本站分享:AI、大数据、数据分析师培训认证考试,包括:Python培训Excel培训Matlab培训SPSS培训SAS培训R语言培训Hadoop培训Amos培训Stata培训Eviews培训

关于DSGE求解和模型参数估计的认识_DSGE模型

spss培训 cdadata 4819℃

关于DSGE求解和模型参数估计的认识

关键词:DSGE模型、 简单DSGE模型结构DSGE模型应用步骤动态随机一般均衡模型

其实DSGE最难的地方不在于模型的optimality condition的推导,也不在于寻找Saddle-path。最难的还是在于参数估计,最大似然或者是贝叶斯估计。我下面一条一条地写出来一些认识,希望和大家交流。DSGE是宏观经济学的顶峰难度,不适合数学和经济学基础没有打好的同学,更加不适合自学。这个行业里面一直以来都是老师带学生的传统,基本没有自学成才的例子,至少我没听说过。所以要提醒大家,有导师的,要依靠导师,没有导师的要多跟别人交流学习。

1 . 动态规划是现代宏观的一部分数学基础,但是不是你们想象中那么重要。不要以为学高级宏观就是一直在弄Dynamic programming,这个技术虽然不简单,但也怎么也算不上现代宏观或者DSGE的核心技术。完全没有必要画大把的时间在这个上面,DSGE不依靠它而存在。就目前的DSGE研究来看,用dynamic programming的地方就是对Euler equation分析求解用得比较多,其他地方基本都不用。更别说Dynamic programming的数值模拟了,除了上课的时候用,真实研究里面基本不用。

2 . DSGE不是非要线性化才能搞,关键看你的目的是什么,如果你就是做模拟和impulse response,你没有必要自己动手去对数线性化,Dynare可以帮你做。但是要知道一点,我们对付“线性动力系统”的知识远远比“非线性动力系统”认识要深和宽泛。非线性动力系统对付起来很麻烦,占用大量的计算时间,并且准确性低,对初始条件非常敏感。非线性微分方程组里面一个重要话题就是混沌理论,用在气象学上面的一个著名例子就是“蝴蝶效应”。如果你学过研究生级别的微分方程课程,就应该知道非线性微分方程一般我们都要做泰勒级数一次展开,其实DSGE的线性化本质思想也是来自于那里。

3 . 和所有动力一样,一个线性系统必须要stable solution,我们才能预测和模拟。linear rational expectation模型求解之后找到一个stochastic difference equation system被叫做policy and transition function。这个系统是描述整个DSGE模型动态性的一个终极解释,所有endogenous variables都会沿着一个saddle-path(鞍部线) 移动。在微积分上面我们知道有一种saddle point,通过Hessian matrix的行列式检验之后可以发现,既不是最大值,也不是最小值,如图:
关于DSGE求解和模型参数估计的认识
这个红色的点,就是saddle point。但微积分教材没有说一个关键的问题: 这个saddle point是一个equilibrium。这是一个基本的物理学认识,如果这个曲面绝对光滑,无摩擦力,那么你放一个球在红色点的地方,它会静止在那个地方不动,因为这里是力量均衡点,重力和支撑力刚好相反方向G=F,一个垂直向上,一个垂直向下。经济学的均衡思想最开始就是从物理上面学过来,因为市场供给和需求就是两种力量,如果相等了就是均衡了。

还有,看下面这个图,钟摆。钟摆有两个equilibrium,这个图只画了一个,这个垂直向下的equilibrium叫做global equilibrium。另外一个均衡点是,钟摆垂直向上,这个时候钟摆同样会静止不动,这个equilibrium就是saddle point equilibrium。它对初始条件非常敏感,已经敏感到了初始条件必须是垂直向上(刚好就是equilibrium),才能保持均衡。
关于DSGE求解和模型参数估计的认识

我上面之所讲这么多,就是要告诉你一点,DSGE的解实际上就是一个动态saddle point,所以我们叫做saddle path。它往往存在于高纬度,所以我们一般不画图来解释。saddle path有时候对初始条件敏感,有时候不太敏感,这都要看情况,这里和李雅普诺夫的稳定性描述有点相似,但是saddle path并没有一个准确的basin of attraction的数学描述。

4 . DSGE的求解方法很多,Blachard-Kahn是行业标准,检查单位元之外的特征值数量是否与nonpredetermined variables的数量是否相等,其实这是个基本的差分方程常识,我在之前的帖子解释了很多次了。BK方法的弱点在于出现了Singularity就没法解了,所以我们有其他方法Sims’,Klein’s之类的,用泛用性很高的Schur decompostion或者QZ decomposition就解决问题了。可以说,这是DSGE里面一个特别简单的版块,除了一些技术性知识之外,没有什么对智力有挑战的地方。

5 . Dynare是作为一个行业标准而出现的,每年的Dynare年会都立足于推广DSGE和Dynare在现代宏观经济学上的使用。你可以认为Dynare是个黑盒子,但它实际上还偏不是黑盒子。因为大部分执行程序都是用Matlab编写的,如果你能看懂,那些”xxx.m”程序都是可以打开来学习的。当然你不想把DSGE做为研究方向的话, 只学习Dynare的应用就已经够难了,更别说看懂内部构造了。所以对于大多数同学来说,Dynare仍然是保持着一种黑盒子的状态,包括对我来说一样。

6 . 同时因为state-space 模型是一种泛用性极高的线性系统,里面的transition equation刚好就是DSGE模型的解(transition function),这个极其巧妙的特点是当年Sargent发现的,同时意识到了一点,只要能写成state-space 模型,就能推导出maximum likelihood的函数形式。所以我们能用Kalman filter来数值模拟出maximum likelihood。

7 . 最大似然估计很容出现identification的问题,简单来说就是不同的两套参数,在同一种structural model的情况下回产生同一种probability distribution。这样就导致似然函数的顶端是平的。下面这个图是用Dynare做的ML估计,一个简单的新凯恩斯模型。看Sigma的log-likelihood function,顶端是平的,这就一个identification问题。所以必须要用prior来加权重,所以采用Bayesian有绝对优势。
关于DSGE求解和模型参数估计的认识

8 . 关于Bayesian estimation,要说的就太多了,以后再写。

转载请注明:数据分析 » 关于DSGE求解和模型参数估计的认识_DSGE模型

喜欢 (2)or分享 (0)