PAPER 1 · FOMC TRANSCRIPTS · 1,676 OFFICIAL×MEETING OBSERVATIONS
從央行語氣到經濟評價：重新檢視通膨偏好的量測
用央行官員的發言推測他們偏好的通膨水準，是貨幣經濟學的一條研究路線。本研究檢查：這類推論背後量到的，究竟是語言情緒，還是官員對經濟狀況的評價。
BACKGROUND
相關研究做到哪裡
- Shapiro 與 Wilson（2022，Review of Economic Studies）：用聯準會（FOMC）會議逐字稿，以 Loughran–McDonald 財金詞典計算官員發言的負面程度，觀察它如何隨通膨變化；在其模型假設與控制變數下，負面程度最低的通膨水準被解讀為官員偏好的通膨目標。
- Haavio 等人（2026，Journal of Money, Credit and Banking）：把類似想法用到歐洲央行，比較多種文字量法，並考慮通膨偏高與偏低時不滿程度不對稱。
- 近年也有研究以大型語言模型判斷央行文字情緒，例如 Kanelis 等人（2025）對 FOMC 會議紀錄的分析。
前兩篇在額外模型假設下，把語氣接到央行損失；以 LLM 判斷目標別情緒的研究不一定直接估計私人偏好。
PROBLEM
問題在哪
講話負面不一定代表對通膨不滿。官員可能在批評統計方法、轉述企業的抱怨、預測經濟轉差，或泛泛地說「風險很多」。其中含負面詞、又符合原方法篩選規則的發言，可能進入語氣指標，但它們不一定代表這位官員本人對通膨水準有負面評價。
過去量到的究竟是「語言情緒」，還是「官員對經濟狀況的評價」？換一種量法，經濟結論會不會跟著改變？
METHOD
我們的做法：用五個問題拆解每段發言
點選下方句子，看同一句話在「詞典語氣」與「五問拆解」下如何被判讀。
互動示範：這句話算不算「官員本人對通膨的負面評價」？
接著，我們使用與 Shapiro–Wilson 相同的 1,676 筆「官員×會議」觀察值（2000–2011 年）與相同的經濟控制變數，只更換「怎麼量發言」，比較四種量法：原本的詞典語氣、我們的「官員本人、非泛稱、負面的通膨評價」、提及通膨的段落比例，以及另一種財經情緒模型（FinBERT）。分類以 AI 協助完成。固定官員×會議樣本及經濟規格，對照不同量測設計；差異同時包含語意規則、分類器、文本分段與分母，不是只改語意定義的因果效果。
RESULTS
結果：換一種量法，推出的通膨低點就移動
估計曲線的最低點（隱含通膨水準）
數字為同一經濟模型下估計曲線的最低點，不是直接觀察到的理想通膨率。2.09% 那條曲線有一側近乎平坦，該低點的經濟解讀特別不穩定。
CONTRIBUTION
意義與貢獻
- 經濟結論會受語言量法影響。負面語氣不能直接等同於官員對通膨的不滿。
- 提供可追溯的量測框架。研究者可以檢查推論背後使用了哪些發言、是誰的看法、評論的對象為何。
- 本研究不主張找到更正確的通膨目標，也不是推翻原研究，而是讓這類推論變得可以檢查。
| 研究 | 已經做到 | 本研究增加的部分 |
|---|---|---|
| Shapiro–Wilson（2022，REStud） | 由語氣推論偏好、人工語氣稽核、穩健性檢查 | 從同一批來源發言另建欄位，與原語氣量尺並列比較 |
| Haavio 等（2026，JMCB） | 歐洲央行、多種文字量法、不對稱損失 | 建立「概念 → 實際量法」的對照，並檢查曲線形狀與穩定度 |
| 以 LLM 分析央行情緒的研究 | 按不同經濟目標判斷情緒等 | 把概念與實際分類規則對照，接回同樣本的曲線、支持與穩定度檢查 |
NEXT STEPS
尚待完成
- 人工驗證：由學生獨立標註一部分段落（先試標 24 段，正式最多 240 段），估計正文所用分類規則的準確度與錯誤類型。
- 期刊規定：Applied Economics 的出版社 Taylor & Francis 規定不允許以生成式 AI 撰寫初稿。本稿有 AI 協助起草，會再行調整。