FRB/USマクロ経済モデルの詳細分析
FRB/USマクロ経済モデルの詳細分析
このページでは、連邦準備制度のFRB/USモデルと、それが政策分析にどのように活用されるかを解説します。モデルの構造、主要な入力変数、およびスタッフが政策経路を比較するためにシミュレーションを使用する方法を要約します。右上の初心者/エキスパート切り替えボタンで詳細レベルを調整できます。
連邦公開市場委員会（FOMC）は年8回会合を開き、フェデラルファンド金利を決定します。これらの決定は借入コスト、雇用、インフレを左右します。FRB/USは、スタッフが政策選択を想定される結果に対応させるために使用するコアツールです。
これは多くの情報源のうちの一つです。モデルは他のモデルや判断とともに、シナリオベースの分析を提供します。
モデルとは、支出、雇用、物価、金融環境を結びつける方程式の集合です。政策金利を変更すると、モデルはそのリンクが通常時間の経過とともにどのように動くかを追跡します。これは選択肢を規律ある形で比較する手段であり、予期せぬ出来事の予測ではありません。
政策は多くのチャネルを通じて、長いラグを伴って経済に影響を与えます。モデルはこれらの相互作用とタイミングを一貫して保つのに役立ちます。
FRB/USは経済をそれぞれ異なる行動を持つセクターに分割します：
家計は支出と貯蓄のバランスを決定します。金利が高まると、大型の消費財の購入が鈍化する傾向がありますが、一部の家計は流動性制約を受けており、金利感応度が低くなります。
企業は予想需要と資金調達コストに基づいて投資・採用を行います。金利が高まると、新規プロジェクトのハードルが上がります。
Fedは翌日物金利を設定し、それが債券利回り、住宅ローン金利、株式評価に影響を与えます。モデルはこれらの連携を捉えています。
政策はドルと貿易に影響を与えます。ドル高は通常、輸出を抑制し、輸入価格を低下させます。
モデルでは、1パーセントポイントの引き締めは通常以下の結果をもたらします：
これらはモデルベースの傾向であり、ポイント予測ではありません。
FRB/USはDSGEの伝統の外に位置する大規模推定構造モデルです。完全にミクロ基礎を持つ最適化よりも実証的な適合度と制度的な詳細を重視しています。
このモデルはFedの実用的な政策分析アプローチを反映しています。1996年にMPSモデルを置き換え、マクロ計量フレームワークの近代化と期待処理の改善を図りました。
出典：Federal Reserve FRB/US Project Page
この違いは、アウトプットの解釈と限界を理解する上で重要です：
DSGEモデルは主要パラメーターをキャリブレーションしてからあてはまりを評価することが多い。FRB/USは集計データからほとんどのパラメーターを推定し、構造的解釈にある程度のコストをかけつつも実証的なあてはまりを改善しています。
FRB/USは理論整合的な長期関係と実証的な短期ダイナミクスを組み合わせています。消費ブロックはライフサイクル行動と経験則コンポーネントを組み合わせ、異質性を近似しています。
FRB/USにはDSGEモデルでしばしば捨象される米国の制度的詳細が組み込まれています：
モデルは再推定なしに異なる期待仮定の下で実行できます。スタッフはVARベースの期待値とモデル整合的な期待値を比較して頑健性を検証できます。
金融政策は異なるラグ構造を持つ複数のチャネルを通じて作用します：
| チャネル | メカニズム | ピーク効果 | モデル表現 |
|---|---|---|---|
| 金利チャネル | 資本コスト → 投資、住宅 | 4〜6四半期 | 使用者費用弾力性：$\epsilon_{I,r} \approx -1.0$ |
| 資産価格チャネル | 株式評価 → 富 → 消費 | 6〜8四半期 | 富効果：$\partial C / \partial W \approx 0.03$ |
| 為替レートチャネル | 金利差 → ドル → 純輸出 | 3〜5四半期 | 貿易弾力性：$\epsilon_{NX,e} \approx -0.3$ |
| 期待チャネル | フォワードガイダンス → 将来金利 → 現在の意思決定 | 1〜3四半期 | オイラー方程式における期待項 |
| 信用チャネル | 銀行資本 → 貸出基準 → 信用利用可能性 | 3〜6四半期 | リスクスプレッドを通じた金融アクセラレーター |
解法アルゴリズム：
# FRB/US解法の疑似コード
1. 定常状態まわりで系を線形化
2. t = 1 から T まで：
a. 期待値を計算：E_t[X_{t+1}] (VARまたはRE使用)
b. 非線形ブロック（価格設定、投資）をニュートン・ラフソン法で解く
c. 線形ブロック（恒等式、ARプロセス）を解析的に解く
d. 収束チェック：||X_t - X_t^{prev}|| < 許容誤差
3. 未収束の場合、更新して反復
# 推定から得られる主要パラメーター：
- 消費平滑化：σ ≈ 2.0 (IES = 0.5)
- カルボ価格設定：θ ≈ 0.75 (平均4四半期の価格継続期間)
- フィリップス曲線の傾き：κ ≈ 0.01 (非常にフラット)
- テイラー・ルール：ψ_π ≈ 1.5, ψ_y ≈ 0.5
DSGEモデルに対する優位点：
VAR/誘導型モデルに対する優位点：
主な限界（詳細は下記参照）：
FRB/USは望ましい行動と調整を遅らせるフリクションを分離します。目標と実際の結果のギャップが経済のダイナミクスを駆動します。
第1層 - 長期目標： 家計と企業は、インセンティブと期待所得に基づいて望ましい支出、雇用、価格設定を選択します。
第2層 - 調整フリクション： 資金調達、建設、情報のタイムラグが、これらの目標への移行を遅らせます。
家計は所得、富、金利に基づいて時間を通じて消費を平準化します。
例： 住宅購入を検討している人が評価するもの：
モデルはこれらの意思決定を集計して住宅需要と消費に反映させます。
企業は予想需要と資金調達コストに基づいて採用・投資を行います。
例： 新工場を検討している製造業者が追跡するもの：
集計された意思決定が雇用、投資、産出量を動かします。
企業は価格変更のコストが大きいため、頻繁には価格を変更しません。そのためインフレの反応にはラグが生じます。
実際には： 企業は継続的にではなく、まとめて価格を更新するため、インフレは即時ではなく段階的に進みます。
期待は今日の支出、価格設定、賃金の意思決定を形成します。
Fedのコミュニケーションが重要な理由： Fedが政策の方針を示すと、行動が即座に変化します：
モデルはフィードバックループを追跡します：
FRB/USは最適化ベースの目標と実証的な調整ダイナミクスに行動を分解し、扱いやすさと強い実証的なあてはまりを両立させます。
金融市場は無裁定条件によって瞬時に清算されると仮定されます。金利の期間構造は以下に従います：
ここで$R_{t,n}$はn期金利、$r_t$は1期政策金利、$\theta_{t,n}$は時変のタームプレミアムです。タームプレミアムはカルマンフィルターで推定されたAR(1)プロセスに従います：
株式価格は時変割引率を持つゴードン成長モデルに従います：
ここで$D_t$は配当、$g_t^D$は期待配当成長率、$\phi_{eq}$は株式リスクプレミアム（年率4.5%と推定）、$\omega_t$は時変リスク選好度を捉えます。
為替レートは修正カバーなし金利パリティに従います：
ここで$\psi_t$はUIPからの乖離（リスクプレミアム、セーフヘブンフロー）を表し、半減期は約3四半期と推定されています。
家計の最適化：
代表的家計は無限期間にわたる割引効用を最大化します：
異時点間予算制約の下で：
一階条件から消費のオイラー方程式が得られます：
CRRA型効用関数$U(C,L) = \frac{C^{1-\sigma}}{1-\sigma} + \psi \frac{(1-L)^{1-\nu}}{1-\nu}$を仮定すると、これは次のようになります：
定常状態まわりで対数線形化すると：
ここで$\sigma \approx 2.0$（推定値）、すなわち異時点間代替弾力性$1/\sigma = 0.5$。
企業の最適化：
企業は生産関数を用いて利益の現在価値を最大化します：
資本蓄積は以下に従います：
資本に対する一階条件から新古典派投資方程式が得られます：
ここで$MPK_t = \alpha A_t (K_t/L_t)^{\alpha-1}$は資本の限界生産物、$P_t^I$は投資財価格です。
価格設定： 企業は各期に確率$\theta$で価格を調整できないカルボ価格設定に直面します。フィリップス曲線の導出から：
ここで$\kappa = \frac{(1-\theta)(1-\beta\theta)}{\theta}$、$mc_t$は実質限界費用です。推定値$\theta \approx 0.75$により、平均価格継続期間は$\frac{1}{1-\theta} = 4$四半期です。
FRB/USの実証的フィリップス曲線には追加的な持続性とインデクセーションが組み込まれています：
ここで$\gamma_f \approx 0.24$、$\gamma_b \approx 0.76$、$\kappa \approx 0.01$（非常にフラット）、$\mu \approx 0.08$。
賃金設定： 賃金に対する同様のカルボメカニズムから：
賃金フィリップス曲線の傾き$\phi_u \approx 0.015$、インフレパススルー$\phi_\pi \approx 0.60$。
FRB/USは3つのモードによる柔軟な期待を可能にします：
VARベース（後ろ向き）：
ここで$X_t$は内生変数、$Z_t$は外生変数を含みます。VARパラメーター$\{\Phi_h, \Psi_h\}$は歴史データに対するOLSで推定されます。
モデル整合的（合理的期待）：
期待値はニュートン・ラフソン法によってモデルと同時に解かれます。任意の変数$X$に対して：
ここで$f_h$はhステップ先のモデル解、$\theta$は構造パラメーターを含みます。
ハイブリッド： VARとREの凸結合：
$\lambda$は通常0.75に設定され、ほとんどのエージェントが完全合理的ではなく適応的期待を使用するというサーベイ証拠を反映しています。
完全なモデルはコンパクトな状態空間形式で記述できます：
ここで$A_0, A_1, A_2 \in \mathbb{R}^{365 \times 365}$は構造パラメーターを含むスパース行列（90%がゼロ）、$B \in \mathbb{R}^{365 \times 40}$は外生ショックをマップし、$\epsilon_t$は構造的イノベーションです。
計算的実装：
# 解法アルゴリズム（簡略版）
function solve_frbusmodel(params, exog_path, T):
