Identification and frequency domain quasi-maximum likelihood estimation of linearized dynamic stochastic general equilibrium models
线性化动态随机一般均衡模型的识别与频域准极大似然估计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：摘要明确基于 DSGE 随机过程的矩性质、频率信息和频域似然研究识别与估计。
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
线性化动态随机一般均衡模型的识别与频域准极大似然估计
- 研究问题
- 线性化 DSGE 模型的结构参数能否由过程的一阶、二阶性质局部识别，且如何进行频域估计及处理不识别问题？
- 方法与思路
- 作者提出局部识别的充要条件，研究频率子集与参数约束等扩展，并在非奇异系统中分析频域准极大似然及准贝叶斯方法。
- 材料陈述的贡献
- 摘要称，识别条件允许观测变量与结构冲击数量任意对应，并可追踪不识别曲线；同时给出估计量的渐近性质及计算方案。
- 阅读关注点
- 应核对识别条件的具体矩阵表达、频率选择与非奇异性要求，以及模型结构如何改变极限分布和准贝叶斯推断的有效性。
- 阅读边界
- 仅依据所给 OpenAlex 版本摘要；局部识别不等于全局唯一识别，估计部分限定非奇异系统，技术条件与计算表现未完整说明。
原文摘要
This paper considers issues related to identification, inference, and computation in linearized dynamic stochastic general equilibrium (DSGE) models. We first provide a necessary and sufficient condition for the local identification of the structural parameters based on the (first and) second order properties of the process. The condition allows for arbitrary relations between the number of observed endogenous variables and structural shocks, and is simple to verify. The extensions, including identification through a subset of frequencies, partial identification, conditional identification, and identification under general nonlinear constraints, are also studied. When lack of identification is detected, the method can be further used to trace out nonidentification curves. For estimation, restricting our attention to nonsingular systems, we consider a frequency domain quasi-maximum likelihood estimator and present its asymptotic properties. The limiting distribution of the estimator can be different from results in the related literature due to the structure of the DSGE model. Finally, we discuss a quasi-Bayesian procedure for estimation and inference. The procedure can be used to incorporate relevant prior distributions and is computationally attractive.