伯南克：信贷紊乱对实体经济的影响 来自本轮全球金融危机的教训

三、金融危机对实体经济的影响：某些新的证据

　　本轮金融危机后的研究表明，信贷因素至关重要。危机期间的信贷紊乱有若干形式，包括本文引言中描述的两大类机制：（1）投资人对金融机构和证券化贷款的信心丧失，由此引发的金融恐慌收紧了信贷供给；（2）居民资产负债表削弱，导致去杠杆化和居民支出缩减。本节将为金融危机与大衰退之间的联系提供某些新的证据，特别是上述两类机制的相对重要性。实证研究策略是利用金融数据识别危机发展中的非连续点，然后评估这些变化在多大程度上预示着标准的宏观经济变量组的运动。

　　后续的分析部分受到戈登等人研究（Gorton and Metrick，2012a）的启发，尤其是其中的图8和图9。与之类似，本文图5的两个部分利用了四个代表性的每日金融数据序列，简略显示本轮危机的若干主要阶段，这些数据序列是： ABX BBB（20061)：2006年度BBB级的次级抵押货款支持证券的市场交易价值指数，是投资人对住房和抵押贷款市场的看法的代理变量。

　　 LIBOROIS：是指1月期伦敦同业拆借利率（LIBOR）减去隔夜指数掉期利率（OIS），该变量是反映银行间贷款市场以及更普遍的批发融资紧张度的指标。

　　 由信用卡应收款支持的资产支持证券的利差（Barclay指数）：表示某种重要类型的非抵押贷款支持证券（相对于国债）的收益，该利差测算的是投资人持有非抵押贷款（尤其是以证券化形式）的意愿。

　　 一家大型银行的信贷违约掉期（CDS）的利差：反映该银行感知到的违约风险水平，以此测算银行体系的偿付能力。图52006—2012年本轮金融危机的几个阶段

　　利用这四个代表性的金融变量，图5显示了本轮金融危机的几个阶段。第一阶段的特征是次级抵押贷款价值的ABX指数下跌，住房泡沫破灭，对抵押贷款市场的担忧加剧。该变量在整个2006年的指数值接近100，表明投资人对次级抵押贷款的前景依然乐观。但信心从2007年早期开始下降，此后继续走低。抵押贷款市场的情况变坏对应着居民资产负债表的恶化，最终也影响到抵押贷款债权人的资产负债表。

　　危机的第二阶段在图5中表现为LIBOROIS利差的变化，使金融机构的流动性压力从2007年夏季开始加剧。如戈登等人所述，投资人最初对抵押贷款市场（ABX）的信心丧失并未反映在投资人对贷款人或证券化市场的担忧上。然而在法国巴黎银行于2007年8月宣布不再能兑现其发起的基金中的次级抵押贷款后，批发融资市场的压力增大，首当其冲的是资产支持的商业票据及其他表外工具。由LIBOROIS利差代表的融资压力在2007年下半年和2008年持续增加，到2008年9月雷曼兄弟破产和美国国际集团受到救助后爆发。融资压力到2008年底之后放松，应该是强有力的政策措施的效果，到2009年春季的银行压力测试结果发布后，融资压力继续下降。

　　按照此分类法，危机的第三阶段对应着2008年3月的贝尔斯登公司出售，尤其是雷曼公司破产和美国国际集团救助行动之后，非抵押贷款的资产支持证券利差的急剧提高，在图5中具体表现为信用卡应收款。戈登等人的研究把这一时期描述为回购协议挤兑，回购协议的贷款人（尤其是双边回购市场中）停止对私人信贷证券化产品发放贷款，除非是极短的期限和极高的折扣（Gorton and Metrick，2012a）。笔者认为，证券化贷款的回收比戈登等人提及的更广泛，反映了几乎所有批发融资形式的挤兑（而不仅是回购协议），以及部分投资人和自营商及其他中介机构抛售贷款支持证券。风险厌恶情绪剧增也推动了贷款的回收。无论如何，第三阶段的一个反映恐慌和蔓延的关键特征是，除抵押贷款相关资产外，投资人已开始逃离非抵押贷款相关资产，尽管非抵押贷款的质量从未像大多数低评级抵押贷款那样严重恶化。如前文所述，恐慌导致了去中介化和抛售，推高了现有贷款的收益率，如图5中的资产支持证券的利差变化所示。这些紧张状况同样在2008年底前后略有缓和，但在次年仍持续了相当长时间。

