考虑不确定性的动态随机一般均衡模型参数识别方法与应用研究

This research project augments the original DSGE model with a set of auxiliary exgenous equations that are used to express the forecast errors as a function of fundamental shocks and sunspot shocks in presence of indeterminacy.The proposal approach accommodates determinacy and any degree of indeterminacy,and allows us to apply standard solution algorithms to expore the entire parameter space.Based the solutions derived from augmented DSGE models,we present new approaches to parameter identification problems. First,are the parameters of the model local identification,or global identification? Second,how strong is identification? Third,if there are identification problems,do they originate in the model or in the data? Fourth,which parameters are not well-identification and what features of the model are responsible for that.. To answer above questions,we present the time domain and frequency domain based frameworks for analysing identification in log linearized DSGE models of structural parameters based on Frisher information matrix and second order properties of spectral density function. Moreover,we consider a Kullback-Leibler distance,and its frequency domain expression between two DSGE models,which shows that global identification fails if and only if the minimized distance equals zero.Our novel strategies are designed to analyse parameter identification even when a DSGE model is indeterminate. We apply these methodologies to study parameter identification of two models estimated recently in Lind(2015) and Negro and Schorfheide(2009).Stability and robust tests are implemented for parameter identification problems in two models.

本项目在原DSGE模型中加入辅助外生方程，融入太阳黑子冲击，把预测误差表示成为基本面冲击和太阳黑子冲击的函数。我们得到模型确定性和不确定性兼容的一般解集，并应用标准求解方法探测整个参数空间。基于得到的解集，项目要解决四个问题：（1）DSGE模型参数是否可局部识别或者全局识别；（2）参数识别强度如何；（3）如果参数存在识别缺陷，是模型结构原因还是数据原因；（4）哪些参数存在识别问题，应该归咎于模型的哪些特性。为了回答以上问题，我们提出了时域和频域识别框架。应用费雪信息矩阵和观察变量谱密度二阶性研究参数局部识别问题，并提出识别强度测度方法。引入时域和频域Kullback-Leibler距离研究参数全局识别问题。方法新颖之处在于能够分析不确定性模型的参数识别问题。这些方法被应用于研究两个DSGE模型的参数识别：Lind(2015)模型和Negro和Schorfheide(2009)模型。

DSGE模型是宏观经济分析和政策制定常用的工具。然而DSGE模型的估计通常受到参数无法识别或者弱识别的困扰，以往学界并没有找到克服模型参数识别问题。项目申请人的前期研究表明，在估计DSGE模型（尤其是估计比较大型的DSGE模型）的时候，似然函数通常具有多峰性，或者研究者常常得到在某些方向扁平的似然函数。这就意味着研究者得到的参数估计并不是全局最优值。此外，申请人前期研究还发现，DSGE模型通常还具有多重均衡或者无穷多均衡的现象（即模型的不确定性），如果模型存在不确定性，DSGE模型参数是不能准确识别的。本课题在前期研究的基础之上，明确DSGE模型参数不可识别的类型、各种识别问题的修复方式。一旦了解到模型参数识别状况，我们就能够通过固定那些存在识别缺陷的参数，利用经济理论和实际数据进行校准处理。因为DSGE模型深度参数是互相影响的，模型不可识别可能是某些参数共同作用的结果。如果不固定那些无法识别的参数，这些参数可能会影响其它参数的可识别性，最终导致模型参数估计和统计推断的错误。.遵循以上的研究思路，我们从时域上克服了凯恩斯四方程模型（小型DSGE模型）的参数不可识别问题，比较准确地得到了不确定均衡环境下的DSGE模型的参数时变估计量。我们还从频域视角克服了Smets和Wouters（2007）中等规模DSGE模型的参数识别问题，估计了随频率发生变化的模型参数估计量。此外，我们还发现宏观经济变量隐含的长记忆性对于模型的参数识别具有很大的影响。因此我们以生态指标为例研究了如何估计和检验宏观经济变量的长记忆参数，并在建立宏观经济模型的时候考虑到长记忆现象。我们还利用识别的DSGE模型框架分析了我国通货膨胀的福利成本。.在DSGE模型参数识别和估计方法的应用方面，我们把参数识别方法扩展到其它模型。我们研究了附加共同因子的动态面板门限模型的估计和识别问题；研究了智能农业物联网系统的估计和识别问题；研究了物流中的信息追踪系统的识别问题；研究了非线性面板平滑转移向量误差修正模型。.围绕着影响模型参数识别各种因素，提出可能克服模型参数不可识别和弱识别的各种方法，以期为DSGE模型的研究和准确使用提供一个新的思路。