X = initialize_state_vector()
for t in 1:T:
# 1. 期待値を形成
if expectations_mode == "VAR":
E_X = VAR_forecast(X[1:t], params.VAR)
elif expectations_mode == "RE":
E_X = RE_solve(X, params, t)
# 2. 当期を解く
# 非線形ブロック（4つの主要方程式）
X_nl = newton_raphson(
F_nonlinear, X0=X[t-1],
args=(E_X, exog_path[t], params)
)
# 線形ブロック（モデルの残り部分）
X_linear = sparse_solve(
A_linear,
b=B*exog_path[t] + C*X_nl
)
X[t] = [X_nl; X_linear]
return X
end
# 典型的なパフォーマンス：
# - 単一シミュレーション：約0.5秒（365変数、200四半期）
# - 確率的シミュレーション（1000回）：約10分
# - 完全パラメーター推定：32コアクラスターで約2時間
このセクションでは、モデルが家計の支出、貯蓄、住宅、労働供給をどのように扱うかを説明します。
家計は現在の支出と将来のニーズのバランスをとります。モデルでは、意思決定が今日の給与だけでなく生涯収入を反映すると仮定しています。
シナリオ： 新卒者が年収5万ドルの仕事を始めます。
近視眼的な見方： 「支払いを低く抑えるべきだ。」
生涯の見方： 「将来の収入は上昇するはずなので、適度な借入は許容範囲内だ。」
モデルはこれらの意思決定を集計して全体的な消費と貯蓄に反映させます。
経済学では： これは消費平準化と呼ばれます：支出はライフサイクルを通じて収入よりも安定しています。
住宅はほとんどの家計にとって最大の購入品です。そのため住宅ローン金利が不釣り合いに重要になります。
| 住宅ローン金利 | 月次支払額（40万ドルの住宅） | 年間差額 |
|---|---|---|
| 6.0% | $2,398 | 基準値 |
| 7.0% | $2,661 | +$3,156/年 |
| 8.0% | $2,935 | +$6,444/年 |
金利が高まると月次支払いが増加し需要が減少します。モデルはこれを住宅活動の低下として反映させます。
人々は賃金と余暇への嗜好に基づいてどれだけ働くかを決定します。
時給15ドルでは週30時間働くかもしれません。時給25ドルになると、より多く働く人もいれば、より多くの余暇を選ぶ人もいます。モデルは平均的な反応を捉えます。
| 平均家計収入： | 78,500ドル/年（2024年比3.8%増） |
| 貯蓄率： | 可処分所得の4.2% |
| 家計債務： | 総額17.5兆ドル（住宅ローン12.1兆ドル、自動車1.6兆ドル、クレジットカード1.6兆ドル） |
| 資産： | 平均家計純資産：106万ドル |
意味するところ： 家計のバランスシートは健全ですが、金利に対して敏感です。借入コストの上昇は住宅と信用の伸びに重くのしかかります。
家計部門は消費、住宅、ポートフォリオ配分、労働供給を網羅しています。モデルは加重集計によって近似された異質性を持つライフサイクル・フレームワークを使用します。
集計消費は前向き（ライフサイクル）と後ろ向き（経験則）コンポーネントの加重平均としてモデル化されます：
ライフサイクル・コンポーネント（$C_t^{LC}$）：
対数線形化されたオイラー方程式を持つ異時点間最適化から導出されます：
ここで$w_t$は家計の富（金融資産＋人的資本）です。人的資本は期待労働所得の現在価値として計算されます：
経験則コンポーネント（$C_t^{RT}$）：
制約された家計は現在の可処分所得の一定割合を消費します：
この定式化は以下のMPCと富効果を意味します：
住宅需要：
実質住宅需要（ストック）は住宅資本の使用者費用によって決定されます：
使用者費用は以下の通りです：
推定弾力性：$\beta_1 \approx 1.0$（単位所得弾力性）、$\beta_2 \approx -0.5$（使用者費用弾力性）。
住宅投資：
住宅投資（フロー）は望ましいストックと実際のストックのギャップに反応します：
ここで$\phi \approx 0.15$（建設ラグによる緩やかな調整）、$\psi \approx 2.5$（加速度効果）。
集計労働供給（労働時間）は消費と余暇に関する効用最大化から導出されます。実質賃金に対する労働供給弾力性は：
この低い弾力性は所得効果と代替効果の相殺を反映しています。参加弾力性はより高く$\approx 0.5$であり、特に第二の稼ぎ手において顕著です。
# 家計部門の状態（2025年第4四半期）
Consumption_total = 14.8 # 兆ドル、2017年実質ドル
Disposable_income = 17.9 # 兆ドル、実質
Savings_rate = 0.042 # 可処分所得の4.2%
# 富の構成
Financial_wealth = 85.3 # 兆ドル（株式、債券、預金）
Housing_wealth = 47.8 # 兆ドル（住宅エクイティ）
Total_wealth = 133.1 # 兆ドル
# 債務
Mortgage_debt = 12.1 # 兆ドル
Consumer_credit = 5.1 # 兆ドル（自動車、カード、学生ローン）
Debt_service_ratio = 0.094 # 可処分所得の9.4%
# 住宅市場
Home_prices = 329000 # ドル、既存住宅中央値
Mortgage_rate = 0.072 # 7.2%、30年固定
Housing_starts = 1.42 # 百万戸、季節調整済年率
# 労働市場
Participation_rate = 0.625 # 生産年齢人口の62.5%
Hours_worked = 34.3 # 平均週労働時間
Real_wage_growth = 0.018 # 実質賃金成長率1.8%前年比
# 主要弾力性（推定値）
epsilon_C_r = -0.12 # 実質金利に対する消費（半弾力性）
epsilon_H_r = -0.50 # 使用者費用に対する住宅
epsilon_L_w = 0.25 # 実質賃金に対する労働
MPC_transitory = 0.40 # 限界消費性向
wealth_effect = 0.03 # 富に対する消費
| 四半期 | 消費（%変化） | 住宅投資（%変化） | 労働時間（%変化） | 貯蓄率（pp変化） |
|---|---|---|---|---|
| Q1 | -0.1 | -1.2 | -0.05 | +0.2 |
| Q4 | -0.4 | -4.5 | -0.18 | +0.4 |
| Q8 | -0.6 | -5.2 | -0.25 | +0.3 |
| Q12 | -0.5 | -3.8 | -0.20 | +0.1 |
注： 住宅はレバレッジと住宅資本の耐久性により消費よりも早く反応します。消費効果は富効果が蓄積するにつれて後からピークを迎えます。
このセクションでは、企業が生産、雇用、投資、価格設定についてどのように意思決定するかを説明します。
企業は需要に合わせて生産しようとしますが、サプライチェーンとスタッフ配置に時間がかかるため、アウトプットはラグを伴って調整されます。
玩具メーカーは10月に注文が増加するのを確認します。生産増加は以下の後にのみ行われます：
モデルは需要と産出量の間のこれらのラグを捉えます。
採用はコストがかかり不確実であるため、企業は慎重に調整します。
実際には： 企業は常勤スタッフを増やす前に残業を使うことが多く、需要が持続的に見えてからのみ採用します。
従業員1人を採用するコスト：
平均年収は60,000ドルで福利厚生が15,000ドルです。採用は長期的なコミットメントです。
モデルの含意： 雇用は通常、企業が持続的な需要を待つため産出量に遅行します。
大型投資には時間がかかり、予想需要と資金調達コストに依存します：
シナリオ： 企業が1,000万ドルの工場拡張を検討しています。
| 金利 | 年間借入コスト | 必要なROI | 意思決定 |
|---|---|---|---|
| 3% | 300,000ドル | >5% | 実施する |
| 5% | 500,000ドル | >7% | 慎重に判断 |
| 7% | 700,000ドル | >9% | 延期する |
金利が高まると投資のハードルが上がり、資本支出が減速します。
企業は価格変更が顧客の反発を招くリスクがあるため、継続的には価格を変更しません。
価格変更のコスト：
モデルの含意： 価格はまれにしか変更されないため、インフレはラグを伴って政策に反応します。
| 企業投資： | 年間3.1兆ドル（2023年のピークから5%減） |
| 企業利益： | 年間2.8兆ドル（利益率：11.2%） |
| 企業向け貸出金利： | 平均8.3%（2021年の4.5%から上昇） |
| 設備稼働率： | 78.5%（歴史的な80%平均を下回る） |
意味するところ： 借入コストの上昇が投資を冷やしています。企業は拡張よりも既存設備の活用を優先しており、政策による抑制と整合しています。
企業部門は生産、生産要素需要、名目硬直性の下での価格設定、調整コストを伴う投資を網羅しています。モデルはカルボ価格設定とトービンのQによる投資を伴う標準的な新古典派生産を使用します。
集計生産は労働増大型技術進歩を持つコブ・ダグラス型に従います：
ここで$K_t$は資本ストック、$L_t$は雇用者数、$H_t$は1人当たり労働時間、$A_t$は労働生産性です。推定産出弾力性$\alpha \approx 0.33$（国民所得に占める資本分配率と整合的）。
生産性は以下の通り進化します：
トレンド成長率$\mu_A \approx 0.005$（年率2.0%）、持続性$\rho_A \approx 0.3$。
資本ストックのダイナミクス：
減価償却率$\delta \approx 0.025$（年率10%、構築物と設備の加重平均）。
投資関数：
利潤最大化から導出される望ましい資本ストック：
資本の使用者費用：
$\tau_c$は法人税率（現在21%）、$ITC$は投資税額控除、$\pi_t^I$は投資財の資本利得です。
実際の投資は調整コストを伴うトービンのQに従います：
ここで：
推定パラメーター：
最適雇用：
生産関数から、労働需要は以下を満たします：
対数線形化すると労働需要が得られます：
実質賃金に対する労働需要の長期弾力性：$\epsilon_{L,W} = -\frac{1}{\alpha} \approx -3.0$。
労働時間の調整：
企業は雇用者数よりも労働時間の方が速く調整できます。モデルは異質な調整速度を定式化します：
