
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
SQL Server 中 CONVERT 函数的日期转换:从基础用法到实战优化 在 SQL Server 的数据处理中,日期格式转换是高频需求 —— 无论 ...
2025-09-18MySQL 大表拆分与关联查询效率:打破 “拆分必慢” 的认知误区 在 MySQL 数据库管理中,“大表” 始终是性能优化绕不开的话题。 ...
2025-09-18CDA 数据分析师:表结构数据 “获取 - 加工 - 使用” 全流程的赋能者 表结构数据(如数据库表、Excel 表、CSV 文件)是企业数字 ...
2025-09-18DSGE 模型中的 Et:理性预期算子的内涵、作用与应用解析 动态随机一般均衡(Dynamic Stochastic General Equilibrium, DSGE)模 ...
2025-09-17Python 提取 TIF 中地名的完整指南 一、先明确:TIF 中的地名有哪两种存在形式? 在开始提取前,需先判断 TIF 文件的类型 —— ...
2025-09-17CDA 数据分析师:解锁表结构数据特征价值的专业核心 表结构数据(以 “行 - 列” 规范存储的结构化数据,如数据库表、Excel 表、 ...
2025-09-17Excel 导入数据含缺失值?详解 dropna 函数的功能与实战应用 在用 Python(如 pandas 库)处理 Excel 数据时,“缺失值” 是高频 ...
2025-09-16深入解析卡方检验与 t 检验:差异、适用场景与实践应用 在数据分析与统计学领域,假设检验是验证研究假设、判断数据差异是否 “ ...
2025-09-16CDA 数据分析师:掌控表格结构数据全功能周期的专业操盘手 表格结构数据(以 “行 - 列” 存储的结构化数据,如 Excel 表、数据 ...
2025-09-16MySQL 执行计划中 rows 数量的准确性解析:原理、影响因素与优化 在 MySQL SQL 调优中,EXPLAIN执行计划是核心工具,而其中的row ...
2025-09-15解析 Python 中 Response 对象的 text 与 content:区别、场景与实践指南 在 Python 进行 HTTP 网络请求开发时(如使用requests ...
2025-09-15CDA 数据分析师:激活表格结构数据价值的核心操盘手 表格结构数据(如 Excel 表格、数据库表)是企业最基础、最核心的数据形态 ...
2025-09-15Python HTTP 请求工具对比:urllib.request 与 requests 的核心差异与选择指南 在 Python 处理 HTTP 请求(如接口调用、数据爬取 ...
2025-09-12解决 pd.read_csv 读取长浮点数据的科学计数法问题 为帮助 Python 数据从业者解决pd.read_csv读取长浮点数据时的科学计数法问题 ...
2025-09-12CDA 数据分析师:业务数据分析步骤的落地者与价值优化者 业务数据分析是企业解决日常运营问题、提升执行效率的核心手段,其价值 ...
2025-09-12用 SQL 验证业务逻辑:从规则拆解到数据把关的实战指南 在业务系统落地过程中,“业务逻辑” 是连接 “需求设计” 与 “用户体验 ...
2025-09-11塔吉特百货孕妇营销案例:数据驱动下的精准零售革命与启示 在零售行业 “流量红利见顶” 的当下,精准营销成为企业突围的核心方 ...
2025-09-11CDA 数据分析师与战略 / 业务数据分析:概念辨析与协同价值 在数据驱动决策的体系中,“战略数据分析”“业务数据分析” 是企业 ...
2025-09-11Excel 数据聚类分析:从操作实践到业务价值挖掘 在数据分析场景中,聚类分析作为 “无监督分组” 的核心工具,能从杂乱数据中挖 ...
2025-09-10统计模型的核心目的:从数据解读到决策支撑的价值导向 统计模型作为数据分析的核心工具,并非简单的 “公式堆砌”,而是围绕特定 ...
2025-09-10