All’inizio degli anni 2000, la macroeconomia affrontava un problema di credibilità e utilizzabilità che era tanto istituzionale quanto accademico. Le banche centrali avevano bisogno di modelli quantitativi capaci di rispondere a controfattuali di policy — Cosa succede se aumentiamo i tassi di 50 punti base? Cosa succede se i prezzi del petrolio schizzano? — restando però disciplinati dai dati. Eppure la professione aveva trascorso decenni oscillando tra un’econometria reduced-form riccamente stimata (in particolare i VAR) difficile da interpretare strutturalmente, e modelli di equilibrio generale dinamico con microfondazioni eleganti ma spesso debolmente connessi alle serie storiche empiriche. La “Grande Moderazione” post-1980 sembrava convalidare una politica monetaria di tipo rule-like, ma al tempo stesso alzava la posta: piccole misspecificazioni potevano produrre grandi errori di policy. In questo contesto, il lavoro del 2003–2005 di Frank Smets e Rafael Wouters — culminato nei loro articoli molto citati del 2003 e del 2007 e che influenzò fortemente la pratica già entro il 2005 — fornì un modello operativo (“blueprint”) pratico per la modellistica DSGE “moderna” nelle banche centrali: stimare un modello New Keynesian di scala media con metodi bayesiani, valutarlo con strumenti formali basati sulla verosimiglianza, e usarlo per previsione e analisi di policy.
L’idea centrale era rendere i modelli DSGE empiricamente competitivi senza abbandonare la disciplina strutturale. Smets e Wouters costruirono un impianto “di scala media”: abbastanza grande da adattarsi alle principali serie macroeconomiche, ma sufficientemente strutturato da interpretare shock e trade-off di policy. Il modello combina (i) decisioni intertemporali con microfondazioni di famiglie e imprese, (ii) rigidità nominali che conferiscono alla politica monetaria effetti reali, e (iii) frizioni reali e molteplici shock per replicare la persistenza osservata. Ingredienti canonici includono formazione di abitudini nel consumo (per cui il consumo corrente dipende in parte dal consumo passato), costi di aggiustamento dell’investimento (per cui l’investimento reagisce lentamente agli shock), utilizzo variabile del capitale, e rigidità di salari e prezzi in stile Calvo. Questi meccanismi non erano nuovi presi singolarmente; l’innovazione fu la loro integrazione in un sistema coerente e stimabile che potesse competere con modelli statistici benchmark in termini di performance predittiva.
La modellizzazione della politica monetaria è al centro. La policy è tipicamente rappresentata da una regola sul tasso d’interesse, più comunemente una regola alla Taylor con inerzia: la banca centrale “smussa” i tassi e reagisce all’inflazione e all’output gap. Una formulazione standard è $$ i_t = \rho\, i_{t-1} + (1-\rho)\big(\phi_\pi \pi_t + \phi_y y_t\big) + \varepsilon^i_t, $$ dove (i_t) è il tasso nominale di policy, (\pi_t) l’inflazione, (y_t) (spesso) l’output gap o la crescita dell’output, (\rho\in(0,1)) cattura lo smoothing del tasso d’interesse, e (\varepsilon^i_t) è uno shock di politica monetaria. La regola non è una mera aderenza empirica: all’interno di un DSGE chiude il modello e consente esperimenti controfattuali sotto regimi di policy alternativi.
Il contributo metodologico distintivo — particolarmente saliente per le banche centrali entro il 2005 — fu la stima bayesiana dei DSGE. La calibrazione tradizionale fissava molti parametri per assunzione. La massima verosimiglianza classica era possibile, ma fragile in sistemi non lineari ad alta dimensionalità con identificazione debole. I metodi bayesiani offrivano un compromesso disciplinato: combinare informazione a priori (da evidenza micro, rapporti di lungo periodo o studi precedenti) con la verosimiglianza dai dati macro per ottenere una distribuzione a posteriori dei parametri. Formalmente, per parametri (\theta) e dati (Y), $$ p(\theta\mid Y) \propto p(Y\mid \theta)\, p(\theta), $$ dove (p(\theta)) è il prior e (p(Y\mid\theta)) la verosimiglianza implicata dal DSGE dopo linearizzazione e soluzione.