$\lambda_h \approx 0.33$（残業による即時調整が3分の1、段階的調整が3分の2）。
雇用者数の調整は採用・解雇コストのためより緩やかです：
$\lambda_\ell \approx 0.10$（ギャップを閉じるのに約10四半期）、$\psi \approx 0.3$（産出量成長への即時反応）。
カルボ価格設定フレームワーク：
各期に$\theta$の割合の企業が価格を調整できません。最適化する企業は以下を最大化する価格$P_t^*$を設定します：
一階条件から最適マークアップが得られます：
対数線形化して集計するとニュー・ケインジアン・フィリップス曲線が得られます：
ここで$\kappa = \frac{(1-\theta)(1-\beta\theta)}{\theta} \cdot \frac{1-\alpha}{1-\alpha+\alpha\epsilon}$。
実証的実装：
FRB/USの基本フィリップス曲線にはインデクセーションと追加的な状態変数が組み込まれています：
推定パラメーター（2024年版）：
フラットなフィリップス曲線は、ディスインフレのためにより大きな需給ギャップが必要であることを意味し、近年の進展の遅さの説明に役立ちます。
# 企業部門の状態（2025年第4四半期）
GDP_real = 22.8 # 兆ドル、2017年価格
Capital_stock = 48.2 # 兆ドル、民間非住宅
Investment_rate = 0.128 # I/K比率（資本ストックの12.8%）
Depreciation_rate = 0.025 # 四半期（年率10%）
# 生産
Capacity_utilization = 0.785 # 78.5%
Labor_productivity = 2.1 # %成長率
TFP_growth = 0.8 # %成長率
# 雇用
Employment_total = 159.2 # 百万人
Hours_weekly = 34.3 # 労働者1人当たり平均
Unemployment_rate = 0.040 # 4.0%
# 価格設定
Markup = 1.18 # 価格/限界費用（18%マークアップ）
Inflation_core_PCE = 0.026 # コアPCE 2.6% 前年比
Wage_inflation = 0.045 # 賃金インフレ 4.5% 前年比
# 投資
Business_investment = 3.1 # 兆ドル/年
User_cost_capital = 0.082 # 8.2%
Tobin_Q = 1.05 # 再取得コストをわずかに上回る
# 企業財務
Corporate_profits = 2.8 # 兆ドル/年
Profit_margin = 0.112 # 売上高の11.2%
Corporate_debt = 10.5 # 兆ドル
Interest_coverage = 8.2 # EBIT/支払利息
# 主要弾力性（推定値）
epsilon_K_r = -1.00 # 使用者費用に対する資本
epsilon_I_Q = 0.04 # トービンのQに対する投資
epsilon_L_W = -3.00 # 実質賃金に対する労働
Phillips_slope = 0.009 # 需給ギャップに対するインフレ
| 四半期 | 投資（%変化） | 雇用（%変化） | 設備稼働率（pp変化） | コアインフレ（pp変化） |
|---|---|---|---|---|
| Q1 | -0.8 | -0.02 | -0.3 | -0.01 |
| Q4 | -3.2 | -0.18 | -1.1 | -0.08 |
| Q8 | -4.5 | -0.42 | -1.5 | -0.22 |
| Q12 | -3.1 | -0.38 | -1.2 | -0.35 |
| Q16 | -1.8 | -0.25 | -0.7 | -0.42 |
注： 投資は雇用よりも早く反応しますが、フラットなフィリップス曲線のためインフレの反応は遅くなります。
期待は中心的な役割を果たします。インフレと成長に対して人々が何を予想するかが、賃金、価格、支出に影響を与えます。
期待は多くのアクターが同じ信念に反応するとき自己実現的になります。
労働者がより高いインフレを予想すると、より高い賃金を求め、企業はコストをカバーするために価格を引き上げます。これらの行動が期待を正当化することになります。
多くの家計は最近の経験から外挿します。
2019〜2021年： インフレが数年間2%近くで推移
典型的な期待： 「インフレは2%前後で続くだろう」
2022年： インフレが9%近くに急上昇
更新された期待： 「インフレは高止まりするかもしれない」
2024〜2025年： インフレが約2.6%に鎮静化
現在の期待： 「インフレは緩和しているが、まだ目標を上回っている」
このアプローチは単純ですが、調整が遅くなります。
一部の家計とほとんどの企業はFedのガイダンスと予測に注意を払います。
四半期ごとにFedは金利予測（「ドットプロット」）を公表します。その経路が変化すると、市場は素早く調整します：
これらの動きは政策変更が効果を発揮する前に起こります。
より洗練されたアクターはモデルと政策ルールを使って前向きな期待を形成します。
このアプローチはより複雑で、モデルの「合理的期待」オプションの基礎となります。
2021年初頭： Fedはインフレを一時的と表現
→ 期待は抑制されたまま
→ 賃金・価格調整は限定的
2021年末： インフレが予想より長く続く
→ 期待が上昇
→ 賃金・価格がより積極的に調整
教訓： 信頼性の低下はディスインフレのコストを高めます。モデルは同じ結果を達成するためにより大きな金利引き上げが必要であることを示します。
家計のインフレ期待（ミシガン大学調査）：
市場ベースの期待（債券から）：
専門的予測機関：
意味するところ： 長期期待はFedの2%目標近くにとどまっていますが、短期期待は高水準です。この組み合わせは引き締め的な政策スタンスを支持します。
期待形成はダイナミクスの重要な駆動力です。モデルは複数の期待モードをサポートし、仮定が政策波及にどのように影響するかを検証します。
歴史データから推定された誘導型ベクトル自己回帰によって形成される期待：
ここで$X_t$は内生変数（GDP、インフレ、金利など）、$Z_t$は外生変数を含みます。VARはBICで選択されたラグ長$p$（通常$p=4$四半期）によるOLSで推定されます。
特性：
複数ステップ先予測：
エージェントはモデル自体を使って期待を形成します。任意の変数$X_{t+h}$に対して：
ここで$f_h$はhステップ先のモデル解、$S_t$は現在の状態ベクトル、$\theta$は構造パラメーター、$\{Z_{t+j}\}$は外生変数の経路です。
解法アルゴリズム：
# モデル整合的期待の解法（ニュートン・ラフソン法）
function solve_RE(model, T_horizon):
X = initialize_guess() # 初期経路
max_iter = 100
tolerance = 1e-6
for iter in 1:max_iter:
X_old = copy(X)
# 前向きパス：期待値を計算
for t in 1:T_horizon:
E_X[t] = model_solution(X[t+1:T_horizon])
# 後向きパス：均衡条件を解く
for t in T_horizon:-1:1:
# 連立方程式を解く
X[t] = newton_solve(
F(X[t], X[t-1], E_X[t]) = 0,
jacobian = compute_jacobian()
)
# 収束チェック
if norm(X - X_old) < tolerance:
break
return X, E_X
end
特性：
VARとREの期待の凸結合：
デフォルト設定では$\lambda = 0.75$（適応的75%、合理的25%）を使用し、ほとんどのエージェントが単純な予測ルールを使用するというサーベイ証拠を反映しています。
ミクロデータからの根拠：
前向きと後ろ向き行動の程度はインフレダイナミクスに決定的な影響を与えます：
推定されたウェイト$\gamma_f = 0.24$、$\gamma_b = 0.76$により、フィリップス曲線は高度に後ろ向きであり、以下を意味します：
代替定式化（2024年版）：
1四半期先ではなく4四半期先の期待を使用することで$\gamma_f$が約0.35に上昇しますが、依然として後ろ向きコンポーネントが支配的です。
長期インフレ期待のモデル化：
ここで$\pi^* = 0.02$はFedの目標、$\phi \approx 0.95$（高度な持続性）、$\psi \approx 0.02$（実際のインフレからの緩やかな学習）。
解釈： 長期期待は良好にアンカーされていますが、完全ではありません。持続的なインフレの乖離は徐々に長期期待をシフトさせ、2021〜2023年に観察されたアンカー外れのリスクを捉えています。
FRB/USはサーベイベースの期待測定値で補強できます：
ここで$\omega \in [0,1]$はサーベイとモデル生成期待値のウェイトを制御します。
サーベイソース：
# 期待状態変数（2025年第4四半期）
# 消費者期待（ミシガン大学調査）
inflation_1yr_ahead = 0.032 # 3.2%
inflation_5yr_ahead = 0.029 # 2.9%
# 専門的予測機関（SPF）
GDP_growth_2026 = 0.022 # 2.2%
inflation_2026 = 0.023 # 2.3%
unemployment_2026 = 0.042 # 4.2%
fed_funds_2026Q4 = 0.045 # 4.5%
# 市場インプライド期待（TIPSから）
breakeven_5yr = 0.024 # 2.4%
breakeven_10yr = 0.023 # 2.3%
breakeven_30yr = 0.024 # 2.4%
# フォワードレート（期待 + タームプレミアム）
forward_1y1y = 0.038 # 1年後の1年金利：3.8%
forward_5y5y = 0.035 # 5年後の5年金利：3.5%
# ディーラー調査（期待されるFed経路）
expected_cuts_2026 = 3 # 25bp利下げ回数
terminal_rate = 0.035 # 長期中立金利：3.5%
# モデル内部期待（VARベース）
E_inflation_4q = 0.027 # 4四半期先インフレ：2.7%
E_GDP_growth_4q = 0.021 # 4四半期先成長率：2.1%
E_unemployment_4q = 0.041 # 4四半期先失業率：4.1%
