京公网安备 11010802034615号
经营许可证编号:京B2-20210330
从零基础了解DSGE模型
DSGE:
动态随机一般均衡模型 (Dynamic Stochastic General Equilibrium) ,简称DSGE模型。
什么是动态随机一般均衡模型:
顾名思义就是指该模型具有三大特征。
“动态”指经济个体考虑的是跨期最优选择(Intertemporal OptimalChoice)。因此,模型得以探讨经济体系中各变量如何随时间变化而变化的动态性质。
“随机”则指经济体系受到各种不同的外生随机冲击所影响。举例来说,可能的冲击有:技术性冲击(Technology Shock)、货币政策冲击(Monetary Shock)或是偏好冲击(Preference Shock)等。
“一般均衡”意指宏观经济体系中,消费者、厂商、ZF与中央银行等每一个市场参与者,在根据其偏好及对未来的预期下,所作出最优选择的总和。
动态随机一般均衡模型的优点:
(1)可以避免卢卡斯批判,使得政策实验具有现实意义;
(2)通过冲击反应函数,可以让经济体系各个外生冲击的动态传导过程透明化,进而了解不同的冲击(尤其是货币政策冲击)对于经济体系的动态影响;
(3)模型以一致(Coherent)的方式呈现,所有的经济个体都根据偏好作出最优决策,而没有任何任意或武断的设定。
动态随机一般均衡模型两大学派:
DSGE模型有两大学派,一个是真实经济周期模型(RealBusiness Cycle,RBC Model)学派,另一个则是新凯恩斯DSGE模型(New Keynesian DSGE Model)学派。
事实上,DSGE模型的前身为真实经济周期模型,该模型始于Brockand Mirmanf 1972)。在他们的研究中,最早将随机冲击的概念引入新古典最优增长模型(Neoclassical Optimizing Growth Mad—e1)。其后,Kydlandand Prescott (1982) 将该概念引入真实经济周期理论的研究。
在最初的真实经济周期模型中,有其特点:(1)考虑跨期最优选择与一般均衡;(2)理性预期;(3)假设完全竞争市场,价格可以完全调整,市场供给与需求随时出清(Market Clear—ing),从而达到均衡。其中第(3)个特点显示出真实经济周期模型具有十足的“古典性格”。
动态随机一般均衡模型的估计方法:
由经济主体优化行为得到的行为方程及各个均衡条件所构成的DSGE模型并不能直接用于数据以得到模型参数的估计值,因为大多行为方程都是非线性的。因此,通常要在模型变量稳态值处将其进行泰勒展开,以得到线h生化的DSGE模型。
1、校准法
校准法的主导思想是通过使模型的理论矩尽可能与观测数据一致而得到DSGE模型参数的校准值,即根据经验研究来确定模型的参数,进而对实际经济进行经验型模拟研究。校准法的矩估计具有较强的稳健性,且研究者可以更多的关注DSGE模型的数据特征。
尽管校准法具有显著的优势,但由于缺乏坚实的理论基础,并且个别参数的校准未必准确,而极大似然和贝叶斯方法可以提供观测数据的完全信息,从而较多的文献采用了这两种方法来估计DSGE模型的结构参数。
2、极大似然估计
极大似然估计法的操作分四步:
首先,将线性理眭预期的DS—GE模型用其前定变量表示为缩写状态方程形式;
其次,用观测方程将前定状态变量与观测变量联系起来;
再次,用Kallmann滤波得到关于模型参数的似然函数;
最后,最大化该似然函数得到模型参数的估计值。
3、贝叶斯估计
贝叶斯方法则是结合似然函数和模型参数的先验分布(prior distribution) 得到后验分布的密度函数,通过将该后验分布关于模型参数直接最小化或采用蒙特卡洛马尔科夫链(MCMC) 抽样方法加以最优化即可得到DSGE模型结构参数的估计值。
由于受可得观测数据个数的限制,DSGE模型中的参数不可能全部通过估计得到,部分结构参数需要校准得到。因此,无论是极大似然估计还是贝叶斯估计都结合了部分参数采用校准的方法来估计DSGE模型。
学习DSGE模型是一个系统性的过程,涉及到经济学理论、计量模型和数值方法等几方面的综合。对刚接触DSGE模型的学生和研究者而言,在如何进行DSGE模型构建及计算机软件实现需要花费大量的时间和心血去学习。DSGE模型中涉及到数值方法和计量方法等技术门槛也让部分有志于宏观经济的研究者望而止步。
