在一个可观察到的经济指标上 (如 Grimme 和 St ü ocli，2018 年所强调的) 。因此，我们通过丰富的数据客观
地衡量不确定性，为衡量欧元区宏观经济不确定性的文献做出了贡献。我们的措施补充了基于调查的指标 （ 例
如，专业预测 （ SPF ） 密度预测的调查 ） 以及市场参与者的其他主观预测，基于报纸的指标或仅使用股票价
格 （ 股票波动率 ） 。
etc.
具体来说 ， 我们计算了这一新的衡量标准 ， 作为欧元区宏观经济不确定性的汇总衡量标准 (标记为
MEU)，通过 fi 首先估计来自 19 个国家的每个国家特定 fi c 变量以及每个欧元区级别变量的意外预测误差
的波动性。然后，我们汇总这些单独的不确定性度量，以获得欧元区的宏观经济不确定性。通过这样做，
我们考虑了国家样本的内部异质性，但也包括了欧元区的共同变量。数据以月度频率计算，涵盖 2003 年
至 2021 年至 2022 年。然后，我们在各国之间进行有意义的比较，并采用更多面向金融的不确定性措施
，例如欧元区版本的 VDAX （ EAVSTOXX ），Dprey 和 Klas （ 2015 ） 的国家级金融压力指数 （
CLIFS ），Holl 'o 等人的系统压力综合指标 （ CISS ） 。(2012).我们还将我们的衡量标准与 Baer 等人的
欧元区经济政策不确定性 (EPU) (EPUEA) 进行了比较。(2016) 。
I additio, we mae se of a ero area Bayesia VAR (BVAR) to aalyze the impact of a expected icrease i
ertaity, sig a Cholesy idetial as cosidered i Bloom (2009) ad Jrado et al.（ 2015 ），以缓解比较。通过该
模型的视角，我们调查了 COVID - 19 冲击通过宏观经济不确定性影响经济的可能性，也与替代不确定性
指数进行了比较。我们还研究了债务的反应以及欧元区不确定性对新兴欧洲经济体的影响。最终，我们还
将样本扩展到 2022 年，以分析 “后 COVID - 19 ” MEU 指数，从而检查我们结果的稳健性。