# アンカリング指標
LR_inflation_exp = 0.024 # 長期インフレ期待：2.4%
anchoring_index = 0.85 # 指数 ∈ [0,1]、1 = 完全アンカー
dispersion_inflation = 0.012 # 予測の横断的標準偏差：1.2pp
# 期待修正統計
correlation_revision_actual = 0.65 # 予測誤差は部分的に予測可能
mean_absolute_error_1yr = 0.015 # 1年先予測の平均絶対誤差：1.5pp
rational_expectations_test_pvalue = 0.08 # 合理性の弱い証拠
| 期待タイプ | インフレ持続性 | 犠牲比率 | フォワードガイダンス効果 |
|---|---|---|---|
| 純粋適応的（VAR） | 高（0.95） | 3.5 | 弱（REの10%） |
| 合理的期待 | 低（0.65） | 1.2 | 強（完全効果） |
| ハイブリッド（75/25） | 中（0.88） | 2.8 | 中程度（REの35%） |
| 実証的（FRB/US推定） | 高（0.92） | 3.2 | 弱〜中程度（25%） |
注： 犠牲比率 = 1パーセントポイントの恒久的ディスインフレに対する累積産出損失（%・年）。後ろ向きウェイトが高いほど犠牲比率は高くなります。
モデルはその入力の質に左右されます。正確でタイムリーなデータは有用なシミュレーションに不可欠です。
データはモデルの原材料です。品質の低い、または古いデータは低品質なアウトプットにつながります。
| 機関 | 測定対象 | 更新頻度 |
|---|---|---|
| 労働統計局（BLS） | 失業率、雇用、賃金、インフレ（CPI） | 月次 |
| 経済分析局（BEA） | GDP、個人所得、個人消費支出 | 四半期 |
| 国勢調査局 | 人口、住宅、企業活動 | 月次/年次 |
| 連邦準備制度 | 金利、マネーサプライ、鉱工業生産 | 日次/月次 |
| 財務省 | 政府債務、税収 | 日次/月次 |
すべての入力が公的統計というわけではありません：
| 実質GDP： | 22.8兆ドル（2017年価格） | 年率2.4%成長 |
| 失業率： | 4.0% | 歴史的に見て低水準 |
| 労働参加率： | 62.5% | コロナ禍前の63.4%をまだ下回る |
| 賃金成長率： | 前年比4.5% | 6%のピークから鈍化 |
| コアPCEインフレ： | 前年比2.6% | Fedの優先指標 |
| CPI（消費者物価指数）インフレ： | 前年比3.2% | 消費者が目にする数字 |
| 原油価格（WTI）： | 82ドル/バレル | エネルギーコストに影響 |
| フェデラルファンド金利： | 5.25% | Fedの主要政策ツール |
| 10年国債利回り： | 4.45% | 住宅ローンのベンチマーク |
| 30年住宅ローン金利： | 7.20% | 住宅市場に重要 |
| S&P 500： | 4,750 | 消費への富効果 |
| ドル指数： | 104.2 | ドル高 = 安い輸入品 |
1. 修正： GDPデータはより多くの情報が入手されるにつれて複数回修正されます。
2. 時間的ラグ： 一部のデータは遅れて公表されます：
3. 季節調整： 経済は自然に季節によって変動します（クリスマスの小売ブームなど）。統計専門家はこれを調整しますが、完璧ではありません。
4. 測定誤差： 信頼感や期待のサーベイにはノイズが含まれます。
結論： モデルは不完全なデータで機能します。これが予測が不確実な理由の一つです。スタッフは修正を監視し、データが変化したときに調整します。
FRB/USは公式統計、市場価格、サーベイから得られる約100の外生変数と365の内生変数を使用し、修正、季節調整、測定誤差に注意を払います。
| 変数 | 記号 | 頻度 | 修正スケジュール |
|---|---|---|---|
| 実質GDP | $Y_t$ | 四半期 | 3回公表後、年次修正 |
| 個人消費支出 | $C_t$ | 四半期 | GDPと同期 |
| 国内民間総投資 | $I_t$ | 四半期 | 大幅な修正の可能性 |
| PCEデフレーター（コア） | $\pi_t$ | 月次 | 軽微な修正のみ |
| 企業利益 | $\Pi_t$ | 四半期 | ベンチマーク修正の対象 |
| 変数 | 記号 | 頻度 | 標本規模 / カバレッジ |
|---|---|---|---|
| 非農業部門雇用者数 | $L_t$ | 月次 | 約13万事業所 |
| 失業率 | $u_t$ | 月次 | 6万世帯調査 |
| 平均時給 | $W_t$ | 月次 | 生産労働者 |
| 雇用コスト指数 | $ECI_t$ | 四半期 | 固定職種構成 |
| CPI（全都市消費者） | $CPI_t$ | 月次 | 約8万価格見積もり |
| 労働生産性 | $A_t$ | 四半期 | 1時間当たり産出量 |
| 変数 | 記号 | 頻度 | ソースシステム |
|---|---|---|---|
| フェデラルファンド金利 | $r_t^{FF}$ | 日次 | H.15統計リリース |
| 国債イールドカーブ | $R_{t,n}$ | 日次 | H.15（一定満期） |
| 社債利回り | $R_t^{corp}$ | 日次 | Moody's / ICE BofAインデックス |
| 住宅ローン金利 | $R_t^{mort}$ | 週次 | フレディマック調査 |
| 鉱工業生産 | $IP_t$ | 月次 | G.17統計リリース |
| 設備稼働率 | $CU_t$ | 月次 | G.17（製造業） |
季節調整：
ほとんどの系列はX-13ARIMA-SEATSによって季節調整されます：
ここで$S_t$ = 季節因子、$TD_t$ = 営業日数調整、$H_t$ = 祝日調整。
実質変数の連鎖ウェイト：
実質GDPとコンポーネントは変化する価格構造を扱うためにフィッシャー理想連鎖ウェイトを使用します：
修正の扱い：
モデルは推定に「最終修正済み」データビンテージを使用しますが、リアルタイム予測ではデータの不確実性を考慮する必要があります：
修正分散$\sigma_{rev}^2$は過去の修正パターンから推定されます。GDPの典型的な修正標準偏差は約0.5pp。
# 完全な入力データ状態（2025年第4四半期）
# 実体経済
GDP_real = 22.82 # 兆ドル、2017年価格
GDP_nominal = 28.91 # 兆ドル、名目
GDP_deflator = 126.8 # 指数、2017年 = 100
GDP_growth_qoq_ar = 0.024 # 季節調整済年率前期比2.4%成長
# 労働市場
employment_nonfarm = 159.2 # 百万人
unemployment_rate = 0.040 # 4.0%
participation_rate = 0.625 # 62.5%
NAIRU_estimate = 0.042 # 4.2%（CBO推定）
job_openings = 8.1 # 百万件（JOLTS）
quits_rate = 0.023 # 月次2.3%
layoffs_rate = 0.011 # 月次1.1%
# 賃金と生産性
avg_hourly_earnings = 35.20 # ドル/時間
wage_growth_yoy = 0.045 # 4.5%
ECI_growth = 0.042 # 4.2%（より良い指標）
productivity_growth = 0.021 # 前年比2.1%
unit_labor_cost_growth = 0.024 # 前年比2.4%
# 価格
PCE_inflation_headline = 0.028 # 前年比2.8%
PCE_inflation_core = 0.026 # 前年比2.6%（Fedの目標）
CPI_inflation_headline = 0.032 # 前年比3.2%
CPI_inflation_core = 0.038 # 前年比3.8%
PPI_finished_goods = 0.022 # 前年比2.2%
import_prices_growth = -0.005 # 前年比-0.5%（ドル高）
# 消費と投資
personal_consumption = 15.78 # 兆ドル
personal_income = 24.51 # 兆ドル
saving_rate = 0.042 # 4.2%
retail_sales_growth = 0.032 # 前年比3.2%
gross_private_investment = 4.82 # 兆ドル
residential_investment = 0.89 # 兆ドル
nonresidential_investment = 3.93 # 兆ドル
business_equipment = 1.65 # 兆ドル
structures = 0.76 # 兆ドル
# 住宅
housing_starts = 1.42 # 百万戸、季節調整済年率
existing_home_sales = 4.1 # 百万件、季節調整済年率
median_home_price = 412000 # ドル
months_supply = 3.8 # 在庫の月数
mortgage_rate_30yr = 0.072 # 7.2%
# 金融市場
fed_funds_rate = 0.0525 # 5.25%
treasury_2yr = 0.0475 # 4.75%
treasury_10yr = 0.0445 # 4.45%
corporate_AAA_yield = 0.0565 # 5.65%
corporate_BAA_yield = 0.0635 # 6.35%
credit_spread_BAA_AAA = 0.0070 # 70bp
SP500_level = 4750
SP500_PE_forward = 21.2
VIX_volatility = 16.5
equity_risk_premium = 0.045 # 4.5%推定
# 為替レート（1米ドル当たり外貨）
EUR_USD = 1.052
GBP_USD = 1.248
JPY_USD = 148.5
CNY_USD = 7.28
CAD_USD = 1.382
trade_weighted_broad = 104.2
# 財政
federal_deficit = 1.45 # 兆ドル
debt_held_public = 28.2 # 兆ドル
debt_GDP_ratio = 0.976 # 97.6%
government_purchases = 1.48 # 兆ドル
transfer_payments = 3.92 # 兆ドル
# エネルギー
oil_WTI = 82.0 # ドル/バレル
