（麻省理工经济系指定教材）宏观经济研究：方法与应用（英文PDF高清版，471页）

5553

收藏 2012-01-05

书名：宏观经济研究：方法与应用

简介：麻省理工学院经济系指定教材，系主任布兰查德（现IMF首席经济学家）对此书推崇备至，原因为此书将宏观经济研究和计量相结合，是新凯恩斯宏观经济学的力作，涵盖了宏观研究的多个方面，尤其对当前研究热点的DSGE模型和贝叶斯分析做了全面阐述。和其他宏观教材不一样的是，不单纯讲授宏观理论，而是将计量知识融入其中，其实用性较强，对宏观计量感兴趣的同学不妨一读。

目录：

Chapter 1: Preliminaries 1

1.1 Stochastic Processes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

1.2 Concepts of Convergence . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.2.1 Almost sure (a.s.) convergence . . . . . . . . . . . . . . . . . . 3

1.2.2 Convergence in Probability . . . . . . . . . . . . . . . . . . . . . 4

1.2.3 Convergence in Lq-norm. . . . . . . . . . . . . . . . . . . . . . . 6

1.2.4 Convergence in Distribution . . . . . . . . . . . . . . . . . . . . 7

1.3 Time Series Concepts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8

1.4 Law of Large Numbers . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14

1.4.1 Dependent and Identically Distributed Observations . . . . . 14

1.4.2 Dependent and Heterogeneously Distributed Observations. 15

1.4.3 Martingale Difference Process . . . . . . . . . . . . . . . . . . . 16

1.5 Central Limit Theorems . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

1.5.1 Dependent and Identically Distributed Observations . . . . . 17

1.5.2 Dependent Heterogeneously Distributed Observations . . . . 18

1.5.3 Martingale Difference Observations . . . . . . . . . . . . . . . . 18

1.6 Elements of Spectral Analysis . . . . . . . . . . . . . . . . . . . . . . . 19

Chapter 2: DSGE Models, Solutions and Approximations 27

2.1 Few useful models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28

2.1.1 A basic Real Business Cycle (RBC) Model . . . . . . . . . . . 28

2.1.2 Heterogeneous agent models . . . . . . . . . . . . . . . . . . . . 35

2.1.3 Monetary Models . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

2.2 Approximation methods . . . . . . . . . . . . . . . . . . . . . . . . . . . 44

2.2.1 Quadratic approximations . . . . . . . . . . . . . . . . . . . . . . 45

2.2.2 Discretization . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48

2.2.3 Log linear Approximations . . . . . . . . . . . . . . . . . . . . . 51

2.2.4 Second order approximations . . . . . . . . . . . . . . . . . . . . . . 60

2.2.5 Parametrizing expectations . . . . . . . . . . . . . . . . . . . . . 62

2.2.6 A Comparison of methods . . . . . . . . . . . . . . . . . . . . . 65

Chapter 3: Extracting and Measuring Cyclical Information 67

3.1 Statistical Decompositions . . . . . . . . . . . . . . . . . . . . . . . . . 69

3.1.1 Traditional methods . . . . . . . . . . . . . . . . . . . . . . . . . 69

3.1.2 Beveridge-Nelson (BN) decomposition . . . . . . . . . . . . . . 69

3.1.3 Unobservable Components (UC) decompositions . . . . . . . 72

3.1.4 Regime shifting decomposition . . . . . . . . . . . . . . . . . . . 75

3.2 Hybrid Decompositions . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

3.2.1 The Hodrick and Prescott (HP) Filter . . . . . . . . . . . . . . 79

3.2.2 Exponential smoothing (ES) filter . . . . . . . . . . . . . . . . . 86

3.2.3 Moving average (MA) filters . . . . . . . . . . . . . . . . . . . . 88

3.2.4 Band Pass (BP) filters . . . . . . . . . . . . . . . . . . . . . . . . 89

3.3 Economic Decompositions . . . . . . . . . . . . . . . . . . . . . . . . . . 95

3.3.1 Blanchard and Quah (BQ) Decomposition . . . . . . . . . . . 95

3.3.2 King, Plosser Stock and Watson (KPSW) Decomposition . 97

3.4 Time Aggregation and Cycles . . . . . . . . . . . . . . . . . . . . . . . 99

3.5 Collecting Cyclical Information . . . . . . . . . . . . . . . . . . . . . . 100

因发帖行数限制，余下的目录见沙发

附件列表

Methods for applied macroeconomic research.pdf

大小:5.52 MB

只需: 2 个论坛币马上下载

扫码加我拉你入群

请注明：姓名-公司-职位

以便审核进群资格，未注明则拒绝

全部回复

seujmj

2012-1-5 18:46:36

Chapter 4: VAR Models 105
4.1 The Wold theorem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.2 Specification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.2.1 Lag Length 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
4.2.2 Lag Length 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115
4.2.3 Nonlinearities and nonnormalities . . . . . . . . . . . . . . . . . 116
4.2.4 Stationarity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
4.2.5 Breaks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
4.3 Moments and parameter estimation of a VAR(q) . . . . . . . . . . . 119