　　虽然政府采取了干预行动来扶持银行，从注入资本到提供债务担保，抵押贷款损失、融资困难与非抵押贷款价格下跌相结合，依然给银行体系造成了严重打击。危机的第四阶段，银行和其他贷款人的资本损失在图5中由美洲银行的信贷违约掉期利差来代表。该变量显示，银行财务状况直到2009年早期持续恶化（利差越高，表明违约风险越大），在当年春季的压力测试后有所改善，到2011年美国政府信用评级下滑、欧洲国家压力持续时，银行的处境再度恶化。

　　如前文介绍的简要理论所述，危机的每个阶段都会给实体经济运行带来潜在影响。第一阶段，住房价格下跌和抵押贷款偿债收入比提高压迫了居民资产负债表和消费者支出，这可参见迈恩和苏非及其他人的研究。第二阶段表现出初步的恐慌迹象，批发投资人撤出贷款，包括表外工具和渠道。融资条件收紧反映在信贷供给的紧缩上。第三阶段是恐慌最剧烈的部分，投资人甚至拒绝给非抵押贷款证券化产品提供资金，导致非抵押贷款的利率大增。前文提到，恐慌从抵押贷款蔓延到非抵押贷款显然是本轮危机的转折点，对企业和居民借款人都具有广泛的影响。最后的第四阶段，商业银行体系进一步削弱，或许再度强化了贷款供给约束。由此产生了强大的反馈效应，涉及抵押贷款债权人的偿付能力、抵押贷款的供给、居民资产负债表和住房价格等，它们相互发生影响。金融体系与经济发展之间也存在强烈的反馈效应，金融紊乱使经济放缓，继而造成金融和信贷条件继续恶化。

　　当然，图5只是对危机过程的图解（如前文所述，笔者这里主要关注美国的情况，随着问题在欧洲和新兴市场经济体的延续与扩散，还可以划分出更多的危机阶段）。对该图展开详细介绍，有两方面的理由。

　　首先，下文将指出，图5展示的四个变量不是特定的，而是更多金融变量组的替代变量。也就是说，上文概述的内容反映了更广泛的一组金融指标，而非看似随意选择的四个变量。

　　其次，图5清晰地反映出本轮危机剧烈的非连续性和非线性特征。这些非连续性是本节采用的识别研究策略的基础。例如，尽管第一阶段的抵押贷款违约问题无疑是危机后续阶段重要的最终根源之一，但后续阶段的危机具体规模和时机还取决于很多偶然因素，从特定企业的资本和抵押贷款敞口，到市场参与者的心理状况等。按照断点回归设计的思路，这种非连续性可以帮助我们辨识危机的不同阶段对实体经济的影响。*1.断点回归设计（regression discontinuity design）考察实验结果相对于输入变量出现不连续性的情形。例如，假设只有在入学考试中取得一定分数以上的学生才可以上一门特定课程，研究者就可以对刚好在录取线上下的不同学生的成绩进行对比，以分析这门课程对学生成绩的影响。与之类似，如果在经济环境超过某个未知的界限之后爆发恐慌，恐慌爆发前后的经济活动的变化就可以说明恐慌造成的影响（相对于经济环境没有达到这个界限的情形）。类似方法还可以用于分析恐慌的严重程度，这取决于众多未观测因素，在很大程度上是不可预测的。换句话说，我们可以设问，如果爆发住房和抵押贷款危机，但由于某些原因避免了非抵押贷款证券化市场的恐慌，实体经济会出现怎样的结果。这一识别研究应该能帮助理解危机对经济的影响机制，并对政策反应进行评估。

　　危机阶段的识别：方法论和数据

　　本文后续部分的内容采用了因子分析法（factor analysis），利用这种数据化约技术可以把n个时间序列变量表达为k个基本正交因子的线性组合加上异质性的噪音，k远远小于n。受图5的启发，笔者将采用因子分析来研究一组金融变量，它们是2006—2012年的日观测值。由于金融紧缩的时期相对较短，笔者希望每日数据能够更深入地反映指标之间的协变根源，并能更准确地识别危机的不同阶段。采用金融变量的原因是，它们能高频率地获得，并容易快速吸收金融市场和经济发展前景的新信息。笔者考察了75个数据序列，大致平均分为四组。这些分类和组别反映着上述危机阶段的划分。下面是有关变量的定性描述，这些数据及其来源的更详细信息参见本文的数据附录。 住房和抵押贷款（17个序列）：证券化抵押贷款价值指数（ABX）；住房净值型资产支持证券的利差；住房开发商股票价格；房地产投资信托（REIT）价格；次级贷款发放人股票价格（所有股票价格均为同标准普尔500指数的相对水平）