natural_gas = 3.2 # ドル/MMBtu
gasoline_retail = 3.45 # ドル/ガロン
# グローバル
world_GDP_growth = 0.031 # 3.1%
EU_growth = 0.008 # 0.8%
China_growth = 0.048 # 4.8%
emerging_markets_growth = 0.042 # 4.2%
# サーベイと期待
michigan_inflation_1yr = 0.032 # 3.2%
michigan_inflation_5yr = 0.029 # 2.9%
SPF_GDP_2026 = 0.022 # 2.2%
SPF_inflation_2026 = 0.023 # 2.3%
consumer_confidence = 102.5 # 指数
business_confidence_ISM = 48.8 # <50 = 縮小
# データ品質指標
GDP_revision_std = 0.005 # 典型的な修正0.5pp
employment_revision_std = 75000 # 雇用者数
inflation_measurement_error = 0.003 # 0.3pp
いくつかの変数はモデルの外部で決定される外生変数として扱われます：
| 変数 | 取扱い | 基本経路（2026年） | 感応度 |
|---|---|---|---|
| 原油価格 | 外生変数 | 78ドル/バレル（低下傾向） | ±10ドル → ±0.15ppインフレ |
| 海外需要 | 外生変数 | 3.0%成長 | ±1pp → ±0.3pp米国成長 |
| 財政政策 | 外生変数 | 1.6兆ドル赤字 | 5,000億ドル変化 → ±0.8pp GDP |
| 生産性トレンド | 外生変数 | 年率1.8% | ±0.5pp → ±0.5pp潜在GDP |
| 労働力成長 | 人口統計モデル | 年率0.4% | 人口予測に連動 |
測定誤差分散：
これらの誤差分散は確率的シミュレーションと予測信頼区間に組み込まれています。
このセクションでは、モデルが現在のデータをどのようにベースライン予測と代替シナリオに変換するかを示します。
モデルは政策とショックに関する前提を条件とした条件付き予測を生成します。これは構造化された「もし〜なら」の分析であり、約束ではありません。
ベースラインでは、金利は2026年半ばまで5.25%に維持され、その後2026年末までに4.50%に緩和し、2027年後半までに3.50%に達すると仮定しています。
2025年第4四半期 → 2026年第1四半期：引き締め的政策の効果
2026年第2〜第4四半期：Fedが利下げを開始
2027年：ソフトランディング
| 期間 | GDP成長率 | 失業率 | インフレ率 | フェデラルファンド金利 |
|---|---|---|---|---|
| 現在（2025年第4四半期） | 2.4% | 4.0% | 2.6% | 5.25% |
| 2026年末 | 2.1% | 4.2% | 2.3% | 4.50% |
| 2027年末 | 2.0% | 4.2% | 2.1% | 3.50% |
| 長期（持続可能） | 2.0% | 4.2% | 2.0% | 3.50% |
解釈： ベースラインはソフトランディングを示唆します。インフレは景気後退なしに低下し、成長率はプラスを維持し、失業率は小幅に上昇します。
もし： インフレが2%に低下せず3%近くにとどまったら？
モデルの予測：
教訓： インフレの持続はより顕著な景気減速のリスクを高めます。
もし： 2026年に金融ショックが発生したら？
モデルの予測：
教訓： 回復経路は政策対応に大きく依存します。
もし： 生産性成長率が1.8%から3.0%に上昇したら？
モデルの予測：
教訓： 生産性の速い成長はインフレと産出量のトレードオフを緩和します。
過去のFRB/US予測と実際の結果を比較すると：
解釈： 予測精度は予測期間が延びるにつれて低下します。ショックがいかなるベースラインをも凌駕します。
Fedの見方： モデルは正確な結果ではなく、範囲とトレードオフを提示するのに役立ちます。
このセクションでは、明示的な前提と方法論を用いた2025年第4四半期データによる実際の予測作業を提供します。
政策前提：
2027年第4四半期までに最終的な（中立的な）金利$r^* = 0.035$に到達。
財政前提：
外生変数の経路：
# 完全四半期予測：2025年第4四半期〜2028年第4四半期
四半期 GDP成長 失業率 コアPCE FF金利 10年国債 消費成長 投資成長 住宅価格
2025:Q4 2.4 4.0 2.6 5.25 4.45 2.8 1.2 412000
2026:Q1 1.8 4.1 2.5 5.25 4.38 2.2 -0.8 408000
2026:Q2 1.9 4.1 2.4 5.25 4.32 2.3 0.2 405000
2026:Q3 2.0 4.2 2.3 5.00 4.18 2.4 1.5 403000
2026:Q4 2.1 4.2 2.3 4.50 3.95 2.5 2.8 405000
2027:Q1 2.2 4.2 2.2 4.25 3.85 2.6 3.2 408000
2027:Q2 2.1 4.2 2.1 4.00 3.75 2.5 3.0 412000
2027:Q3 2.0 4.2 2.1 3.75 3.68 2.4 2.5 415000
2027:Q4 2.0 4.2 2.1 3.50 3.60 2.3 2.2 418000
2028:Q1 2.0 4.2 2.0 3.50 3.58 2.3 2.0 420000
2028:Q2 2.0 4.2 2.0 3.50 3.55 2.3 2.0 422000
2028:Q3 2.0 4.2 2.0 3.50 3.55 2.3 2.0 424000
2028:Q4 2.0 4.2 2.0 3.50 3.55 2.3 2.0 426000
# 成長率はすべて%季節調整済年率換算、金利は%、価格はドル
# GDP成長 = 実質GDP成長率
# 失業率 = 失業率
# コアPCE = コアPCEインフレ
# FF金利 = フェデラルファンド目標金利
# 10年国債 = 10年国債利回り
# 消費成長 = 実質消費成長率
# 投資成長 = 実質企業投資成長率
# 住宅価格 = 既存住宅中央値価格
| コンポーネント | 2025年（pp） | 2026年（pp） | 2027年（pp） | 2028年（pp） |
|---|---|---|---|---|
| 個人消費 | +1.9 | +1.6 | +1.6 | +1.6 |
| 企業投資 | +0.2 | +0.3 | +0.5 | +0.4 |
| 住宅投資 | -0.1 | +0.1 | +0.2 | +0.1 |
| 政府 | +0.4 | +0.3 | +0.2 | +0.2 |
| 純輸出 | -0.2 | -0.3 | -0.4 | -0.3 |
| 在庫変化 | +0.2 | 0.0 | -0.1 | 0.0 |
| GDP成長率合計 | +2.4 | +2.0 | +2.0 | +2.0 |
シナリオA：「持続的インフレ」（不利なシナリオ）
前提：コアPCEが2026年を通じて3.0%にとどまり、Fedがより積極的な対応を迫られます。
# 代替シナリオA：持続的インフレ
四半期 GDP成長 失業率 コアPCE FF金利 ベースラインとの乖離
2026:Q1 1.4 4.2 3.0 5.25 -0.4pp GDP
2026:Q2 1.2 4.3 2.9 5.50 -0.7pp GDP
2026:Q3 0.8 4.6 2.8 5.75 -1.2pp GDP
2026:Q4 0.5 4.9 2.6 5.75 -1.6pp GDP
2027:Q1 0.8 5.2 2.4 5.50 -1.4pp GDP
2027:Q2 1.2 5.3 2.2 5.00 -0.9pp GDP
2027:Q3 1.8 5.1 2.1 4.50 -0.2pp GDP
2027:Q4 2.0 4.8 2.0 4.00 0.0pp GDP
# 実現した犠牲比率：約3.2（モデルキャリブレーションと整合）
# 累積産出損失：約4.5pp・年
# 失業率ピーク：5.3%（ベースライン4.2%に対して）
シナリオB：「金融ストレス」（テールリスク）
前提：2026年第2四半期に+300bpのクレジットスプレッドショックが3四半期間続きます。
# 代替シナリオB：金融危機
四半期 GDP成長 失業率 コアPCE FF金利 クレジットスプレッド
2026:Q1 0.8 4.3 2.4 5.25 180bp
2026:Q2 -2.1 4.8 2.0 4.50 480bp（ショック）
2026:Q3 -1.5 5.5 1.5 3.00 420bp
2026:Q4 0.2 6.1 1.2 2.00 320bp
2027:Q1 2.8 6.0 1.4 2.00 220bp
2027:Q2 3.5 5.5 1.8 2.00 190bp
2027:Q3 3.2 5.0 2.0 2.25 180bp
2027:Q4 2.5 4.6 2.1 2.50 175bp
# 回復プロファイル：積極的政策によるシャープなV字型
# ピークからトラフのGDP：-3.6%
# 景気後退の期間：2四半期
# ベースラインへの回帰時間：約10四半期
シナリオC：「生産性急上昇」（楽観的シナリオ）
前提：トレンド生産性がAI主導の利益により3.0%に加速します。
# 代替シナリオC：生産性ブーム
四半期 GDP成長 失業率 コアPCE FF金利 実質賃金成長率
2026:Q1 2.8 3.9 2.3 5.25 5.2
2026:Q2 3.2 3.8 2.2 5.00 5.8
2026:Q3 3.5 3.7 2.1 4.75 6.1
2026:Q4 3.6 3.6 2.0 4.50 6.3
2027:Q1 3.5 3.6 2.0 4.25 6.2
2027:Q2 3.4 3.6 2.0 4.00 6.0
2027:Q3 3.3 3.6 2.0 3.75 5.8
2027:Q4 3.2 3.6 2.0 3.50 5.6
# 潜在GDP成長率：3.2%（ベースライン2.0%に対して）
# 急速な成長にもかかわらずインフレ圧力なし
# 実質賃金が大幅に加速
# 政策は緩和的に維持可能
予測の不確実性は確率的シミュレーション（1,000回）によって定量化されます：
| 変数 | 予測期間 | 70% CI | 90% CI | 歪度 |
|---|---|---|---|---|
| GDP成長率 | 4四半期 | [1.0%, 3.2%] | [0.3%, 4.1%] | -0.15 |
| GDP成長率 | 8四半期 | [0.8%, 3.5%] | [-0.5%, 4.8%] | -0.22 |
