Global identification of linearized DSGE models
线性化 DSGE 模型的全局识别AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要围绕线性化 DSGE 的状态空间表示及观测等价性展开，直接关联宏观动态模型的时间序列识别。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
线性化 DSGE 模型的全局识别
- 研究问题
- 对于线性化 DSGE 模型，如何判断是否存在产生相同观测分布的不同深层参数，从而检验全局识别？
- 方法与思路
- 作者结合观测等价状态空间表示之间的限制与模型解对深层参数的约束，构建搜索等价参数化的计算算法。
- 材料陈述的贡献
- 摘要称建立了正式的识别条件，算法能够缩小候选参数空间且无需逐点求解模型，并用两个例子展示其运作。
- 阅读关注点
- 应核对识别条件的适用范围、搜索算法能否覆盖全部等价参数，以及计算终止与全局识别结论之间的关系。
- 阅读边界
- 仅据所给出版社摘要，无法判断搜索完整性、具体计算成本或对不同 DSGE 模型的适用性，也不推断版本变化。
原文摘要
This paper introduces a computational framework to analyze global identification of linearized DSGE models. A formal identification condition is established that relies on the restrictions linking the observationally equivalent state space representations and on the inherent constraints imposed by the model solution on the deep parameters. This condition is next used to develop an algorithm that checks global identification by searching for observationally equivalent model parametrizations. The algorithm is efficient as the identification conditions it employs shrink considerably the space of candidate deep parameter points and the model does not need to be solved at each of these points. The working of the algorithm is demonstrated with two examples.