Data revisions and DSGE models
数据修订与 DSGE 模型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：摘要聚焦宏观数据修订条件下的实时预测、回溯预测及密度预测评价。
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
数据修订与 DSGE 模型
- 研究问题
- 宏观总量数据持续修订时，如何估计 DSGE 模型并开展实时预测，使预测分布同时反映未来经济变化与已发布数据的不确定性？
- 方法与思路
- 作者提出基于数据发布的估计方法，使用各观测的修订数据，同时在实时预测中计入数据不确定性，提供历史回溯预测与未来预测。
- 材料陈述的贡献
- 摘要称，中等规模 DSGE 应用改善美国实际宏观变量的密度预测，尤其是预测区间覆盖率，并发现周期来源的重要性随数据成熟度变化。
- 阅读关注点
- 核对数据发布与修订的建模方式、估计和预测使用的信息集，以及密度预测评价是否遵守实时可获得数据的边界。
- 阅读边界
- 仅据所给出版社摘要，无法确定修订过程、预测评估设计或改善幅度；应用结果不保证其他 DSGE 模型或数据发布制度下也有改善。
原文摘要
The typical estimation of DSGE models requires data on a set of macroeconomic aggregates, such as output, consumption and investment, which are subject to data revisions. The conventional approach employs the time series that is currently available for these aggregates for estimation, implying that the last observations are still subject to many rounds of revisions. This paper proposes a release-based approach that uses revised data of all observations to estimate DSGE models, but the model is still helpful for real-time forecasting. This new approach accounts for data uncertainty when predicting future values of macroeconomic variables subject to revisions, thus providing policy-makers and professional forecasters with both backcasts and forecasts. Application of this new approach to a medium-sized DSGE model improves the accuracy of density forecasts, particularly the coverage of predictive intervals, of US real macro variables. The application also shows that the estimated relative importance of business cycle sources varies with data maturity.