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：摘要研究具有马尔可夫性质的一般随机模型密度计算，未提供足以对应所列宏观、金融或微观细分的应用依据。
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
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，并量化密度近似的误差？
- 方法与思路
- 作者研究一种针对马尔可夫随机模型的密度计算算法，借助全局渐近正态性，以范数偏差的分布构造误差界。
- 材料陈述的贡献
- 摘要称，该算法具备全局渐近正态性和 O_P(n⁻¹ᐟ²) 收敛速度，并据此给出以范数偏差分布表述的误差界。
- 阅读关注点
- 阅读全文时应核对模拟算法的具体步骤、所用函数空间与范数、全局渐近正态性的含义，以及误差界的计算方式。
- 阅读边界
- 摘要未说明模型正则条件、模拟样本的依赖结构、维数限制或误差界的有限样本有效性，无法据此判断实际计算表现。
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.