Essays on business cycle analysis and demography [Elektronische Ressource] / von Samad Sarferaz

Dipl.-Vw. Samad Sarferaz

Informations

• Publié par: humboldt-universitat_zu_berlin
• Publié le: 01 janvier 2009
• Nombre de lectures: 31
• Langue: English
• Poids de l'ouvrage: 2 Mo

Extrait

Essays on Business Cycle Analysis and Demography
DISSERTATION
zur Erlangung des akademischen Grades
doctor rerum politicarum
(Dr. rer. pol.)
eingereicht an der
Wirtschaftswissenschaftlichen Fakultät
der Humboldt-Universität zu Berlin
von
Dipl.-Vw. Samad Sarferaz
geboren am 26.05.1979 in Kabul/Afghanistan
Präsident der der Humboldt-Universität zu Berlin:
Prof. Dr. Christoph Markschies
Dekan der Wirtschaftswissenschaftlichen Fakultät:
Prof. Oliver Günther, Ph.D.
Gutachter:
1. Prof. Dr. Albrecht Ritschl
2. Prof. Bartosz Maćkowiak, Ph.D.
eingereicht am: 08. Juni 2009
Tag der mündlichen Prüfung: 09. Juli 2009ii
Abstract
The thesis consists of four essays, which make empirical and methodological con-
tributions to the fields of business cycle analysis and demography. The first essay
presents insights on U.S. business cycle volatility since 1867 derived from a Bayesian
dynamic factor model. The essay finds that volatility increased in the interwar pe-
riods, which is reversed after World War II. While evidence can be generated of
postwar moderation relative to pre-1914, this evidence is not robust to structural
change, implemented by time-varying factor loadings. The second essay scruti-
nizes Bayesian features in dynamic index models. The essay shows that large-scale
datasets can be used in levels throughout the whole analysis, without any pre-
assumption on the persistence. Furthermore, the essay shows how to determine
the number of factors accurately by computing the Bayes factor. The third essay
presents a new way to model age-specific mortality rates. Covariates are incorpo-
rated and their dynamics are jointly modeled with the latent variables underlying
mortality of all age classes. In contrast to the literature, a similar development of
adjacent age groups is assured, allowing for consistent forecasts. The essay demon-
strates that time series of covariates contain predictive power for age-specific rates.
Furthermore, it is observed that in particular parameter uncertainty is important
for long-run forecasts, implicating that ignoring parameterty might yield
misleadingly precise predictions. In the fourth essay the model developed in the
third essay is utilized to conduct a structural analysis of macroeconomic fluctua-
tions and age-specific mortality rates. The results reveal that the mortality of young
adults, concerning business cycles, noticeably differ from the rest of the population.
This implies that differentiating closely between particular age classes, might be
important in order to avoid spurious results.
Keywords: Bayesiantimeserieseconometrics, dynamicfactormodels, businesscycle
measurement, economic history, demographyiii
Abstract
DieseArbeitbestehtausvierEssays, dieempirischeundmethodischeBeiträgezur
Messung von Konjunkturzyklen und deren Zusammenhänge zu demographischen
Variablen liefern. Der erste Essay analysiert unter Zuhilfenahme eines Bayesian-
ischen Dynamischen Faktormodelles die Volatilität des US-amerikanischen Kon-
junkturzyklus seit 1867. In dem Essay wird gezeigt, dass die Volatilität in der
Periode vor dem Ersten Weltkrieg und nachdem Zweiten Weltkrieg niedriger war
als in der Zwischenkriegszeit. Eine geringere Volatilität für die Periode nach dem
Zweiten Weltkrieg im Vergleich zu der Periode vor dem Ersten Weltkrieg kann nicht
bestätigtwerden. DerzweiteEssayhebtdieBayesianischenEigenschaftenbezüglich
dynamischer Faktormodelle hervor. Der Essay zeigt, dass die ganze Analyse hin-
durch - im Gegensatz zu klassischen Ansätzen - keine Annahmen an die Persistenz
der Zeitreihen getroffen werden muss. Des Weiteren wird veranschaulicht, wie im
Bayesianischen Rahmen die Anzahl der Faktoren bestimmt werden kann. Der dritte
Essay entwickelt einen neuen Ansatz, um altersspezifische Sterblichkeitsraten zu
modellieren. Kovariate werden mit einbezogen und ihre Dynamik wird gemeinsam
mit der von latenten Variablen, die allen Alterklassen zugrunde liegen, modelliert.
Die Resultate bestätigen, dass makroökonomische Variablen Prognosekraft für die
Sterblichkeit beinhalten. Im vierten Essay werden makroökonomischen Zeitreihen
zusammen mit altersspezifischen Sterblichkeitsraten einer strukturellen Analyse un-
terzogen. Es wird gezeigt, dass sich die Sterblichkeit von jungen Erwachsenen in
