结构宏观计量经济学

出版时间：2010-1  出版社：上海财经大学出版社  作者：David N.DeJong,Chetan Dave  页数：270  译者：龚关,许玲丽  
Tag标签：无  

前言

　　我只能说，计量经济学——由电子计算机辅助——所能做的，只是把原本仅凭直觉和嗅觉所做的研究跨越式地向前推进。　　——拉格纳·弗里希（Ragnar Frisch），获诺贝尔奖时的演讲，1970年6月　　脱离数据的理论化是一个严重的错误。因为这会使我们从一开始就不知不觉地扭曲事实来迎合理论，而不是使理论适合事实。　　——亚瑟·柯南·道尔爵士（Sir Arthur Conan Doyle）　　过去30年里，概念和计算能力源源不断地发展，在宏观经济理论与应用研究之间建立起一座桥梁，很长的一段时间里，理论研究和应用研究是脱离的。因此，度量与理论也正日益密切地联系起来。本书的目的就是，为如何把理论模型置于宏观计量经济分析的前沿提供引导。　　本书既适合作为宏观经济学和计量经济学等专业研究生引导性课程的补充资料，又可作为那些立志追求宏观经济学应用研究的高年级研究生的基础教程。这门课的讲义即本书的前身，其设计是着眼于后者这一目的。对于专业学术研究人员而言，本书的历史视角，以及它对方法论的统一表述，也使其成为很有价值的资料。　　我们假设本书的读者熟悉多元变量微积分、矩阵代数和差分方程，以及对基本计量技术有粗略了解。读者熟悉动态规划是很有用的，但并不是必需的。动态规划是一个工具，它把本书中所关注的模型映射到非线性期望差分方程组。非线性期望差分方程组被作为书中所介绍的实证方法的出发点。然而，要弄懂书中的实证方法，并不需要一定熟悉动态规划。　　我们之所以编写这本书，是因为在我们的教学和研究中，一直设法在为把宏观经济学理论和应用实证分析联系起来而贡献自己的一份力量；这本书就是这些努力的一个自然扩展。

内容概要

　　既适合作为宏观经济学和计量经济学等专业研究生引导性课程的补充资料，又可作为那些立志追求宏观经济学应用研究的高年级研究生的基础教程。这门课的讲义即《结构宏观计量经济学》的前身，其设计是着眼于后者这一目的。对于专业学术研究人员而言，《结构宏观计量经济学》的历史视角，以及它对方法论的统一表述，也使其成为很有价值的资料。

书籍目录

序言第一部分　模型和数据准备1　绪论1.1　背景1.2　概述1.3　记号2　DSGE模型的逼近和求解2.1　线性化2.2　求解方法3　去趋和分离周期3.1　去趋3.2　分离周期3.3　欺骗性4　时间序列行为概述4.1　两个有用的简化模型4.2　统计概述4.3　卡尔曼滤波5　DSGE模型：三个例子5.1　模型Ⅰ：一个实际经济周期模型5.2　模型Ⅱ：垄断竞争和货币政策5.3　模型Ⅲ：资产定价第二部分　实证方法6　校准6.1　历史渊源与哲学6.2　实施6.3　经济周期的福利成本6.4　生产率冲击和经济周期波动6.5　资产溢价之谜6.6　批判和拓展7　矩匹配7.1　回顾7.2　应用7.3　在DSGE模型中的应用7.4　实证应用：实际商业周期矩匹配8　极大似然法8.1　概要8.2　介绍和历史背景8.3　最优化算法的入门8.4　病态似然面：问题与解答8.5　模型诊断和参数稳定性8.6　实证应用：识别商业周期波动的来源9　贝叶斯方法9.1　目标概述9.2　准备9.3　用结构模型作为简化形式分析中先验信息的来源9.4　结构模型的直接实施9.5　模型比较9.6　用RBC模型作为预测时先验信息的来源9.7　估计并比较资产定价模型第三部分　超出线性化10　非线性逼近方法10.1　标记符号10.2　投影法10.3　值函数和政策函数迭代11　非线性逼近的实证应用11.1　模型模拟11.2　用粒子滤波法进行完全信息分析11.3　线性和非线性模型逼近参考文献

章节摘录

　　第二部分包括第6章～第9章，介绍了以下几种实证方法：校准、有限信息估计、极大似然估计和贝叶斯估计。每一章涵盖了对一种方法的介绍，然后介绍这种方法如何运用于基于各自不同经验目标的基准模型。　　第6章介绍了本书中最基本的实证方法：校准练习——由基德兰德和普雷斯科特（Kydland and Prescott，1982）率先使用。这种练习起初运用于判断，所构建的参数化模型在可以对长期增长模型进行实证描述时，是否也可以用于分析经济周期波动的短期波动特性——用数据中样本统计量集合来表示。更一般地，实施首先要对实证度量的识别，这种度量是对所研究模型参数值的约束：所选择的参数必须保证模型能够很好地说明这些度量。（通常的情况是，某些参数也必须满足其他先验条件。）接下来，我们通过比较用于其他统计度量的恰当参数化模型的含义和它们的实证模型，判断这个模型是否也能体现数据的这些额外特征。在判断准确之外，该方法所面临的挑战也产生了，因为第二步的比较没有建立在规范的统计基础上。　　第7章介绍了有限信息估计方法，这些方法主要是解决伴随校准练习出现的统计推断问题。之所以介绍这些方法的运用，是因为作为校准参数化阶段的实证度量具有统计不确定性。例如，样本均值出现样本标准误差。因此，从映射到实证度量（一般是统计矩）所推导出的模型参数也具有统计不确定性。有限信息估计方法考虑了这种不确定性：通过有限信息估计方法得到的参数估计量是能够被解释的，而且它们具有经典统计特征。如果用于获取参数估计量的实证目标的数量超过了被估计的参数个数（也就是说，正被考察的模型是过度识别的），估计阶段也可以得到客观的拟合优度测度——可以用于评价模型的实证效果。有限信息估计方法的典型例子有广义矩方法（GMM）、模拟矩方法（SMM）以及间接推断方法。　　有限信息估计过程有一个共同的特点：它们都以数据可用信息的子集为基础（在估计阶段选择的目标度量）。这些方法的优势在于，在没有对模型中变量随机行为的分布进行明确假设的情况下，它们也能够运用；它们的缺点在于，在估计阶段，关于如何选择矩常常是任意的，而得到的结果（例如，关于拟合）则对选择很敏感。第8章和第9章则介绍了与有限信息估计方法相对应的完全信息估计方法：基于似然的分析。假设给定模型中挛量的随机行为服从某个分布，第8章详细介绍了如何用极大似然分析（卡尔曼滤波法是一种易于操作的方法），来评价模型的所有经验意义。直接使用极大似然分析工具，可以使参数估计和模型评价变得更方便。而且，给定模型的估计量，模型中无法观测的变量的内在行为（例如，生产力冲击）可能被推断为估计阶段的副产品。　　与简化型结构模型不同，直接处理结构模型的优点在于，我们通常对它们的参数化方法有一个清晰的先验指导。例如，对于高于10％的主观年折IEI率的识别，可能会因无法控制和不可信而被摈弃掉。