| 失業率 | 4四半期 | [3.8%, 4.6%] | [3.5%, 5.1%] | +0.35 |
| 失業率 | 8四半期 | [3.6%, 5.0%] | [3.2%, 5.8%] | +0.42 |
| コアPCEインフレ | 4四半期 | [1.8%, 2.8%] | [1.5%, 3.2%] | +0.18 |
| コアPCEインフレ | 8四半期 | [1.5%, 2.9%] | [1.2%, 3.5%] | +0.25 |
注： GDPの負の歪度（下振れリスクが支配的）、失業率とインフレの正の歪度（上振れリスクが支配的）。非対称損失関数とフィリップス曲線の非線形性を反映しています。
二乗平均平方根誤差（2000〜2023年）：
| 変数 | 1四半期先 | 4四半期先 | 8四半期先 | 単純予測との比較 |
|---|---|---|---|---|
| GDP成長率 | 0.8pp | 1.5pp | 2.1pp | 28%改善 |
| 失業率 | 0.2pp | 0.5pp | 0.9pp | 35%改善 |
| コアPCEインフレ | 0.4pp | 0.8pp | 1.2pp | 22%改善 |
| フェデラルファンド金利 | 0.3pp | 0.8pp | 1.4pp | 15%改善 |
方向性の正確さ：
バイアス検定（ミンサー・ザーノビッツ回帰）：
| 変数 | $\hat{\alpha}$ | $\hat{\beta}$ | $H_0: (\alpha, \beta) = (0,1)$ p値 |
|---|---|---|---|
| GDP成長率（4四半期先） | 0.31 | 0.89 | 0.15（バイアスなし） |
| インフレ（4四半期先） | -0.18 | 1.08 | 0.22（バイアスなし） |
| 失業率（4四半期先） | 0.42 | 0.91 | 0.08（限界的バイアス） |
解釈： GDPとインフレの予測は概してバイアスがなく、失業率にはわずかな上方バイアスがあります（上昇を過少予測する傾向）。
このセクションでは、モデルが政策分析、公的コミュニケーション、ストレステストにどのように使用されているかをまとめます。
モデルは意思決定をしません。スタッフが異なる前提と政策経路の下での結果を比較するのを助けます。
月曜〜火曜日：
水曜日：
木曜日：
会合当日：
四半期ごとにFedはモデル結果と判断を踏まえた経済予測を公表します。
Fedが公表するもの：
重要な理由： ドットプロットが変化すると市場は迅速に再評価します：
例（2022年6月）： ドットプロットが上方シフトし、住宅ローン金利が素早く上昇しました。
Fedはモデルを使って銀行ストレステストの「深刻に不利な」シナリオを設計します：
典型的なストレスシナリオ：
銀行が示さなければならないもの： 損失を吸収し貸出を続けるのに十分な資本がある。
重要な理由： ストレステストはシステム全体の銀行危機の再発リスクを低減し、預金者保護に役立ちます。
危機： 2020年3月に経済が急激に停止した。
モデルの貢献：
結果： 政策対応は大規模で、回復は歴史的に見ても速かった。
課題： インフレが急上昇し、9%近くにピークに達した。
モデルの役割：
結果（現時点まで）： 2025年末までにインフレは景気後退なしに約2.6%まで低下し、ソフトランディングと整合的。
危機： 住宅バブルの崩壊が銀行破綻、信用凍結、深刻な景気後退につながった。
露わになったモデルの限界：
モデルの改善：
教訓： モデルは経験を通じて進化し、大きなショックの後に更新されます。
モデルは強力なツールですが、魔法ではありません：
結論： モデルは市場シグナル、サーベイ、判断とともに多くの情報源のうちの一つです。
モデルは経済の変化とともに進化します。
このセクションでは、政策審議、ストレステスト、外部研究および市場応用におけるFRB/USの運用的使用をまとめます。
# 典型的なFOMCサイクルの政策分析（年8回）
## T-10日：データ収集
- 最新リリースを収集：GDP、雇用、インフレ、金融データ
- 季節調整と品質チェックを実施
- 外生変数の前提を更新（原油、海外需要、財政）
- NIPAの恒等式とのデータ整合性を検証
## T-7日：ベースライン予測の構築
# VARの期待値を使用してベースラインを生成
baseline = solve_frbusmodel(
mode = "VAR",
policy_rule = "inertial_Taylor",
horizon = 12_quarters,
initial_conditions = current_data,
exogenous_path = baseline_assumptions
)
# 代替案：選択されたシナリオのRE期待値
baseline_RE = solve_frbusmodel(
mode = "RE",
policy_rule = "optimal_commitment",
horizon = 12_quarters
)
## T-5日：代替政策シナリオ
scenarios = []
for policy_path in [
hold_current_rate_4qtrs,
cut_25bp_per_qtr,
hike_25bp_per_qtr,
outcome_based_rule
]:
scenario = solve_frbusmodel(
policy_path = policy_path,
mode = "VAR",
horizon = 12_quarters
)
scenarios.append(scenario)
## T-3日：確率的シミュレーション
# 不確実性の定量化を生成
stoch_results = run_stochastic_simulations(
n_draws = 1000,
shock_distribution = estimated_shock_cov,
forecast_horizon = 12_quarters
)
# 信頼バンドを抽出
CI_70 = extract_quantiles(stoch_results, [0.15, 0.85])
CI_90 = extract_quantiles(stoch_results, [0.05, 0.95])
## T-2日：リスク評価
# シナリオ確率ウェイトによる非対称リスク
downside_scenarios = [
"financial_stress": 0.15,
"persistent_inflation": 0.20,
"supply_shock": 0.10
]
upside_scenarios = [
"productivity_boom": 0.10,
"faster_disinflation": 0.15
]
risk_adjusted_forecast = compute_weighted_average(
[baseline] + scenarios,
weights = [0.50] + scenario_probs
)
## T-1日：ブリーフィング資料の準備
# Tealbookのチャートと表を生成
- 信頼区間付きGDP成長ファンチャート
- インフレ予測 vs. 目標
- 失業率ギャップの可視化
- テイラー・ルールの処方値 vs. 実際の政策
- 代替シナリオの比較
- リスク評価サマリー
## 会合当日：プレゼンテーションと審議
- スタッフがベースラインと代替案を提示
- FOMCメンバーがモデルアウトプットを受け取る
- 議論ではモデル + 判断 + 市場シグナルを組み合わせる
- SEP（経済見通しサマリー）とともに決定が発表される
FRB/USは包括的資本分析・評価（CCAR）のためのマクロ経済シナリオを提供します：
深刻に不利なシナリオの生成：
ショックは歴史的なストレスエピソード（2008〜2009年、1980〜82年、1974〜75年）に基づいてキャリブレーションされます。
# 深刻に不利なシナリオの構築（典型的なCCAR）
## ショックの定式化
shocks = {
"financial_crisis": {
"equity_market": -50%, # S&P 500が50%下落
"house_prices": -25%, # 住宅価格が25%下落
"credit_spread": +500bp, # 社債スプレッドが急上昇
"VIX": 70に急上昇, # 極端なボラティリティ
"foreign_demand": -15% # グローバル景気後退
},
"real_shock": {
"productivity": -2%, # TFPの低下
"labor_supply": -1%, # 参加率の低下
"confidence": -30% # センチメントの崩壊
}
}
## FRB/USを通じた伝播
severe_scenario = solve_frbusmodel(
initial_shocks = shocks,
duration = 13_quarters,
policy_response = "aggressive_easing", # Fedがゼロ下限まで引き下げ
fiscal_response = "automatic_stabilizers",
mode = "VAR" # 危機では適応的期待を使用
)
## 典型的な深刻に不利なシナリオのアウトプット
# ピーク影響（最悪期の四半期）：
- 実質GDP：-4.0%（累積）
- 失業率：10.0%
- 株価：-50%
- 住宅価格：-25%
- 商業用不動産：-35%
- BBB社債スプレッド：+570bp
# 回復経路：
# 9〜13四半期かけてベースラインに段階的に回帰
# Fedは長期間ゼロ金利を維持
# 財政赤字がGDP比4〜5pp拡大
銀行固有の応用：
銀行はFRB/USシナリオを使ってストレス下の損失を予測します：
デフォルト確率（PD）とデフォルト時損失率（LGD）はマクロ経済シナリオの関数です。
CBOは10年間の予算枠予測のためにFRB/USの変形を維持しています：
| 応用 | FRB/USからの変更 | 主な用途 |
|---|---|---|
| ベースライン予算予測 | 延長された期間（40四半期） | 10年間の赤字・債務予測 |
| 税制スコアリング | 詳細な税制ブロック | 立法の収入推定 |
| 社会保障予測 | 人口動態的移行 | 社会保障・メディケアの支出 |
| 財政乗数分析 | 代替期待メカニズム | 景気刺激パッケージの影響推定 |
投資銀行の政策デスクでの使用：
例：金利デスクのワークフロー：
# 投資銀行の金利戦略（FRB/US使用）
## ステップ1：Fedのベースラインを再現
fed_baseline = solve_frbusmodel(
calibration = "Federal_Reserve_2024",
