Full-Information Estimation of Heterogeneous Agent Models Using Macro and Micro Data
结合宏观与微观数据的异质性主体模型全信息估计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：摘要对异质性家庭或企业结构模型进行似然估计，并结合总量时间序列数据。
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
结合宏观与微观数据的异质性主体模型全信息估计
- 研究问题
- 如何结合总量时间序列与重复微观截面，对异质性主体模型进行全信息推断，并处理影响截面分布的未观测总量状态？
- 方法与思路
- 作者构造模型隐含似然的数值无偏估计，将其用于 MCMC 贝叶斯推断；微观似然部分可并行计算，并展示家庭与企业模型。
- 材料陈述的贡献
- 摘要称全信息方法相较仅用宏观数据显著提高推断精度，部分参数的识别需要微观数据，并主张该方法提供有效贝叶斯推断。
- 阅读关注点
- 读全文时应核对似然无偏估计的构造、潜在总量状态的积分处理、MCMC 有效性，以及微观数据识别哪些具体参数。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明效率结论的条件、计算成本或数值改进幅度。
原文摘要
We develop a generally applicable full-information inference method for heterogeneous agent models, combining aggregate time series data and repeated cross sections of micro data. To handle unobserved aggregate state variables that affect cross-sectional distributions, we compute a numerically unbiased estimate of the model-implied likelihood function. Employing the likelihood estimate in a Markov Chain Monte Carlo algorithm, we obtain fully efficient and valid Bayesian inference. Evaluation of the micro part of the likelihood lends itself naturally to parallel computing. Numerical illustrations in models with heterogeneous households or firms demonstrate that the proposed full-information method substantially sharpens inference relative to using only macro data, and for some parameters micro data is essential for identification.