odejście od założenia o racjonalności oczekiwań prowadziły do generowania prognoz o zbliżonej jakości do rozwiązania naiwnego. Brak przewagi w jakości prognoz względem naiwnych metod rekompensowany jest w tym wypadku tym, że otrzymujemy model oparty na teorii i dający podstawy do interpretacji rezultatów – czego nie można powiedzieć o błądzeniu przypadkowym. Wpływ „uczenia się” na płace Drugie badanie empiryczne ilustrujące możliwości oczekiwań adaptacyjnych z uczeniem przedstawia zbieganie do rozwiązania przy racjonalnych oczekiwaniach w modelu płac. Wykorzystane zostały dane roczne opracowane przez OECD dla gospodarki francuskiej za lata 1964-2005. Model opisuje zachowanie płac realnych przy użyciu zmian w produktywności oraz oczekiwań płacowych. Całość zbudowana jest na różnicach logarytmów zmiennych i przybrała formę liniową. Deflowanie płac nominalnych dokonane zostało w oparciu o indeks cen konsumpcyjnych, ex post. W ogólnym zapisie model wygląda tak jak w równaniu (9). Δwt = γ 1 + γ 2 Δprod t + γ 3 Et*−1 (Δwt ) + ε t (9) gdzie: „w” oznacza logarytm płac realnych, „prod” to logarytm produktywności obliczonej jako iloraz wytworzonego Produktu Krajowego Brutto i liczby pracujących. Et*−1 oznacza oczekiwania utworzone na bazie informacji do okresu t-1 włącznie dla zmiennej, przy której ten operator się pojawia. Reguła tworzenia oczekiwań została określona zgodnie z równaniem (10) gdzie indeks dolny parametrów zawiera informację o tym jaki jest ostatni okres, którego użyto do wyliczenia oczekiwań na dany okres. Δwt = a1,t −1 + a 2,t −1Δprod t + u t (10) To równanie opisuje postrzegane przez podmioty prawo ruchu płac realnych i zawiera składnik losowy, żeby podkreślić, że podmioty są świadome, że nie mają do czynienia z mechanizmem deterministycznym i ich oczekiwania mogą być błędne. W kwestii aktualizacji parametrów w badaniu przyjęto, że dokonuje się to przez regularne stosowanie Rekursywnej Metody Najmniejszych Kwadratów wobec parametrów a1 i a2. W celu określenia gdzie znajduje się rozwiązanie przy racjonalnych oczekiwaniach na model nałożono ograniczenie z równania (11) stawiające znak równości między oczekiwaną przez podmioty zmianą płac realnych a faktyczną wartością oczekiwaną tej zmiany. Et*−1 (Δwt ) = E (Δwt ) (11) Oszacowanie równania (10) na próbie do roku 1995 włącznie dało wartości parametrów, które posłużyły do wyliczenia gdzie znajduje się równowaga przy racjonalnych oczekiwaniach. Z kolei uczenie się rozpoczęło się od wielkości parametrów uzyskanych z oszacowania prawidłowej reguły formowania oczekiwań na danych od początku próby do roku 1995 włącznie. Symulacja przebiegu uczenia się w kolejnych 1000 okresach zakładała, że składnik losowy w modelu płac będzie pochodził z rozkładu normalnego o zerowej wartości oczekiwanej i wariancji równej oszacowaniu z równania (10). Ten też model posłużył jako proces generujący dane (oszacowanie na próbie 1971-1995). O zmiennej opisującej stopę wzrostu produktywności założono, że będzie przybierała w okresie symulacji wartości pochodzące z rozkładu normalnego o średniej i wariancji takich samych jak wewnątrz próby. Do prawie całkowitej eliminacji odchylenia od rozwiązania przy racjonalnych oczekiwaniach doszło w symulacji dopiero około czterechsetnego okresu, przy czym w badaniu obowiązywała częstotliwość roczna danych. Proces uczenia się powinien dotrzeć do docelowej wartości tożsamej z rozwiązaniem przy racjonalnych oczekiwaniach dopiero w długim okresie. Wynik symulacji pozwala więc powiedzieć, że długi okres następuje dopiero po 400 latach nie podlegającego zaburzeniom działania mechanizmu kształtowania się płac realnych na bazie oczekiwań podmiotów i zmian produktywności. Ilustracja problemu skoków prognoz W kolejnym