expectations = "VAR",
policy_rule = "estimated_historical"
)
## ステップ2：市場価格を重ね合わせる
market_implied_path = extract_from_fed_funds_futures()
market_implied_terminal = extract_from_forwards()
## ステップ3：ミスプライシングを特定
pricing_gap = market_implied_path - fed_baseline.policy_path
## ステップ4：リスクシナリオ
# モデルがFedの引き上げが価格より多い必要があると示す場合：
scenario_1 = solve_frbusmodel(
policy_path = model_optimal, # 市場より高い
compute_bond_yields = True
)
# 市場がタカ派過ぎる場合：
scenario_2 = solve_frbusmodel(
policy_path = market_implied,
compute_growth_impact = True # どれほどの成長ダメージか？
)
## ステップ5：取引推奨
if pricing_gap > 50bp:
recommendation = "2年国債ショート（利回りは上昇）"
rationale = "市場がFedの利上げサイクルを過小評価"
conviction = high
FRB/USを使用した最近の研究：
| 研究課題 | 変更点 | 主な知見 |
|---|---|---|
| 最適インフレ目標 | $\pi^*$を1%〜4%で変化 | 2〜2.5%が損失関数を最小化 |
| フォワードガイダンスの有効性 | VARとRE期待値の比較 | 効果はRE予測の30〜40% |
| ゼロ下限での財政乗数 | $r_t \geq 0$の制約 | ゼロ下限で乗数が2〜3倍 |
| 気候変動の影響 | 生産性ダメージ関数を追加 | 2050年までに年間0.1〜0.3ppのGDP押し下げ |
| ユニバーサル・ベーシック・インカム | 移転追加、労働供給変更 | 財源次第で適度なインフレ効果 |
| 自動化と格差 | 2エージェントモデル（熟練/非熟練） | 資本分配率の上昇、賃金の二極化 |
1. テールリスクと非線形危機：
FRB/USは定常状態まわりで線形化されており、極端な事象ではパフォーマンスが悪化します：
2. 期待形成：
VAR期待値は体制変化の際に不十分です：
3. 金融セクターの単純さ：
銀行仲介と信用フリクションが限定的：
4. 異質性：
代表的エージェント・フレームワークが分布効果を見逃します：
5. 構造変化：
歴史データから推定されたパラメーターが不安定かもしれません：
Fedスタッフは頑健性のために複数のモデルを使用します：
| モデル | タイプ | FRB/USに対する強み | 用途 |
|---|---|---|---|
| EDO（推定DSGE） | ベイズDSGE | 理論整合的、RE期待値 | 政策シナリオのクロスチェック |
| SIGMA（多国間） | 開放経済DSGE | 国際連携、為替レート | グローバルスピルオーバー分析 |
| ファクターモデル（予測） | 統計的VAR/ファクター | 短期予測精度 | 当四半期のナウキャスティング |
| サーベイベース予測 | サーベイ集計 | 市場期待、信頼性 | 期待のアンカリング評価 |
| 地区連銀モデル | セクター別/地域別 | 産業の詳細、地域的変動 | 地域的異質性 |
運用上の実践： Fedスタッフは4〜6個のモデルから予測を準備し、FOMCに結果の範囲を提示します。意思決定者は、事業先からのリアルタイム情報、市場シグナル、定性的要因と合わせてモデルベースの分析を検討します。
このセクションでは、FRB/USのパラメーター推定、識別戦略、キャリブレーションの選択についてまとめます。
FRB/USは以下を組み合わせたハイブリッド推定アプローチを採用しています：
# 推定の哲学とシーケンス
## フェーズ1：誘導型関係の推定
# 個々の方程式にOLS/MLEを使用
# 同時性を無視して一致推定量を得る
# 例：消費関数
C_t = β₀ + β₁·Y_t + β₂·W_t + β₃·r_t + ε_t
# HAC標準誤差によるOLSで推定
## フェーズ2：期待値の組み込み
# E_t[X_{t+h}]をVAR生成の予測で置き換える
# 構築された期待値で方程式を再推定
# 例：消費オイラー方程式
C_t = γ₁·E_t[C_{t+1}] + γ₂·C_{t-1} + γ₃·(r_t - E_t[π_{t+1}]) + ε_t
# E_t[·]をVAR予測で置き換えてGMMで推定
## フェーズ3：理論的制約の賦課
# 長期同次性、加算制約を適用
# 例：生産関数
log(Y_t) = α·log(K_t) + (1-α)·log(L_t) + log(A_t)
# αは国民勘定の資本分配率にキャリブレーション（≈0.33）
## フェーズ4：システム特性の検証
# フルモデルを解き、以下を確認：
- 安定性（線形化されたシステムの固有値）
- 共和分関係の成立
- 経済的に合理的なインパルス応答
- ホールドアウト標本での予測パフォーマンス
## フェーズ5：反復的な精緻化
# システム特性が不十分な場合：
- 識別が困難なパラメーターを調整
- 追加の制約を課す
- 更新されたプライアーで再推定
消費ブロック：
| パラメーター | 推定値 | 標準誤差 | 解釈 |
|---|---|---|---|
| $\gamma_1$ | 0.38 | (0.08) | 前向き重み |
| $\gamma_2$ | 0.62 | (0.08) | 後ろ向き重み（習慣） |
| $\gamma_3$ | 0.03 | (0.005) | 富効果（1ドルにつき3セント） |
| $\gamma_4$ | -0.12 | (0.03) | 金利の半弾力性 |
投資ブロック：
| パラメーター | 推定値 | 標準誤差 | 識別 |
|---|---|---|---|
| $\phi_1$ | 0.042 | (0.012) | Qの変動（株式市場のボラティリティ） |
| $\phi_2$ | 19.5 | (3.2) | 産出量成長の相関 |
| $\phi_3$ | 0.18 | (0.06) | キャッシュフロー感応度（流動性） |
フィリップス曲線：
| パラメーター | 推定値（1985〜2019年） | 推定値（2000〜2019年） | 変化 / 不安定性 |
|---|---|---|---|
| $\gamma_f$ | 0.32 | 0.24 | ↓ 前向き重みが低下 |
| $\gamma_b$ | 0.68 | 0.76 | ↑ より後ろ向きに |
| $\kappa$ | 0.019 | 0.009 | ↓ フラット化（重要な知見） |
| $\mu$ | 0.08 | 0.075 | 安定した輸入パススルー |
主要な知見： フィリップス曲線は2000年以降にフラット化し、犠牲比率は約2.0から3.5に上昇しました。これはモデルにおける最も重要なパラメーターの不安定性です。
1. 連立方程式バイアス：
多くの行動方程式は内生的な右辺変数を含みます。例：消費は所得に依存しますが、所得は消費に依存します。
解決策： 操作変数推定：
操作変数$Z_t$には、ラグ値、外生ショック（原油価格、海外需要）、政策変数が含まれます。
2. 期待値：
$E_t[X_{t+h}]$は観察不能であり、構築された回帰変数が必要です：
これにより生成された回帰変数バイアスが生じ、ブートストラップ標準誤差が必要になります。
3. 構造的ブレーク：
パラメーターは時間の経過とともに不安定性を示します。以下によるテスト：
結果：フィリップス曲線での有意なブレーク（p < 0.01）、消費/投資での軽微なブレーク（p ≈ 0.05〜0.10）。
解決策： ローリングウィンドウまたはベイズ法による時変パラメーター。
| パラメーター | 値 | ソース / 根拠 |
|---|---|---|
| 生産関数$\alpha$（資本分配率） | 0.33 | NIPA資本所得分配率 |
| 減価償却率$\delta$ | 0.025 | BEA固定資産表（四半期） |
| 割引因子$\beta$ | 0.995 | 年率2%の割引率を意味する |
| 異時点間代替弾力性$\sigma$ | 2.0 | ミクロ研究（IES ≈ 0.5） |
| フリッシュ労働弾力性 | 0.5 | マクロ労働供給の文献 |
| カルボ価格継続期間$1/(1-\theta)$ | 4四半期 | Bils-Klenowミクロ価格データ |
| カルボ賃金継続期間 | 4四半期 | テイラー契約の文献 |
| 中立実質金利$r^*$ | 0.5% | Laubach-Williams推定（2024年） |
| NAIRU $u^*$ | 4.2% | CBO推定、カルマンフィルター |
| トレンド生産性成長$\mu_A$ | 1.8% | BLS予測 |
サンプル期間： 1966年第1四半期〜2023年第4四半期（232四半期）
開始日の根拠：
データビンテージ： 「最終修正済み」ビンテージ（2024年第3四半期時点）
頻度： 四半期（モデルのネイティブ頻度）
サブサンプルの頑健性：
1. サンプル内あてはまり：
| 変数 | $R^2$ | RMSE | AR(4)モデルとの比較 |
|---|---|---|---|
| GDP成長率 | 0.68 | 0.9pp | 30%改善 |
| 失業率 | 0.92 | 0.3pp | 25%改善 |
| コアインフレ | 0.85 | 0.5pp | 20%改善 |
| フェデラルファンド金利 | 0.94 | 0.6pp | 15%改善 |
2. サンプル外予測精度：
2000〜2023年の再帰的予測（拡大ウィンドウ）：
| 予測期間 | GDP RMSE | インフレ RMSE | VARとのディボルド・マリアーノ検定 |
|---|---|---|---|
| 1四半期 | 0.8pp | 0.4pp | p = 0.03（FRB/USが優位） |
| 4四半期 | 1.5pp | 0.8pp | p = 0.12（限界的） |
| 8四半期 | 2.1pp | 1.2pp | p = 0.45（差なし） |
3. インパルス応答の検証：
FRB/USのインパルス応答を識別されたVAR（Romer-Romerの金融ショック）と比較：
結論： モデルのダイナミクスは識別された実証的証拠と概ね整合しています。
1. 時変パラメーター：
主要パラメーターは時間の経過とともにドリフトを示します。特に：
現在の研究：ベイズ時変パラメーターモデル
2. 金融フリクション：