　　 短期融资（15个序列）：不同期限的LIBOROIS利差，TED(3月期欧洲美元利率与3月期美国国债)利差，资产支持商业票据（ABCP）利差，金融机构商业票据利差，回购协议利差（一般抵押融资GCF、抵押贷款支持证券和政府支持机构债券的收益率与国债回购利率之差）

　　 非抵押贷款（22个序列）：资产支持证券利差（信用卡、汽车贷款和学生贷款）；资产支持证券指数（消费贷款）；公司债券利差指数；较低评级的A2P2商业票据利率（相对于OIS）

　　 银行偿付能力（21个序列）：美国最大型商业和投资银行的偿付能力；信贷违约掉期利差和股票价格（相对于标准普尔500指数）为解释这些数据，笔者做了两个整理工作。

　　首先，笔者把因子分析应用于所有75个变量，称之为全样本因子分析。该分析没有预先区分四个组别的金融变量，结果显示充分描述数据至少需要三个正交因子，边界情况需要包含第四个因子（下文还将展开讨论）。

　　其次，笔者把因子分析分别应用于这四组变量，从每组中抽象出一个因子，这里称之为子样本因子分析。结果发现每组一个估计因子似乎就足够了，单一因子通常能解释每个子样本残差平方和的70%。与全样本因子不同，子样本因子反映了笔者对75个变量的预先分组。

　　通常而言，对于概括以及解释这些数据，全样本和子样本因子分析都各有其优点。全样本因子分析同时利用和描述了所有数据，没有预先分类的干扰，而且由于估计的全样本因子构造为正交性质，可以直接把经济预测分解到每个因子的影响上。但另一方面，由于没有更多假设，全样本因子对应的经济解释或许并不清晰。相比之下，各个子样本中估计的因子从构造上有更明确的经济解释。例如，从住房和抵押贷款组别中抽象的因子可以自然理解为反映在金融市场上的住房开发状况的一个汇总指标。然而，子样本分析通常也有其缺陷，特别是从子样本中单独估计出的因子不能保证共同的正交性，因此更难把预测力或因果关系分解到各个因子上。　

　　但很重要的是，出于下文将阐述的某些原因，上述两种分析方法抽象出了非常相似的因子组合。图6比较了从全样本中估计的四个因子与四个子样本中分别估计的四个因子。对于75个变量的变化，图中的因子1（Factor 1）能解释其中的最大部分，因子2（Factor 2）是在控制了因子1之后，能解释剩余方差中的最大部分；因子3（Factor 3）和因子4（Factor 4）同理。*1.因子1到因子4能变量中的34%、24%、19%、8%。从四个子样本中分别估计的因子在图中标记为如下因子：“住房”（housing）、“非抵押贷款”（nonmortgage credit）、“融资”（funding）和“银行偿付能力”（bank solvency）。

　　图6对全样本因子估计和子样本因子估计的比较令人吃惊。全样本估计的因子1与住房子样本中估计的因子几乎完美拟合，见图6的左上部分。同样，全样本估计的因子2非常近似于从非抵押贷款相关的金融变量中估计的因子，全样本估计的因子3与短期融资变量中估计的因子也几乎重合。全样本估计的因子4（如前文所述对全部数据的方差只有较小的解释力），显然与银行偿付能力变量中估计的因子存在相关关系（如图6的右下部分所示），但整体联动程度较弱。

　　表1罗列的全样本因子同子样本因子之间的相关关系确认了图6的视觉印象。尽管存在每日数据的噪音干扰，因子1与住房、因子2与非抵押贷款、因子3与融资的相关系数分别为0.97、0.93和0.95。因子4与银行偿付能力的相关系数仅为0.36。不过有趣的是，银行偿付能力同因子1的相关系数为-0.89。由于因子1的经济解释是住房市场因子，这意味着住房和抵押贷款市场恶化是这一时期投资者评估银行偿付能力的主要驱动因素之一。　