badaniu empirycznym przedstawione zostało jak bardzo ulega zmianom dynamika modelu wielorównaniowego, gdy w miejsce racjonalnych oczekiwań wprowadzi się w nim oczekiwania bazujące na przeszłej informacji. Użyty model oparty został o modele krajowe z artykułu Douven, Plasmans (1996). Składa się on z 10 równań behawioralnych (import, zatrudnienie, deflator cen konsumpcji, deflator PKB, długookresowa stopa procentowa, krótkookresowa stopa procentowa, płace, eksport, PKB, kurs walutowy) i 2 tożsamości (eksport netto i stopa bezrobocia). Równania behawioralne oszacowane zostały zgodnie z dwustopniową procedurą EnglaGrangera z tym uproszczeniem, że pomijane było formalne badanie kointegracji przez zastosowanie testu DF/ADF dla reszt z równania długookresowego i odniesienie wartości statystyki testowej do tablic kointegracji. Sprawdzana była jedynie istotność składnika korekty błędem w równaniu krótkookresowym. Model w stosowanej postaci nie posiadał wariantu z oczekiwaniami adaptacyjnymi z uczeniem. Jednak ciekawych wniosków dostarczyło samo rozwiązanie go przy obecności racjonalnych oczekiwań. Wprowadzenie w miejsce oczekiwań patrzących wstecz racjonalnych oczekiwań nie zawsze silnie wpływało na wyniki symulacji. To czy skoki prognoz występowały zależało od stopnia „nasycenia” modelu racjonalnymi oczekiwaniami – w ilu (i których) równaniach się racjonalne oczekiwania pojawiały. W pierwszym kroku racjonalne oczekiwania trafiły do równania cen konsumpcyjnych. Jednak zauważalny wpływ na przebieg symulowanych zmiennych wystąpił dopiero przy użyciu racjonalnych oczekiwań jednocześnie w równaniu cen konsumpcyjnych i w równaniu kursu walutowego. Wtedy widać różnice w ścieżkach prognoz w wariancie z racjonalnymi oczekiwaniami i bez nich w pierwszym okresie w miejsce stopniowego odchodzenia od szeregu realizacji. Trudno jednak przejście z okresu próby do okresu prognozy nazwać skokiem. Wyposażenie modelu w racjonalne oczekiwania w równaniu kursu rzeczywiście wywołało reakcję w przebiegu prognozy, ale nie na tyle dużą, aby wzbudzić podejrzenia. Jednak rozszerzenie zakresu obecności racjonalnych oczekiwań również na równanie zagregowanego popytu (pierwsze wyprzedzenie indeksu cen wstawione w miejsce jego bieżącej wartości - tak, żeby zmienną objaśnianą była realna stopa procentowa ex post a nie ex ante) wywołuje odmienne zachowanie się tego modelu w okresie symulacji. Tym razem skoki w pierwszym okresie symulacji są wyraźne i bezsprzecznie szkodzą jakości symulacji. Wynika zatem z tego, że skoki mogą, ale nie muszą być powodowane wprowadzeniem racjonalnych oczekiwań a ich ujawnienie się jest związane z występowaniem w modelu większej ilości równań z racjonalnymi oczekiwaniami. Tak też opisywali problem autorzy raportu prezentującego oficjalny model Banku Anglii, BEQM (Bank of England 2005, s. 8), którzy dostrzegli, że do skoków potrzeba, aby w modelu wszystkie podmioty były w pełni racjonalne (tj. posługiwały się racjonalnymi oczekiwaniami). Przedstawiony model SLIM_POL ma wyraźne wady, które ujawniają się przy uruchamianiu symulacji. Niektóre zmienne wciąż mają podejrzane zachowanie w okresie symulacji (np. bezrobocie ucieka poniżej zera) więc narzędzie jest dalekie od doskonałości. Jednak wywołanie skoków w symulowanych zmiennych w pierwszym okresie symulacji nakłoniło mnie do podjęcia odrębnego badania, które miało wykazać, czy skoki prognoz (lub symulacji) związane z oddziaływaniem racjonalnych oczekiwań można traktować jednoznacznie negatywnie. Badanie śmiałości prognoz W poprzednim badaniu dzięki obecności racjonalnych oczekiwań w równaniu kursu walutowego w pierwszym okresie symulacji dokonał się duży skok zgodny co do kierunku i zbliżony siłą do realizacji. Jeśli zaś prognozy instytucji