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。
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：摘要估计家庭或企业异质性模型，并联合使用总量时间序列与微观横截面，支持结构估计和宏观时间序列分类。
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和重复微观横截面估计异质性主体模型，并处理影响横截面分布但不可观测的总量状态？
- 方法与思路
- 作者计算模型隐含似然的数值无偏估计，将其用于 MCMC 推断，并利用微观似然评估自然适于并行计算的结构。
- 材料陈述的贡献
- 摘要称方法提供有效且充分高效的贝叶斯推断；数值例子中加入微观数据明显收紧推断，部分参数识别依赖微观信息。
- 阅读关注点
- 应核对似然估计的无偏性、潜在总量状态的处理、MCMC 有效性的条件，以及微观数据提供识别信息的具体来源。
- 阅读边界
- 仅据所给 Crossref 摘要，不能断言所有模型均获得同等效率改善；似然算法、计算成本及其他版本变化未说明。
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.