　　在75个变量中估计出的全样本因子与从四分之一的变量中估计出的子样本因子，为什么存在如此紧密的关联度？对此，首先应注意到，通常而言估计因子只有通过正交旋转才能识别，保持正交性质的估计因子的任何线性组合都将准确解释相同比例的数据变化。为实现标准化，笔者在全样本估计中采用了最大方差旋转（varimax rotation）的标准程序。这一程序的设计容易造成某些变量对某个因子赋予很高的载荷，而对其他因子赋予的载荷接近于零。*1.更具体地说，这一程序选择了特定的正交因子组合，使被解释变量与估计因子的相关系数平方的方差之和最大化。因此最大方差法容易把估计因子同一组相互间高度相关而与其他变量关联度较低的变量联系起来。

　　前文曾提到，图5中的四个变量是更广泛的数据集合的代表。因子分析证实了这点。全样本因子分析将较大的数据集划分为三组或四组变量，组内的相关度较高，而组间的相关度较低。对全样本因子与子样本因子的比较分析则显示，这些分组是有经济含义的，并对应着我们描述的金融危机阶段。图7显示的全样本估计因子从定性角度看与图5非常相似，而图5是通过少数几个显然是任意选择的变量来描述危机的不同阶段。简单地说，用少数特定变量在图5中阐述的内容，也可以用更大的金融变量组的共同因子来描述。　　

注：图中数据反映了从2006年到2012年75个标准化变量中计算的全样本估计因子。

　　把估计因子与金融危机各阶段同等看待的另一个动机见图8，图中展示了全样本因子的因子得分平方。该图大体上展示了2006—2012年金融数据的平均变化度，以及归因于每个因子的变化度的份额。前文提到，其中每个因子占据主导的时期紧密对应着危机的不同阶段。例如，从现在开始我们将视同于住房和抵押贷款的因子1是样本数据从2006年到2007年中期变动的主要根源。对应短期融资压力的因子3，则在法国巴黎银行消息发布后成为重要因素，并在雷曼公司破产和美国国际集团救助事件后激增。因子2（非抵押贷款）在雷曼兄弟和美国国际集团事件爆发后不久到2009年早期是主要影响因素。因子4（银行偿付能力）则对其他滞后阶段发挥影响。根据我们对估计因子的经济解释，下文的分析将利用它们，以检验它们对实际经济活动的预测能力。　　

注：同图7。

　　在介绍结果之前，还有一个与估计因子的经济解释有关的议题需要探讨。在全样本数据中得出的第二重要的估计因子，即因子2，与非抵押贷款的恶化有关，例如反映在非抵押贷款支持证券的利差上面。然而，即使在强调信贷摩擦和信息不对称的理论架构中，对这一因子也至少有两种不同的经济解释。第一种，经济走弱以及居民和非金融企业的资产负债表随之恶化，显然导致消费者和企业的信用下降。理论上，借款人的财务健康状况恶化可视为非抵押贷款利差扩大的原因。第二种可能性则是，非抵押贷款利差扩大主要反映了投资人的行为变化，因为投资人对所有类型的私人信贷（特别是证券化信贷）都失去了信心。按此解释，从抵押贷款相关信贷和证券化信贷中恐慌撤出（包括Gorton和Metrick分析的回购协议挤兑）以及随后的抛售行为，导致非抵押贷款的价格也被急剧压低，利差迅速抬高。简而言之，在理论上因子2的运动既可以反映信贷市场需求方（借款人的财务健康状况）的变化，也可以受供给方的影响（贷款人的财务状况和投资人信心）。

　　虽然因子2的这两种解释并不互相排斥，实际证据却倾向于投资人主导的第二种解释。首先，总量资产负债表的变化相对较慢，这似乎不符合雷曼兄弟破产后非抵押贷款因子迅速恶化的情况，而且由于去杠杆化和金融复苏的步伐较慢，尤其不符合该因子在几个月后迅速改善的情况。这方面的更多证据可参见图9，其中显示了分别对非抵押贷款子样本中的居民和非金融企业所做的因子估计。如该图所示，这两个估计因子几乎重合，表明两类贷款的利差呈现基本一致的变动。两个序列的每日数据的相关系数为0.97。由于居民和企业的资产负债表在危机期间的变化显然并不相同（对比上文的图2和图3），这种高度的相关性充分表明存在一种共同的决定因素，笔者认为，这个因素就是惊慌的投资人普遍逃离信贷产品以及随之而来的抛售。与此看法一致的是，有研究发现了恐慌和抛售从次级抵押贷款向其他市场蔓延的有力证据（Longstaff，2010），另有研究发现由于投资人对流动性的需求发生变化，出现了危机从有毒证券向公司债券蔓延的现象（Manconi、Massa and Yasuda，2012）。　　

