Erweiterte Suche

Local identification of nonlinear and non-Gaussian DSGE models

Diese Arbeit befasst sich mit der lokalen Identifikation von nicht-linearen und nicht-gaussianischen DSGE Modellen. Es werden Strategien entwickelt, um Probleme der Identifizierbarkeit zu erkennen und zu vermeiden. Dabei wird ein umfassender Überblick über vorhandene Methoden für linearisierte DSGE Modelle gegeben und diese um Restriktionen durch höhere Momente, Kumulanten und Polyspektren erweitert. Weiterhin wird in der Arbeit die Identifizierung durch höhere Approximationen begründet. Mithilfe einer abgeschnittenen Zustandsraumdarstellung werden formale Rangkriterien für die lokale Identifizierbarkeit der Parameter von nicht-linearen und nicht-gaussianischen DSGE Modellen hergeleitet. Mit diesen Methoden lässt sich Identifizierbarkeit bereits vor der Schätzung des nicht-linearen Modells überprüfen. Auf diese Weise wird gezeigt, dass alle Parameter des Kim (2003) als auch des An und Schorfheide (2007) Modells mit einer Approximation zweiter Ordnung identifiziert werden können.

This thesis adds to the literature on the local identification of nonlinear and non-Gaussian DSGE models. It gives applied researchers a strategy to detect identification problems and means to avoid them in practice. A comprehensive review of existing methods for linearized DSGE models is provided and extended to include restrictions from higher-order moments, cumulants and polyspectra. Another approach, established in this thesis, is to consider higher-order approximations. Formal rank criteria for a local identification of the deep parameters of nonlinear or non-Gaussian DSGE models, using the pruned state-space system are derived. The procedures can be implemented prior to estimating the nonlinear model. In this way, the identifiability of the Kim (2003) and the An and Schorfheide (2007) model are demonstrated, when solved by a second-order approximation.

Titel: Local identification of nonlinear and non-Gaussian DSGE models
Verfasser: Mutschler, Willi GND
Gutachter: Trede, Mark GND
Organisation: FB 04: Wirtschaftswissenschaftliche Fakultät
Dokumenttyp: Dissertation/Habilitation
Medientyp: Text
Erscheinungsdatum: 2016
Publikation in MIAMI: 18.02.2016
Datum der letzten Änderung: 18.02.2016
Reihe Wissenschaftliche Schriften der WWU Münster / Reihe IV ; 10
Verlag/Hrsg.: Monsenstein und Vannerdat
Schlagwörter: Identifizierung; Pruning; Kumulanten; Polyspektren; Nicht-Gaussianität; Nicht-Linearität
Identification; Pruning; Cumulants; Polyspectra; Non-Gaussian; Nonlinear
Fachgebiete: Wirtschaft
Lizenz: CC BY-SA 3.0 DE
Sprache: Englisch
Anmerkungen: Auch im Buchhandel erhältlich: Local identification of nonlinear and non-Gaussian DSGE models / Willi Mutschler. – Münster : Monsenstein und Vannerdat, 2016. – VII, 140 S. (Wissenschaftliche Schriften der WWU Münster : Reihe IV ; Bd. 10), ISBN 978-3-8405-0135-7, Preis: 13,60 EUR
Format: PDF-Dokument
ISBN: 978-3-8405-0135-7
URN: urn:nbn:de:hbz:6-97219489383
Permalink: https://nbn-resolving.org/urn:nbn:de:hbz:6-97219489383
Onlinezugriff:
Inhalt:
1 Introduction ..... 1
2 DSGE framework ..... 9
2.1 General model and solution ..... 9
2.2 Pruned state-space system ..... 13
3 Example models ..... 19
3.1 The Kim (2003) model ..... 19
3.2 The An and Schorfheide (2007) model ..... 22
4 Higher-order statistics for DSGE models ..... 35
4.1 Moments, cumulants and polyspectra ..... 37
4.2 Monte-Carlo analysis ..... 42
5 Analytical derivatives ..... 47
6 Assumptions and definitions of local identifiability ..... 53
7 Identification of linearized DSGE models: a review and departure from Gaussianity ..... 55
7.1 Rank conditions ..... 57
7.1.1 Time domain ..... 58
7.1.2 Frequency domain ..... 60
7.1.3 Minimal system ..... 62
7.1.4 Discussion ..... 65
7.2 Bayesian identification criteria ..... 68
7.3 Applications ..... 72
7.3.1 The Kim (2003) model ..... 72
7.3.2 The An and Schorfheide (2007) model ..... 77
7.4 Comparison ..... 86
8 Identification of DSGE models: the effect of higher-order approximation and pruning ..... 87
8.1 Rank conditions ..... 89
8.2 Implementation ..... 92
8.3 Applications ..... 95
8.3.1 The Kim (2003) model ..... 95
8.3.2 The An and Schorfheide (2007) model ..... 97
9 Conclusion ..... 101
References ..... 114
Appendix A Magnus-Neudecker definition of Hessian ..... 115
Appendix B Auxiliary matrices and derivatives ..... 117
Appendix C Example for notation and index matrices ..... 121
Appendix D Product-moments of innovations ..... 123
Appendix E Generalized Sylvester equations for cumulants ..... 131
Appendix F Deriving numerical derivatives ..... 133
Appendix G Deriving the minimal state ..... 135
Appendix H Metropolis-Hastings algorithm ..... 137