十一北京,朱传奇老师教你怎样从零基础掌握DSGE模型:
本课程专门针对DSGE模型初学者和宏观经济研究者,系统全面地介绍DSGE模型的相关理论及计量方法。希望通过本课程培训引导初学者熟悉DSGE模型的构建及计算机实现,为研究者将来构建自己的DSGE模型和从事基于DSGE模型的政策研究提供帮助。
开课信息:
时间:2019年4月4-8日 (五天)
地点:北京市海淀区厂洼街3号丹龙大厦附近
安排:上午9:00-12:00;下午1:30-4:30;答疑4:30-5:00
费用:4900元 / 4200元 (仅限全日制在读本科生及硕士生优惠价);食宿自理
讲师介绍:
朱传奇,目前任教于中山大学岭南学院。
美国波士顿经济学院博士毕业,美国波士顿联邦储备银行助理研究员,并长期从事宏观经济学的科研和教学工作。其研究方向关注非线性DSGE模型的计量方法,并致力于利用DSGE模型研究中国宏观经济波动和宏观经济政策。
教学方法:
1.理论模型推导
2.计量方法和计算方法介绍
3.Matlab和 Dynare上机练习
课程内容及课时安排:
第1讲:课程简介(1课时)
1. 宏观经济学发展历史
2. DSGE模型介绍及培训安排
第2讲:宏观经济数据和MATLAB(3课时)
1. 宏观经济数据处理
1) 宏观经济数据来源
2) 趋势剔除和周期提取
3) 经济周期统计描述
2. MATLAB上机训练(1课时)
第3讲:真实商业周期(Real Business Cycle)模型(10课时)
1. RBC基准模型及派生模型(Money-in-Utility模型,Cash-in-Advance模型)(3课时)
1) RBC基准模型介绍(King etal.(1988))
2. DSGE模型近似及求解(3课时)
1) 对数线性化
2) 线性差分模型组求解方法
3. 参数校准(2课时)
4. Matlab 上机训练(2课时)
第4讲:Dynare安装及使用(4课时)
1. Dyanre 安装和配置
2. Dynare 软件使用:以RBC模型为例
3. Dynare 上机训练(2课时)
第5讲:新凯恩斯主义模型(New-Keynesian)模型(10课时)
1. New-Keynesian模型(5课时)
1) 模型主体介绍
2) 粘性价格定价法则(Calvo定价)及详细推导
3) 均衡条件求解
4) 对数线性化及线性求解
5) 参数校准及模型模拟
2. Matlab训练(1课时)
3. Smets和Wounter (2007, AER) (4课时)
1) 模型介绍及详细推导
2) Dynare程序实现
第6讲:DSGE模型贝叶斯估计方法及应用(8课时)
1. 状态空间模型
2. 贝叶斯估计基本原理
3. Markov Chain Monte Carlo方法
1) Gibbs sampler
2) Metropolis-Hastings算法
4. 模型参数先验概率选取
5. 案例1:New-Keynesian模型的贝叶斯估计
1) Smets and Wounters (2007 AER)
2) 上机训练(2课时)
第7讲:金融摩擦的DSGE模型 (8课时)
1. DSGE模型金融摩擦的建模方法
2. 金融加速器模型
1) Bernanke, Gertler and Gilchrist(1999, Handbook of Macroeconomics)
3. 信贷周期模型
1) Kiyotaki and Moore(2001, JPE)
4. 案例 2:带金融摩擦的DSGE模型估计
1) Iacoviello (2005 AER)
2) 上机训练(2课时)
第8讲:货币政策和财政政策应用(10课时)
1. DSGE模型的货币政策应用(5课时)
1) 案例3:带零利率下限的New-Keynesian模型求解及估计
2) 论文replication和上机训练(2课时)
2. DSGE模型的财政政策应用(5课时)
1) 案例4:研究财政政策的DSGE模型(Gali, et al. 2007 JEEA)
2) 论文replication和上机训练(2课时)
参考资料:
1. 课程培训讲义及参考程序(Matlab和Dynare Codes)