注：图中数据显示了从消费者和公司非抵押贷款中分别估计的第一项因子。

　　危机的阶段划分如何预测经济走势？

　　下面转向一个关键问题：从金融变量中严格估计出来的、反映金融危机阶段划分的因子，在多大程度上预测了实体经济活动的走势？

　　为回答该问题，笔者列出了一系列月度经济指标，并将每日金融因子汇总成月度平均值。有关细节和经济数据来源参见本文的数据附录。这里的“GDP”是宏观经济咨询公司（Macroeconomic Advisers）构建的一个实际产出月度指标。其他所有数据序列则来自政府的官方报告。对每个经济指标，笔者用2006—2012年的样本估计了一个预测方程式。这些用普通最小二乘法（OLS）估算的预测方程式包含一个常数、预测指标的两月滞后项，以及每个因子的当期项和按顺序的两月滞后项。*1.当同一预测方程式包含多个因子时，这些结果从性质上是相似的。需要注意，每日数据构建的因子是正交性质的，但出于取样的原因，在汇总成月度数据序列时不是完全正交的。

　　表2展示了每个全样本因子在相应的预测方程式中的统计显著性，相对于简化的AR2基准情形。在该表中，因子2（我们视同为非抵押贷款）与因子3（短期融资）对大多数变量在5%或1%的水平上统计显著。相比之下，因子1（住房）和因子4（银行偿付能力）的表现差得多。因子1只在ISM制造业指数的预测方程式中在10%的水平上显著。因子4只对零售业销售额与资本品订单在5%的水平上具有预测性。并不意外的是，因子1是新房开工量的最好预测指标，但没有一个因子对新房开工量的预测在统计上显著。　　

注：F统计量用于检验在预测方程式（包含被预测变量的两月滞后项）中顺序纳入每个因子的结果。***、**、*分别代表在1%、5%、10%水平上的统计显著性。表2报告了因子作为预测变量的统计显著性。为评估经济显著性，笔者利用估计的预测方程式对2006—2012年样本期中的每个宏观变量做了模拟预测。这些模拟预测是动态的，即从样本初始值起对每个预测方程式进行模拟，动态地以自动回归系数应用于宏观变量的模拟值（而非实际值）。需要注意，为单独评估每个因子的重要性，动态预测每次利用一个因子，假设其他因子为零。　　

注：图中显示了模型的动态模拟结果，根据工业产出的两月滞后项、每个因子及每个因子的两月滞后项进行回归。预测是动态的，滞后项的值是预测得出的，而非真实值。解释变量的值是年度的百分比变化。

　　图10显示了对一个宏观经济变量——工业产出——的动态模拟结果。选择该变量是因为结果具有典型性。在该图的两个部分，黑色线显示工业产出（的增长率）在2006—2012年的实际历史轨迹。图中的其他线条代表根据各个全样本因子得出（每次选一个因子）的工业产出的动态预测轨迹。图10的上半部分表明，基于因子1（住房）和因子4（银行偿付能力）的动态预测并没有反映工业产出的大部分变化。鉴于这两个因子在表2中的统计显著性很低，该结果并不令人惊讶。相比之下，图10的下半部分表明，基于因子2（非抵押贷款）和因子3（融资）的动态预测有更好的拟合结果。特别是，这两个因子都在很大程度上反映了生产活动在2008年下半年的下降及2009年中期的复苏。融资因子比非抵押贷款因子反映经济下滑的程度略低，但时间上更为领先。这些定性结果对此类模拟而言同样具有典型性。表3显示了被预测的宏观变量与它们的动态模拟值之间的相关关系。　　

　　这里不再展示每个宏观变量的相似图形，而是考虑另外一个对比。在某些层面上，本轮危机的所有主要部分都是由住房市场涨跌及相应的抵押贷款变化推动的。但正如本文引言部分所述，住房和抵押贷款崩溃对经济的影响至少有两方面的渠道。第一是“金融脆弱性”观点，认为实际和潜在的抵押贷款损失，加上高杠杆率和依赖短期融资等弱点，摧毁了投资人对抵押贷款乃至更为广泛的各类证券的信心。投资人信心丧失导致了无差别的挤兑、去中介化以及抛售，迅速打压了大多数类型的私人信贷而不只是住房抵押贷款的资产价格，抬升了利率。根据上文的分析，该恐慌爆发渠道可以由因子3（反映批发融资市场的紧张度）和因子2（反映证券化信贷，尤其是非抵押贷款的普遍挤兑）的结合来代表。