zajmujących się przewidywaniem rozwoju gospodarki są zbyt „nieśmiałe” to może to co jest postrzegane jako wada racjonalnych oczekiwań, może przynieść poprawę i pomóc poprawić jakość predykcji. Moje poprzednie badanie pokazało jednak też, że pewien układ zmiennych endogenicznych determinowanych przez racjonalne oczekiwania może poważnie szkodzić jakości prognoz, podczas gdy inne układy są nieszkodliwe I potencjalnie mogą ją poprawiać. W dalszej analizie staram się pokazać tło, na którym skoki prognoz towarzyszące obecności racjonalnych oczekiwań w modelu nie muszą być bezwarunkowo uznane za wadę. Wykazanie, że powszechnym problemem w opracowywaniu prognoz dla zmian z okresu na okres jest obciążenie w stronę zera, czyli niedoszacowywanie skali dokonujących się ruchów zmiennych, nawet jeśli prawidłowo określony został kierunek tych zmian, pozwalałoby na nieco łagodniejsze spojrzenie na tą cechę modeli empirycznych z racjonalnymi oczekiwaniami. O ile można poszukiwać teoretycznego uzasadnienia dlaczego racjonalnym działaniem jest publikować nieśmiałe prognozy (np. przez niesymetryczną funkcję straty, „instynkt stadny”, model lidera i naśladowcy czy przyjęcie za cel prognozowania mediany prognoz a nie realizacji) to w swoim badaniu skupiłem się wyłącznie na szukaniu śladów takiego podejścia do prognozowania, a nie wyjaśnienia tego zjawiska. Warto też podkreślić, że bez względu na wydźwięk wykorzystanego przeze mnie określenia „nieśmiałość” prognoz nie jest wadą a jedynie cechą. Można uzyskać prognozy nieśmiałe górujące jakością (w sensie standardowych miar, takich jak MAE, RMSE czy MAPE) nad prognozami śmiałymi, ale dominacja równie dobrze może zachodzić w drugą stronę. Do badania użyty został wyciąg z Bazy Prognoz Makroekonomicznych prowadzonej przez prof. Wojciecha Maciejewskiego. Próbka dotyczyła prognoz dla wzrostu gospodarczego i średniorocznej inflacji w kolejnych latach od 1996 do 2007 roku. Prognozy pochodziły z dwudziestu źródeł, głównie krajowych – ośrodków badawczych, banków komercyjnych, ministerstw oraz indywidualnych badaczy a także międzynarodowych instytucji gospodarczych. Następnie w oparciu o te liczby testowałem w ramach schematu Bernoulliego hipotezę o odbieganiu prawdopodobieństwa sukcesu od 0,5 w dwóch wersjach. W pierwszej wersji sukcesem było osiągnięcie zgodności znaków zmian prognozy i faktycznych zmian, a próbami były wszystkie okresy, dla których posiadałem prognozy z danego ośrodka. W drugiej wersji za sukces uznawałem wystąpienie nieśmiałej prognozy a liczbą prób w schemacie były wszystkie przypadki zgodnego kierunku zmian realizacji i prognoz. Udostępnione z bazy danych prognozy podzieliłem na trzy grupy w zależności od horyzontu. Horyzont prognozy mierzony był od momentu publikacji do rozpoczęcia roku, którego prognoza dotyczyła i wyrażony w miesiącach. Grupa 1 zawierała prognozy o horyzoncie od 0 do 3 miesięcy, grupa 2 – od 4 do 9 miesięcy a grupa 3 – od 10 do 15 miesięcy. W 13 na 18 przebadanych ośrodkach przynajmniej w jednym układzie zmiennej badanej i horyzontu czasowego stwierdzono w oparciu o test statystyczny nieśmiałość prognoz. Choć ilość dostępnych informacji była ograniczona zarysowała się tendencja do wzrostu liczby przypadków wykazania nieśmiałości wraz z wydłużaniem się horyzontu prognoz oraz do częstszego występowania tego zjawiska dla zmiennej opisującej inflację niż dla stóp wzrostu PKB (16 wobec 10 przypadków). Ten ostatni wynik może mieć coś wspólnego z faktem występowania trendu w inflacji. Podsumowanie W rezultacie przeprowadzonych badań uzyskałem możliwość udzielenia odpowiedzi na przedstawione pytania badawcze. Wskazanie przykładowych obszarów obecności oczekiwań potwierdziło, że oczekiwania mają wpływ na kształtowanie się