2. David Dejong and Chetan Dave(2011), StructuralMacroeconometrics, Princeton University Press.
3. Fabio Canova(2008), Methods for AppliedMacroeconomic Research, Princeton University Press.
4. David Houceque, (2005), Introduction to Matlab forEngineering Students.
优惠:
现场班老学员9折优惠;
同一单位三人以上同时报名9折优惠;
以上优惠不叠加。
报名流程:
1:点击 “我要报名”,网上填写信息提交;
2:给予反馈,确认报名信息;
3:网上订单缴费(需要刷公务卡或者转账的老师请联系我们);
4:开课前一周发送课程电子版讲义,软件准备及交通住宿指南。
联系方式:
魏老师
QQ:2881989714
Tel:010-68478566
Mail:vip@pinggu.org
数据分析咨询请扫描二维码
若不方便扫码,搜微信号:CDAshujufenxi
在数据分析全流程中,数据处理是基础,图形可视化是核心呈现手段——前者负责将杂乱无章的原始数据转化为干净、规范、可分析的格 ...
2026-04-07在数据分析与统计推断中,p值是衡量假设检验结果显著性的核心指标,其本质是在原假设(通常为“无效应”“无差异”)成立的前提 ...
2026-04-07在数字经济深度渗透的今天,数据已成为企业生存发展的核心资产,企业的竞争本质已转变为数据利用能力的竞争。然而,大量来自生产 ...
2026-04-07Python凭借简洁的语法、丰富的生态库,成为算法开发、数据处理、机器学习等领域的首选语言。但受限于动态类型、解释性执行的特性 ...
2026-04-03在深度学习神经网络中,卷积操作是实现数据特征提取的核心引擎,更是让模型“看懂”数据、“解读”数据的关键所在。不同于传统机 ...
2026-04-03当数字化转型从企业的“战略口号”落地为“生存之战”,越来越多的企业意识到,转型的核心并非技术的堆砌,而是数据价值的深度挖 ...
2026-04-03在日常办公数据分析中,数据透视表凭借高效的汇总、分组功能,成为Excel、WPS等办公软件中最常用的数据分析工具之一。其中,“计 ...
2026-04-02在数字化交互的全场景中,用户的每一次操作都在生成动态的行为轨迹——电商用户的“浏览商品→点击详情→加入购物车”,内容APP ...
2026-04-02在数字化转型深度推进的今天,企业数据已成为驱动业务增长、构建核心竞争力的战略资产,而数据安全则是守护这份资产的“生命线” ...
2026-04-02在数据驱动决策的浪潮中,数据挖掘与数据分析是两个高频出现且极易被混淆的概念。有人将二者等同看待,认为“做数据分析就是做数 ...
2026-04-01在数据驱动决策的时代,企业与从业者每天都会面对海量数据——电商平台的用户行为数据、金融机构的信贷风险数据、快消品牌的营销 ...
2026-04-01在数字化转型的浪潮中,企业数据已从“辅助运营的附属资源”升级为“驱动增长的核心资产”,而一套科学、可落地的企业数据管理方 ...
2026-04-01在数字化时代,每一位用户与产品的交互都会留下可追溯的行为轨迹——电商用户的浏览、加购、下单,APP用户的注册、登录、功能使 ...
2026-03-31在日常数据统计、市场调研、学术分析等场景中,我们常常需要判断两个分类变量之间是否存在关联(如性别与消费偏好、产品类型与满 ...
2026-03-31在CDA(Certified Data Analyst)数据分析师的职场实战与认证考核中,“可解释性建模”是核心需求之一——企业决策中,不仅需要 ...
2026-03-31多层感知机(MLP,Multilayer Perceptron)作为深度学习中最基础、最经典的神经网络模型,其结构设计直接决定了模型的拟合能力、 ...
2026-03-30在TensorFlow深度学习实战中,数据集的加载与预处理是基础且关键的第一步。手动下载、解压、解析数据集不仅耗时费力,还容易出现 ...
2026-03-30在CDA(Certified Data Analyst)数据分析师的日常工作中,“无监督分组、挖掘数据内在聚类规律”是高频核心需求——电商场景中 ...
2026-03-30机器学习的本质,是让模型通过对数据的学习,自主挖掘规律、实现预测与决策,而这一过程的核心驱动力,并非单一参数的独立作用, ...
2026-03-27在SQL Server数据库操作中,日期时间处理是高频核心需求——无论是报表统计中的日期格式化、数据筛选时的日期类型匹配,还是业务 ...
2026-03-27