Choosing What to Calibrate and What to Estimate in Structural Models
结构模型中哪些参数应校准、哪些应估计？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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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：摘要将结构模型的校准与估计参数划分作为计量选择问题，直接涉及结构估计，宏观案例不改变方法的核心对象。
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
结构模型中哪些参数应校准、哪些应估计？
- 研究问题
- 结构模型通常依惯例划分校准参数与估计参数；如何根据政策或福利等目标量对校准误差的敏感性选择这一划分？
- 方法与思路
- 作者为每种可行划分构造目标量对校准参数扰动的局部敏感性统计量，选择使该量最小的划分，计算仅需局部导数。
- 材料陈述的贡献
- 摘要称该选择最小化校准误差导致的最坏局部偏差，避免反复重估；新凯恩斯模型应用显示不同划分的偏差敏感性差异很大。
- 阅读关注点
- 应核对允许的划分集合、校准误差扰动范围和目标量定义，并检查局部导数如何计算及敏感性准则是否考虑估计精度。
- 阅读边界
- 这是 arXiv 预印本，同行评审与期刊接收均未核实；摘要讨论的是局部偏差，未说明对大幅误校准或总体均方误差的保证。
原文摘要
Structural models often fix (calibrate) some parameters and estimate the rest, but this calibration-estimation partition is usually chosen by convention. This paper treats that choice as an econometric partition-selection problem. For each admissible partition, we construct a scalar sensitivity statistic measuring the local response of a target object -- such as a policy effect, welfare measure, impulse response, or treatment effect -- to perturbations of the calibrated parameters. The selected partition minimizes this statistic and therefore minimizes worst-case local bias from calibration errors. We first illustrate the decision problem in two canonical examples. We then apply it to the New Keynesian model of Nakamura and Steinsson (2018), where the partition choice has large implications for credibility: some partitions remain reliable under sizeable miscalibrations, whereas others generate large bias from small calibration errors. The procedure requires only local derivatives, avoids repeated re-estimation, and applies to a broad class of structural models.