金融セクターの詳細が限られているため：
現在の研究：Bernanke-Gertler-Gilchristの金融アクセラレーターの統合
3. 異質性：
代表的エージェント・フレームワークが分布のマージンを見逃します：
現在の研究：2エージェントHANK（異質エージェント・ニュー・ケインジアン）バリアント
4. 期待形成：
VAR期待値は以下の際にパフォーマンスが低下します：
現在の研究：学習モデル、サーベイ整合的期待
FRB/USのモデルコードは公開されています：
% FRB/USをMATLABで実行する例
% モデルの読み込み
load('FRBUSmodel_2024Q3.mat');
% ベースラインの前提設定
baseline.initial_conditions = current_data;
baseline.exogenous_path = standard_assumptions();
baseline.expectations_mode = 'VAR';
baseline.policy_rule = 'inertial_Taylor';
% モデルを解く
[Y, info] = solve_frbus(model, baseline);
% 主要変数の抽出
GDP_growth = Y.GDP_real_growth;
unemployment = Y.unemployment_rate;
inflation = Y.PCE_core_inflation;
fed_funds = Y.federal_funds_rate;
% 結果のプロット
plot_forecast(GDP_growth, unemployment, inflation, fed_funds);
% 代替シナリオ
alt_scenario = baseline;
alt_scenario.policy_rule = 'aggressive_hike';
[Y_alt, info_alt] = solve_frbus(model, alt_scenario);
% 比較
compare_scenarios(Y, Y_alt);
すべてのモデルには限界があります。限界を理解することで、結果の活用方法が改善されます。
モデルの精度は短い期間では高く、稀な極端な事象では低くなります。このトレードオフは経済モデルにも適用されます。
問題： モデルはベースラインの世界を前提とし、稀なショックを予見できません：
重要な理由： これらの事象はしばしばいかなるベースラインからも大きな乖離を引き起こします。
Fedの対応： タイミングは予測できなくても、スタッフはストレスシナリオを実行します。
問題： モデルは前向きな行動を前提とします。実際の意思決定は心理と不確実性に左右されることがあります：
意味するところ： モデルは通常時に最も機能し、転換点を見逃す可能性があります。
問題： モデルは代表的家計と企業を使用します。分布効果は異なりえます：
Fedが金利を0%から5%に引き上げた場合：
モデルはこれらの効果を平均化し、分布的影響を見逃す可能性があります。
問題： 失業率とインフレの関係（フィリップス曲線）が弱まっています。
1970〜80年代：
2010年以降：
そして2021〜2022年：
結論： 歴史的関係が変化したため、インフレ予測はより信頼性が低くなっています。
問題： 銀行、信用、金融市場が簡略化されています。これが2008年のパフォーマンスを制限しました：
2008年にモデルが見逃したもの：
モデルの予測： 軽微な景気後退
実際に起こったこと： 深刻な雇用喪失を伴う深刻な景気後退
得られた教訓： 金融危機にはベースラインが提供するよりも豊かな金融セクターのモデリングが必要です。
問題： 予測精度は1〜2年以降急速に低下します：
| 予測期間 | 典型的な誤差（GDP） | 信頼性 |
|---|---|---|
| 1四半期先 | ±0.8% | 高い |
| 1年先 | ±1.5% | 中程度 |
| 2年先 | ±2.5% | 低め |
| 5年以上先 | ±4%以上 | 低い |
意味するところ： 近期予測により大きなウェイトが置かれます。長期予測はせいぜい方向性を示すものです。
問題： モデルは過去のデータから推定されていますが、経済は進化します：
完全に捉えられていない主要な変化：
Fedの対応： モデルは時間の経過とともに更新されますが、修正は必然的に構造変化に遅行します。
モデルは有用なアドバイザーであり：
Fedの実際の活用方法：
最終的な評価： FRB/USは価値あるツールであり、他のモデル、市場シグナル、判断と組み合わせて最もよく活用されます。
FRB/USはツールであり、経済の文字通りの描写ではありません。Fedは、2008年と2021〜2022年の著名な予測誤差によって強化された、慎重な解釈を強調します。
このセクションでは、学術的批判、内部評価、比較パフォーマンスからの既知の弱点をまとめます。目標は、モデルが失敗しがちな箇所と結果の解釈方法を理解することです。
問題： 異質なミクロ行動から代表的エージェントへの集計は重要な波及メカニズムを失います。
HANK文献からの証拠：
定量的含意：
富の分布によって異なります。現在の米国の富のジニ係数≈0.85は$MPC_{true} \approx 0.30$を意味し、FRB/USが消費反応を過大評価している可能性を示唆します。
金融政策への含意：
金利変化は家計に非対称に影響します：
FRB/USはこれらを平均化し、集計的な波及を30〜40%誤推定する可能性があります。
欠落しているチャネル：
結果：2008年の予測失敗
FRB/US 2008年第3四半期予測（リーマン・ショック後）：
モデルに金融アクセラレーターメカニズムが欠如していました：
しかし欠落していたのは：
2010年以降の改善：
Bernanke-Gertler-Gilchristの金融アクセラレーターを追加：
外部資金プレミアムはレバレッジとともに上昇します。しかし依然として欠けているのは：
体制変化の際にVAR期待値に問題：
ケース1：ボルカーのディスインフレ（1980〜82年）
ケース2：ゼロ下限でのフォワードガイダンス（2011〜2015年）
ハイブリッドアプローチの限界：
静的ウェイトは不十分。サーベイ証拠は$\lambda_t$が以下に応じて変化することを示唆します：
構造的ブレークの証拠：
| 期間 | 傾き$\kappa$ | 犠牲比率 | 標準誤差 |
|---|---|---|---|
| 1960〜1984年 | 0.031 | 2.0 | (0.008) |
| 1985〜1999年 | 0.019 | 2.8 | (0.009) |
| 2000〜2019年 | 0.009 | 3.5 | (0.012) |
| 2020〜2024年 | 0.004 | 5.0以上 | (0.018) |
1985〜1999年と2000〜2019年の間のブレークのチョウ検定：F(3,150) = 8.42、p < 0.001
競合する仮説：
2021〜2023年のインフレ局面の失敗：
FRB/US予測（2021年第1四半期）の2022年インフレ：2.3%
実際の2022年インフレ：6.5%（4.2ppの乖離！）
事後要因分解：
RMSE比較（2020〜2024年 vs. 2010〜2019年）：
| 変数 | 2010〜2019年 RMSE | 2020〜2024年 RMSE | 悪化 |
|---|---|---|---|
| GDP（4四半期先） | 1.2pp | 2.8pp | +133% |
| インフレ（4四半期先） | 0.6pp | 2.1pp | +250% |
| 失業率（4四半期先） | 0.4pp | 1.2pp | +200% |
インフレ予測誤差が特に深刻であり、高インフレ体制における根本的なモデルの誤定式化を示唆しています。
合理的期待の解法：
運用上の制約：FOMCサイクル（1週間の準備期間）中にパラメーターの不確実性を素早く探索できない。
回避策： 感応度行列を事前計算し、リアルタイム分析には線形近似を使用。
モデルは「最終修正済み」データで推定されていますが、政策担当者は速報値を見ます。
典型的なGDP修正パターン：
リアルタイム予測の悪化：
最終修正済みデータに対してリアルタイムビンテージを使用すると、予測RMSEが約20%上昇します。
オーファニデスの批判（2001年）： リアルタイムの産出ギャップ推定は非常に信頼性が低く、系統的な政策誤りにつながる可能性があります。FRB/USも同じ問題を抱えています：NAIRUと潜在GDPの推定は事後的に大幅に修正されます。
| モデルクラス | FRB/USに対する優位点 | FRB/USに対する劣位点 |
|---|---|---|
| DSGE（例：Smets-Wouters） | • 理論的整合性 • 政策不変 • 信頼できるコミットメント分析 | • 実証的あてはまりが悪い • 硬直的な構造 • 計算上の複雑さ |
| HANK（異質エージェント） | • 分布効果を捉える • 現実的なMPC • 財政ターゲティングが重要 | • 計算負荷が高い • パラメーターの増殖 • 予測精度が不明確 |
| VAR/BVAR | • 短期予測で優れる • 最小限の構造 • 高速な計算 | • 非理論的 • ルーカス批判 • 政策実験なし |
| 機械学習 | • 非線形関係 • 高次元データ • 優れたサンプル内あてはまり | • ブラックボックス • 経済的解釈なし • 過学習リスク |
1. 異質なエージェント：
完全なHANKの複雑さなしに限定的な異質性（2〜3タイプのエージェント）を統合：
2. 時変パラメーター：
以下によるパラメーターの推定：
フィリップス曲線の傾き、中立金利、NAIRUにカルマンフィルターを使用。
3. 金融フリクション：
Gertler-Karadi（2011）の銀行セクターを追加：
4. 機械学習の補強：
ハイブリッドアプローチ：FRB/USの構造的コア + モデル化されていないダイナミクスのML：
ここで$g^{ML}$は高頻度データの残差パターンを捉えるニューラルネットワークです。
5. 気候経済学の統合：
気候ダメージ関数を追加：
ここで$T_t$は気温偏差、$\gamma \approx 0.002$（1°C²当たりTFP損失0.2%）。
FRB/USは既知の限界があるにもかかわらず、連邦準備制度の政策分析の中核モデルであり続けています。その優位点—実証的あてはまり、計算上の扱いやすさ、制度的詳細—は運用上の使用においてデメリットを上回ります。
主要な強み：
重大な弱点：
総合評価： FRB/USは、代替モデル、市場情報、判断によって補完された、政策審議への一つの入力であるべきです。スタッフは予測の不確実性とモデルの限界を政策担当者に明示的に伝えるべきです。経済が進化するにつれて、継続的な研究とモデルの更新が不可欠です。