第二节 信贷供给冲击的估计

一、计量模型设定与估计策略

将式（2-1）关于平均数去势处理后，可得如下估计利用货币冲击测算信贷供给冲击的基准模型：

易知，了解货币冲击的关键在于如何相对准确地获得的估计，而这与计量模型的构建及估计策略的选择密切相关。根据估计目的，要保证估计的相对准确性，核心是要使得式（2-7）的系数γ的估计相对准确，而这主要取决于式（2-9）中随机扰动项的性质。为此，Driscoll （1994）和Melzer（2007）均对式（2-9）中可能出现的随机扰动项序列相关和异方差问题进行了处理或检验。不过，虽然随机扰动项序列相关和异方差问题的消除可以提高参数估计的有效性，但由于即便是式（2-9）中存在序列相关与异方差问题，其系数估计仍会满足一致性，因而在样本量较大的情况下，随机扰动项的序列相关及异方差问题不会对参数估计的准确度产生严重影响。由此，与Driscoll（1994）和Melzer（2007）的理解不同，本章认为，对式（2-9）估计的关键是要确保解释变量的弱外生性，即它与不能同期相关，而现实中货币需求与产出的动态互动很可能破坏这种弱外生性。

保证弱外生性的关键是将式（2-9）中一些与及同时相关的因素加以剔除，解决问题的方法有三种：一是将与及同时相关的变量引入式（2-9）；二是利用固定或随机效应估计方法，剔除（固定效应）或同时考虑（随机效应）时间或截面效应的影响；三是利用动态GMM估计这一颇具一般性的工具变量估计方法，解决解释变量内生性问题。在具体的估计过程中，我们拟采用剔除截面固定效应的分布滞后LS与动态GMM估计两种估计方法对式（2-1）进行估计，主要原因如下：一是由于不同地区的国民收入变化显然既与地区的诸如文化等特征有关，也与转轨过程中不断发生的重大事件有关，因而认为截面和时间效应与作为解释变量的国民收入无关是没有说服力的；二是式（2-9）即等同于对式（2-1）的剔除时间固定效应处理；三是固定效应分布滞后LS估计会由于解释变量的测量偏误而导致相对严重的参数估计偏误，而动态GMM估计则容易出现弱工具变量的问题，二者的同时运用可增强估计结果的稳健性。

另外需要说明的是，许多研究利用协整方法对作为货币需求函数的式（2-9）进行了估计，即便对于转型经济体也是如此处理（Pelias,2006;Austin, Ward and Dalziel,2007）。虽然未明确说明，但Melzer（2007）对长期货币需求函数的估计似乎也是基于协整理论。不过，基于如下理由，本章认为，对式（2-9）的估计，用考虑到变量平稳性的协整理论进行估计未必适宜：一是即使将协整模型看作具有单向因果关系，系数γ的估计值也仅能表示长期弹性，而这与对货币冲击的短期定义不一致；二是即使式（2-9）中的变量均为I（1）的，通常的LS估计的系数仍满足超一致性，因而不会影响残差的估计。

二、变量定义与数据

（一）变量定义

货币量（mit）：按照Driscoll（1994），要与前面理论的逻辑相一致，货币量应定义为能引致银行资产方贷款量变化的存款，Driscoll（1994）用M3减去现金与旅行支票存款之和来反映美国的货币量。不过，尽管各国对货币层次的划分原则相同，但货币的具体构成并不一致，因而这里货币量的定义要依据中国的实际。按照中国的货币层次划分，M2=M1+城乡居民储蓄存款+企业存款中具有定期性质的存款+信托存款+其他存款。显然，除了M1当中包含的M0外，其他各种存款均是商业银行资产负债表中负债方的组成部分。另外，中国并没有M0、M1和M2的分省份统计数据，因而这里定义各个省份银行各项存款的对数值为本章中的货币量指标。

国民收入（yit）：国民收入核算体系中的国民收入有多种测算尺度。在凯恩斯主义的货币需求理论中，货币需求包括交易性需求与投资性需求，它由家庭部门的经济行为决定。因此，基于这一理论的货币需求函数中的国民收入应当用家庭部门的收入来表示。但是，如前所述，本章中构成货币量的存款不仅来自家庭，还来自企业等其他经济部门，因此，这里不拟采用Driscoll（1994）的个人收入指标来表示国民收入，而是与Melzer （2007）一样，采用各省的实际GDP对数指标。

价格指数（pit）：中国的国家与分省份统计年鉴中的价格指数包括居民消费价格指数、商品零售价格指数、工业生产者出厂价格指数、原材料等动力购进价格指数、固定资产投资价格指数5类。前面理论模型的逻辑及对货币存量内涵的界定表明，价格指数的选择应尽可能全面地反映经济总体价格水平的变化，显然，在这几个价格指数中，商品零售价格指数最符合这一要求，故这里采用商品零售价格指数对数值作为价格指数的指标。

（二）数据

本部分样本数据的区间段为1980—2010年。其中，1980—2008年的数据来自《新中国六十年统计资料汇编》，其余年份数据补充自各个省份的2011年统计年鉴。需要说明的是，在样本区内，四川与广东的行政区划有所变动，我们的处理方式是仍将分置后的四川与重庆、广东与海南作为一个整体来看待，即分别对1984年后的广东与海南、1997年后的四川与重庆数据进行加总。

三、估计结果

表2-1给出了式（2-9）的LS和动态GMM估计两种估计结果。

表2-1式（2-9）的面板固定效应L S与动态G M M估计结果

注：（1）括号内的值为标准误。（2） J-statistic为Eviews70中基于矩目标函数最小化给出的统计量（类似于Sargan统计量，后者自由度考虑的是工具向量集的秩）。若工具变量集是有效的原假设成立，那么有n*J=n*J-statistic～2χ （L-K），其中， n为观测值数目， L为矩条件约束个数（工具变量个数）, K为待估系数数目，本章中工具变量为被解释变量与解释变量的2至5阶滞后值，待估计系数的个数是4。（3） 2χ （n）是随机效应设定（原假设：截面维度上，随机扰动项与解释变量不相关）有效性的Hausman检验值。（4）P值即Jarque-Bera统计量绝对值小于其统计值的概率，原假设是变量服从正态分布。

表2-1给出了不同动态情境设定下的式（2-9）分布滞后回归结果与动态GMM估计回归结果，对不同动态情境进行设定的目的是观察估计过程中模型设定的动态完整性。首先，Hausman检验结果显示，在截面维度上随机扰动项与解释变量不相关的假设被严格拒绝，表明固定效应模型是一个更好的选择。同时，J统计量的检验结果也表明，动态GMM估计的工具变量集的选择是弱有效的。其次，不同模型设定的LS估计结果表明，虽然部分变量系数的显著性随滞后项的增加而有所减弱，但至少在模型3以后，模型4、5、6、7的大部分系数估计值显示出了高度的一致性，这表明只要在基本模型式（2-9）中引入至多两阶滞后解释与被解释变量，模型就满足动态完整性的要求，而这可保证系数估计的一致性。最后，模型4、5、6、7的系数估计结果与动态GMM估计结果也相当一致，表明式（2-9）解释变量内生性的产生的确主要源于前期的解释与被解释变量未被引入模型，从而进一步印证了模型4、5、6、7满足动态完整性的判断。据此，我们选择居于中间位置的模型6回归结果作为进一步分析的基准，表2-2给出了模型6的残差项统计特征。

表2-2 模型6残差项统计特征