Computing the Distributions of Economic Models via Simulation
通过模拟计算经济模型的分布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：摘要关注一般马尔可夫经济模型的模拟密度计算与误差理论，未限定宏观、金融或微观应用，不足以对应所列细分。
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
通过模拟计算经济模型的分布
- 研究问题
- 如何用蒙特卡洛模拟计算具有马尔可夫性质的随机经济模型的边际密度与平稳密度，并为整体估计误差提供渐近刻画和界？
- 方法与思路
- 作者研究计算边际与平稳密度的蒙特卡洛算法，建立全局渐近正态性与 O_P(n^(-1/2)) 收敛，并据范数偏差分布推导误差界。
- 材料陈述的贡献
- 摘要称该算法具有全局渐近正态性及 O_P(n^(-1/2)) 收敛性质，并可利用渐近正态性，以范数偏差的分布刻画计算误差界。
- 阅读关注点
- 阅读全文时应核对算法如何生成密度估计、全局结果采用何种函数空间与范数，以及模型条件、模拟样本依赖和误差界的具体形式。
- 阅读边界
- 摘要未说明算法步骤、n 的含义、正则条件及误差界是否具有有限样本保证；无法据此判断适用模型范围、计算成本或相对其他算法的优势。
原文摘要
We study a Monte Carlo algorithm for computing marginal and stationary densities of stochastic models with the Markov property, establishing global asymptotic normality and OP(n–1/2) convergence. Asymptotic normality is used to derive error bounds in terms of the distribution of the norm deviation.