wartości zmiennych makroekonomicznych na gruncie teorii (H1). Badanie symulacyjne wykazało, że obecność oczekiwań adaptacyjnych z uczeniem wpływa na zachowanie się zmiennej (H2), wobec której te oczekiwania są formowane, przede wszystkim wprowadzając aspekt zmienności parametrów w czasie, a co za tym idzie modyfikując reakcje testów diagnostycznych. Symulacje dostarczyły też materiału, który pozwolił na wykrycie relacji między oczekiwaniami adaptacyjnymi z uczeniem a występowaniem efektów ARCH (H3), odpornej na dobór próby i metody uczenia się przez podmioty. Z kolei badanie nieśmiałości prognoz wykazało, że w przypadku Polski występuje statystycznie istotne zjawisko nieśmiałości prognoz, co stwarza potencjał do wykorzystania skoków prognoz wywołanych obecnością racjonalnych oczekiwań do poprawy jakości prognoz. To nie pozwala na jednoznaczne traktowanie skoków prognoz jako wady (H4). Jeśli chodzi o hipotezę główną to badanie jakości prognoz kursu walutowego wskazało, że pod kątem niektórych kryteriów część modeli zawierających oczekiwania adaptacyjne z uczeniem pozwalało tworzyć lepsze prognozy niż modele z racjonalnymi oczekiwaniami. A zatem badanie nie dostarczyło wystarczająco silnych dowodów, aby stwierdzić, że wprowadzenie w ramach modelu oczekiwań adaptacyjnych z uczeniem w miejsce racjonalnych oczekiwań istotnie poprawia jakość uzyskiwanych prognoz. W podsumowaniu rozprawy znalazło się zestawienie wad i zalet obu koncepcji modelowania oczekiwań. Wynika z niego, że choć żadna z metod nie uzyskała absolutnej przewagi nad drugą to są obszary, w których jedna wersja będzie się lepiej sprawdzała niż druga. W ten sposób cel badania może narzucać badaczowi jakiej formy oczekiwań powinien użyć. Taka konkluzja oznacza, że nie udało się rozstrzygnąć głównej kwestii w pracy doktorskiej. Należało się jednak liczyć z takim wnioskiem skoro obie koncepcje współegzystują w ekonomii już 30 lat. Jednak wykazane cechy oczekiwań adaptacyjnych z uczeniem oraz ilustracje empiryczne świadczą o tym, że w pewnych sytuacjach badawczych użycie w modelu oczekiwań adaptacyjnych z uczeniem w miejsce racjonalnych oczekiwań może być wskazane. Literatura Bank of England (2005), The Bank of England Quarterly Model. Bray M.M., Savin N.E. (1986), Rational Expectations Equilibria, Learning, and Model Specification, Econometrica, Vol. 54, No. 5, s. 1129-1160. Douven R.C., Plasmans J.E.J. (1996), SLIM, a small linear interdependent model of eight EUmember states, the USA and Japan, Economic Modelling, Vol. 13, s. 185-233. Krugman P. (2009), How did Economists get it so wrong?, The New York Times, 2 września. Lothian J.R., Wu L. (2003), Uncovered Interest Rate Parity over the Past Two Centuries, International Finance 0311009, EconWPA. Lucas R.E. (1978), Asset Prices in an Exchange Economy, Econometrica, Vol. 46, No. 6, s. 1429-1445. Marey P.S. (2004), Uncovered interest parity tests and exchange rate expectations, Research Memoranda 021, METEOR, Maastricht Research School of Economics of Technology and Organization, Maastricht. Meese R., Rogoff K. (1983), The Out of Sample Failure of Empirical Exchange Rate Models: Sampling Error or Misspecification, w: J.A. Frenkel (red.), Exchange Rates and International Economics, Chicago Univeristy Press, Chicago. Muth J.F. (1961), Rational Expectations and tide Theory of Price Movements, Econometrica, Vol. 29, s. 315-335. Mycielski J. (2008), Skrypt do ekonometrii, Uniwersytet Warszawski, Wydział Nauk Ekonomicznych, Warszawa. Pilbeam K. (1998), International Finance, Palgrave, New York. Timmermann A. (1994), Can Agents Learn to Rational Expectations? Some Results on Convergence and Stability of Learning in the UK Stock Market, Economic Journal, Vol. 104, No. 425, s. 777-797.