　　第二个渠道，即使在没有恐慌时，住房和抵押贷款市场崩溃也会通过破坏资产负债表影响经济运行。居民资产负债表遭受的损失尤其严重，可能抑制了消费支出，这是引言中提到的“居民杠杆率”观点。此外，即使没有爆发恐慌，抵押贷款损失也会蚕食银行与其他贷款人的资本金，从而限制信贷的供给。根据上文的分析，住房和抵押贷款市场变化的这一“非恐慌”效应可以由全样本因子1代表，对银行偿付能力的后续影响则反映在因子4中。下面我们将把因子1和因子4的预测力结合起来，称之为“资产负债表渠道”，意指它们共同反映着居民和银行的资产负债表变化。不过，将因子4纳入产生的影响有限，相比于只包含因子1的情况，下面报告的结果并无太大不同。

　　为对比上述两个渠道的经济重要性，我们将考察“恐慌因子”（因子2和因子3）与“资产负债表因子”（因子1和因子4）对之前列示的经济指标的预测力。我们再次对每个月度经济指标做了预测方程式估计，每个方程式都包含被预测变量的两期滞后项，以及两个恐慌因子或两个资产负债表因子的当期项和两期滞后项。表4展示了纳入这些因子相对于AR2基准场景的F统计量。　　

　　不出意料，与之前的结论相符，两个“恐慌因子”的预测力大大超过两个“资产负债表因子”。恐慌因子对除新房开工量和核心通胀率之外的其他所有经济指标的预测力在1%的水平上显著。资产负债表因子对失业和ISM制造业指数的预测力在10%的水平上显著，仅对资本品订单的预测力在5%的水平上显著。

　　图11显示了对某些代表性经济指标的动态模拟结果，分别基于资产负债表因子和恐慌因子的估计值。其中的每个图都是在2006—2012年样本期内相应经济指标的实际值轨迹与模拟值轨迹的对比。

　　与表4一致的是，这些对比是非常“一边倒的”。在新房开工量上（图11的最后一个部分），资产负债表因子在样本期的第一时段产生了更好的拟合，但从2008年底之后不再如此。对图中显示的其他所有变量以及由于篇幅而省略的变量，恐慌因子产生的拟合结果都更好，而且相当接近实际值。　　

注：恐慌因子包含因子2（非抵押贷款）和因子3（融资）。资产负债表因子包含因子1（住房）和因子4（银行偿付能力）。模拟过程如图10所示。

  　表2和表4展示的F统计量，以及图11展示的动态模拟结果，是本文这一部分的主要结果。笔者对这些结果（及下文要介绍的稳健性检验）的主要诠释是，它们证实了恐慌对2008年后期到2009年初经济下滑严重程度的影响。从直觉上看，我们观察到金融市场在同一时期的特定时点出现了大幅度的非连续性断裂，这些断裂与反映融资和证券化市场恐慌的若干变量密切相关；另外这些变动又对广泛的宏观经济变量有强烈的预测力。发现恐慌的核心作用，能帮助我们解释在初期表现并不剧烈的经济衰退为什么会变得那么严重。

　　很重要的一点是，尽管资产负债表因子在上述设定环境下不能很好地预测经济走势，笔者却不认为，由此就能证实这些传递渠道并不重要，哪怕暂不考虑住房市场涨跌促成了最初的恐慌。原因在于：第一，全样本因子分析发现，与住房联系最密切的因子（因子1）可以最大程度地解释2006—2012年样本期内金融变量的变化，尤其是，住房因子决定了样本期的第一时段内发生的变化（图8）。显然，市场参与者认为住房和抵押贷款市场的变化有着重要经济影响，甚至在他们开始担忧更广泛的金融不稳定之前即是如此。第二，如前文所述，多项实证研究发现居民杠杆率和就业之间存在显著关联（其中包括：Mian and Sufi，2010，2014b；Hatzius，2008；Haltenhof、Lee and Stebunovs，2014；Juselius and Drehmann，2015）。除了根据美国经验开展的研究之外，其他几项研究借助国际和历史数据也得出了居民债务杠杆积累与随后的衰退之间的关系（包括Jordà、Schularick and Taylor，2016；Mian and Sufi，2018a）。结合所有这些及其他方面的证明，一个合理的结论是，居民资产负债表恶化造成了消费支出（特别是耐用消费品）在早期的下滑，并拖延了后来的经济复苏步伐。而恐慌则能很好比解释经济急剧下滑阶段。与此类似，出于上述的同样理由，笔者认为因子4的预测力并不表明银行的资产负债表（除对爆发恐慌的概率的影响外）在经济上不重要。或许是因为居民和银行的资产负债表变化都太慢，相对过于平滑，所以其效应没有被本文介绍的分析方法观察到。

