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...

Volltext Mehr ...
Verfasser: Mutschler, Willi
Weitere Beteiligte: Trede, Mark (Gutachter)
FB/Einrichtung:FB 04: Wirtschaftswissenschaftliche Fakultät
Dokumenttypen:Dissertation/Habilitation
Medientypen:Text
Erscheinungsdatum:2016
Publikation in MIAMI:18.02.2016
Datum der letzten Änderung:18.02.2016
Reihe:Wissenschaftliche Schriften der Universität Münster / Reihe IV, Bd. 10
Verlag/Hrsg.: Monsenstein und Vannerdat
Angaben zur Ausgabe:[Electronic ed.]
Schlagwörter:Identifizierung; Pruning; Kumulanten; Polyspektren; Nicht-Gaussianität; Nicht-Linearität Identification; Pruning; Cumulants; Polyspectra; Non-Gaussian; Nonlinear
Fachgebiet (DDC):330: Wirtschaft
Lizenz:CC BY-SA 3.0 DE
Sprache:English
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.de/urn:nbn:de:hbz:6-97219489383
Onlinezugriff:diss_mutschler_buchblock.pdf
Inhaltsverzeichnis:
  • 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
  • .

Ähnliche Einträge