Operativamente, il modello viene log-linearizzato attorno a uno steady state e scritto in forma state-space: $$ x_{t} = A(\theta) x_{t-1} + B(\theta)\varepsilon_t,\qquad y_{t} = C(\theta) x_{t} + D(\theta)\eta_t, $$ con (x_t) stati latenti (ad es. tecnologia, capitale, inflazione attesa), (y_t) variabili osservate (crescita del PIL, inflazione, tassi d’interesse, ore lavorate, salari), shock strutturali (\varepsilon_t), e possibili errori di misura (\eta_t). La verosimiglianza (p(Y\mid\theta)) è valutata via filtro di Kalman, e la posteriore è esplorata con Markov chain Monte Carlo (MCMC), tipicamente Metropolis–Hastings. Questa strumentazione trasformò i DSGE da “teoria con simulazioni” in una classe stimabile di modelli econometrici strutturali con diagnostica standard: verosimiglianze marginali per il confronto tra modelli, intervalli posteriori per l’incertezza, e impulse responses condizionate agli shock stimati.
Storicamente, l’impatto fu immediato nelle istituzioni di policy. Entro il 2005, la logica della stima in stile Smets–Wouters era diventata un punto di riferimento per previsione basata su modelli e analisi di scenario nelle principali banche centrali. Contribuì a legittimare i DSGE come strumenti pratici, non solo costrutti accademici, e favorì un linguaggio comune tra ricercatori e policy maker: scomposizioni in shock interpretabili, controfattuali di policy sotto regole alternative, e enunciati probabilistici su parametri e previsioni. Al tempo stesso, alzò l’asticella della validazione empirica. I DSGE di scala media iniziarono a essere giudicati rispetto ai VAR sulle previsioni fuori campione, e il confronto bayesiano tra modelli rese tali “gare” metodologicamente coerenti.
Le critiche arrivarono da più direzioni. Alcuni econometristi temevano che prior forti potessero “fare il lavoro”, mascherando un’identificazione debole; la disciplina bayesiana non elimina la possibilità che i dati siano poco informativi su parametri chiave. Altri sostenevano che la proliferazione di shock — tecnologia, preferenze, specifici dell’investimento, markup dei prezzi, markup dei salari, premio per il rischio — rischiasse di trasformare i DSGE in “VAR strutturali con gusti”, in cui la bontà di adattamento si compra aggiungendo perturbazioni invece di migliorare i meccanismi. Una critica più profonda, poi accentuata dalla crisi finanziaria globale del 2007–2009, era che i modelli standard dell’era Smets–Wouters avessero settori finanziari limitati e dessero poco peso a vincoli di bilancio, rischio di default e dinamiche di crisi non lineari. Anche prima della crisi, gli scettici mettevano in dubbio che la linearizzazione attorno a uno steady state stabile potesse catturare eventi rari ma di grande impatto.
L’eredità, nondimeno, è duratura. I DSGE moderni delle banche centrali — che si tratti dell’area euro, degli Stati Uniti o di piccole economie aperte — in larga misura ereditano il template Smets–Wouters: stimati, ricchi di shock, con un nucleo New Keynesian, inferenza bayesiana e implementazione state-space. Le varianti odierne spesso aggiungono frizioni finanziarie (ad es. spread e vincoli dei prenditori di prestito), agenti eterogenei, vincoli occasionalmente vincolanti (come l’effective lower bound), e una formazione delle aspettative più ricca. Ma la spina dorsale procedurale resta: equazioni strutturali esplicite, stima basata sulla verosimiglianza e incertezza quantificata.
In una linea di continuità più lunga, Smets e Wouters si collocano all’incrocio di tre tradizioni. Si basano sulla real business cycle theory degli anni ’80 (l’enfasi di Kydland e Prescott su microfondazioni e shock espliciti), incorporano rigidità nominali New Keynesian e regole di policy sviluppate negli anni ’90, e adottano metodi bayesiani resi popolari nella macroeconometria tra la fine degli anni ’90 e i primi anni 2000. Rispondono anche alla critica di Lucas assicurando che l’analisi di policy sia ancorata a primitive di preferenze e tecnologia piuttosto che a correlazioni reduced-form. Dopo il 2005, il loro approccio diventa la piattaforma da cui si dipartono paradigmi più recenti: DSGE finanziari dopo la crisi, metodi non lineari e a cambiamento di regime per lo zero lower bound, e, più di recente, modelli ibridi che combinano struttura DSGE e strumenti di previsione data-driven. In questo senso, il “DSGE moderno” è meno un modello fisso che un workflow istituzionalizzato — uno che Smets e Wouters contribuirono in modo decisivo a standardizzare per la banca centrale e l’econometria strutturale.