　　两个稳健性检验。下面将简要介绍对本文的主要发现——危机的恐慌阶段是解释危机对实体经济形成破坏影响的核心所在——的两个稳健性检验。

　　第一，上述结果利用了全部75个金融变量的全样本所做的因子估计。另外，我们也可以利用四个子样本分别估计的因子来代表危机的各个阶段。由于子样本的因子不像全样本那样在构建时就具有正交性，我们按次序对其做正交化：住房、融资、非抵押贷款、银行偿付能力。这一次序与假设的危机进程相符（见图5的有关介绍）。特别是，该过程把住房子样本中估计的因子作为第一个因子，从而将住房变量和其他变量的联动完全归因于住房因子。当然这样做可能低估恐慌效应，因为它排除了恐慌本身造成住房市场下跌的可能性。

　　表5展示了全样本因子与正交化的子样本因子的相关系数，图12展示了它们的图像对比。前三个全样本因子分别与住房、非抵押贷款、融资子样本因子的相关度较高，同表1一致。而有趣的是，第四个全样本因子与银行偿付能力子样本中估计出来的因子也相当吻合——相比之下，在表1中则是因子1与银行偿付能力因子的相关度最高。从直觉来看，正交化过程似乎分离出了银行资产负债表中与住房和抵押贷款变化无关的变动，而这些变动可能构成了危机期间金融市场表现的一个独立的决定因素（虽然相对影响较小）。

注：该图对比了全样本估计因子同子样本估计因子，后者按如下次序做了正交化处理：住房、融资、非抵押贷款、银行偿付能力。

　　表6报告了类似于表4的检验结果，对比了两个“恐慌”因子（融资与非抵押贷款）和两个“资产负债表因子”（住房和银行偿付能力）对月度宏观经济指标的预测力，但这里是用正交化的子样本因子替代全样本因子。恐慌因子的预测力再度表现得非常强，对除新房开工量和核心通胀率之外的所有变量的预测力在1%的水平上显著。资产负债表因子的表现同样弱得多。

　　在第二个稳健性检验中，笔者还考虑了没有使用因子分析的代理变量来反映恐慌和资产负债表的变化。表7报告了预测方程式的F统计量，其构建类似于表4和表6，但利用了联邦住房金融局（FHFA）住房价格指数的月度数值、房利美公司的3月期抵押贷款拖欠率以及吉尔克里斯—扎克拉塞克债券超额溢价（见图1）来替代估计因子。前两个变量反映了住房和居民资产负债表的变化。吉尔克里斯—扎克拉塞克债券超额溢价是控制了估计违约概率后的公司债券利差，主要反映投资人对公司信贷的态度。我们将这一指标作为恐慌的替代变量，图1明确显示它对恐慌有较高敏感度。

　　在表7中，前两列分别评估了住房价格与抵押贷款违约率（的对数值）的预测力，第三列是债券超额溢价的预测力。第四列展示了正交化的债券超额溢价的预测力，即债券超额溢价对住房价格和违约率做回归之后的残差。这一操作可以起到的效果是，把债券超额溢价与前两个变量的所有联合解释力都只归结到前两个变量上。

　　即使在正交化处理后，债券超额溢价也是宏观变量强有力的预测指标，在11个变量中，它对除新房开工量和核心通胀率之外的9个变量的预测力在1%的水平上显著。有意思的是，住房价格能预测新房开工量与（统计显著性较低的）GDP、耐用品消费和总消费。违约率能预测失业率，但不能预测除建筑业外的就业水平。这些结果看起来同因子分析得到的结果非常接近。