At Knække Taylor-Reglen: Hvorfor Matematik Betyder Noget

I Del 1 fastslog vi, at ECB står over for et dilemma. Men for at bevise det, skal vi estimere ECB's Reaktionsfunktion. Vi vil vide: Hvis inflationen stiger med 1%, hvor meget hæver ECB så renten?

Fælden ved Simple Regressioner

En uerfaren data scientist ville måske blot downloade data for Renter ($i_t$) og Inflation ($\pi_t$) og køre en lineær regression (OLS).

Dette ville være en fejl.

Hvorfor? På grund af Omvendt Kausalitet. Centralbanken hæver renten for at sænke inflationen. Men høj inflation får Centralbanken til at hæve renten. Pilen peger begge veje.

$$\text{Inflation} \leftrightarrow \text{Renter}$$

Hvis du kører en standard regression, fanger du en blanding af begge effekter, hvilket resulterer i biasede og meningsløse tal. Dette kaldes Simultaritetsbias eller Endogenitet.

Løsningen: GMM

For at løse dette bruger mit projekt Generalized Method of Moments (GMM). I stedet for at se på nuværende inflation (som er endogen), bruger vi 'Instrumenter' – variabler fra fortiden, der korrelerer med inflation, men ikke kan påvirkes af dagens rentechok.

Ved at brugelaggende værdier af inflation, produktionsgab og råvarepriser kan vi isolere den kausale komponent af ECB's beslutningstagning.

Resultatet

Når vi gør dette korrekt, tegner der sig et chokerende billede. ECB følger generelt Taylor-princippet ($$>1$) for den samlede Eurozone. Men når vi anvender denne regel på individuelle lande, falder modellen fuldstændig fra hinanden.

I Del 3 vil vi visualisere præcis hvor stort dette gab er for lande som Italien kontra Tyskland.