Abhängigkeit von Konjunkturzyklen deutlich von den der anderen Alterklassen un-
terscheidet. Daher sollte in solchen Analysen, um Scheinkorrelation vorzubeugen,
zwischen den einzelnen Altersklassen differenziert werden.
Keywords: Bayesianische Zeitreihenanalyse, dynamische Faktormodelle, Datierung
von Konjunkturzyklen, Wirtschaftsgeschichte, DemographieAcknowledgement
I wrote this thesis while working at the Institute of Economic History and the Collabo-
rative Research Center 649 Economic Risk at Humboldt Universität zu Berlin. Though
only my name appears on the cover of this dissertation, a great many people have con-
tributed to its production. This is a great opportunity to express my respect to all of
them.
First and foremost, it is difficult to overstate my gratitude to my adviser, Prof. Al-
brecht Ritschl, for his invaluable advice, guidance and support and for being a role
model with his passion for research. I am also highly indebted to Prof. Bartosz Mack-
owiak for helpful discussions, comments, and frequent guidance.
I enjoyed the inspiring environment at Humboldt Universität zu Berlin and the Uni-
versity of Zurich. I am pleased to thank my good friend Pooyan Amir Ahmadi, my
flatmate in Zurich Alexander Rathke, my office mate Wolfgang Reichmuth, and my
‘neighbor’ Henning Weber for many insightful conversations and many interesting dis-
cussions until late in the night. I also would like to thank Lars Börner, Julia Casutt,
Dirk Drechsel, Martin Kliem, Tobias Straumann, Nicole Walter, and Martin Uebele for
many helpful comments. Thanks are also due to Prof. Ulrich Woitek for many helpful
suggestions.
I thank the European University Institute Florence and the University of Zurich for
their hospitality and the European Commission for financial support.
I wish to express my deepest gratitude to Alborz Radmanesch and Tomer Sofer for
many enlightening conversations, their support and advice.
Last, but certainly not least, I would like to thank my parents Fawzia and Quadir,
my sister Sarah, and my brother Bassir for their unconditional support and encourage-
ment.Contents
1 Introduction 1
1.1 Review of Chapter 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2
1.2 Review of 3 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
1.3 Review of Chapter 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4
1.4 Review of 5 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2 The U.S. Business Cycle, 1867-1995: A Dynamic Factor Approach 7
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.2 A Bayesian Dynamic Factor Model . . . . . . . . . . . . . . . . . . . . . 10
2.2.1 The Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2.2.2 Priors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.2.3 Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3 Empirical Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.3.1 The U.S. Business Cycle in the Long Run . . . . . . . . . . . . . 14
2.3.2 The U.S. Cycle Across World War I . . . . . . . . . . . 20
2.3.3 The US Business Cycle Across World War II . . . . . . . . . . . 24
2.4 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3 Dynamic Index Models: A Bayesian Perspective 29
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
3.2 The Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.3 Priors . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.4 Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.5 The Bayes Factor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.6 Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.7 Empirical Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.7.1 Results for Simulated Data . . . . . . . . . . . . . . . . . . . . . 39
3.7.2 Results for the Stock-Watson Dataset . . . . . . . . . . . . . . . 41
3.8 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43viii Contents
4 Modeling and Forecasting Age-Specific Mortality 45
4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
4.2 Literature on Modeling and Forecasting Mortality . . . . . . . . . . . . 48
4.2.1 Parametric Modeling of Age-Specific Mortality . . . . . . . . . . 48
4.2.2 Lee–Carter and Non-parametric Modeling of Age-Specific Mortality 49
4.3 A Bayesian State Space Model . . . . . . . . . . . . . . . . . . . . . . . 51
4.3.1 General Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
4.3.2 Special Case Lee–Carter . . . . . . . . . . . . . . . . . . . . . . . 51
4.3.3 Augmenting the Simple Model with Covariates . . . . . . . . . . 52
4.3.4 Smoothing Along the Age Dimension . . .