4.3.1 Companion form representation . . . . . . . . . . . . . . . . . . 119
4.3.2 Simultaneous equations format . . . . . . . . . . . . . . . . . . 121
4.4 Reporting VAR results . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.4.1 Impulse responses . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
4.4.2 Variance decomposition . . . . . . . . . . . . . . . . . . . . . . . 124
4.4.3 Historical decomposition . . . . . . . . . . . . . . . . . . . . . . 125
4.4.4 Distribution of Impulse Responses . . . . . . . . . . . . . . . . 125
4.4.5 Generalized Impulse Responses . . . . . . . . . . . . . . . . . . 130
4.5 Identification . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 133
4.5.1 Stationary VARs . . . . . . . . . . . . . . . . . . . . . . . . . . . 134
4.5.2 Nonstationary VARs . . . . . . . . . . . . . . . . . . . . . . . . . 137
4.5.3 Alternative identification schemes . . . . . . . . . . . . . . . . . 139
4.6 Problems . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
4.7 Validating DSGE models with VARs . . . . . . . . . . . . . . . . . . . 151
Chapter 5: GMM and Simulation Estimators 157
5.1 Generalized Method of Moment and other standard estimators . . 158
5.2 IV estimation in a linear model . . . . . . . . . . . . . . . . . . . . . . 161
5.3 GMM Estimation: An overview . . . . . . . . . . . . . . . . . . . . . . 167
5.3.1 Asymptotics of GMM estimators . . . . . . . . . . . . . . . . . 168
5.3.2 Estimating the Covariance Matrix . . . . . . . . . . . . . . . . 170
5.3.3 Optimizing the Asymptotic covariance matrix . . . . . . . . . 174
5.3.4 Sequential GMM Estimation . . . . . . . . . . . . . . . . . . . . 175
5.3.5 Two-Step Estimators . . . . . . . . . . . . . . . . . . . . . . . . . 176
5.3.6 Hypotheses Testing . . . . . . . . . . . . . . . . . . . . . . . . . . 177
5.4 GMM estimation of DSGE models . . . . . . . . . . . . . . . . . . . . 181
5.4.1 Some Applied tips . . . . . . . . . . . . . . . . . . . . . . . . . . . 185
5.5 Simulation Estimators . . . . . . . . . . . . . . . . . . . . . . . . . . . . 187
5.5.1 The General Problem . . . . . . . . . . . . . . . . . . . . . . . . 188
5.5.2 Simulated Method of Moments Estimator . . . . . . . . . . . 191
5.5.3 Simulated Quasi-Maximum Likelihood/ Indirect Inference . 192
5.5.4 Matching impulse responses . . . . . . . . . . . . . . . . . . . . . . . 196
Chapter 6: Likelihood methods 201
6.1 The Kalman filter . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 202
6.2 The Prediction error decomposition of likelihood . . . . . . . . . . . 209
6.2.1 Some Asymptotics of ML estimators . . . . . . . . . . . . . . . 213
6.3 Numerical tips . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
6.4 ML estimation of DSGE models . . . . . . . . . . . . . . . . . . . . . . 218
6.5 Two examples . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
6.5.1 Does monetary policy react to technolocy shocks? . . . . . . 227
6.5.2 Does fiscal policy help to stabilize the cycle? . . . . . . . . . . 233
Chapter 7: Calibration 235
7.1 A Definition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 236
7.2 The Uncontroversial parts . . . . . . . . . . . . . . . . . . . . . . . . . . 237
7.3 Choosing parameters and stochastic processes . . . . . . . . . . . . . 239
7.4 Model Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 246
7.4.1 Watson’s R2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
7.4.2 Measure of fit based on simulation variability . . . . . . . . . 253
7.4.3 Measures of fit based on sampling variability . . . . . . . . . 256
7.4.4 Measures of fit based on sampling and simulation variability 259
7.5 The sensitivity of the measurement . . . . . . . . . . . . . . . . . . . . 265
7.6 Savings, Investments and Tax cuts: an example . . . . . . . . . . . . 268
Chapter 8: Dynamic Macro Panels 273
8.1 From economic theory to dynamic panels . . . . . . . . . . . . . . . . 274
8.2 Panels with Homogeneous dynamics . . . . . . . . . . . . . . . . . . . 276
8.2.1 Pitfalls of standard methods . . . . . . . . . . . . . . . . . . . . 278
8.2.2 The Correct approach . . . . . . . . . . . . . . . . . . . . . . . . 280
8.2.3 Restricted models . . . . . . . . . . . . . . . . . . . . . . . . . . . 283
8.2.4 Recovering the individual effect . . . . . . . . . . . . . . . . . . 285
8.2.5 Some practical issues . . . . . . . . . . . . . . . . . . . . . . . . . 286
8.3 Dynamic heterogeneity . . . . . . . . . . . . . . . . . . . . . . . . . . . . 288
8.3.1 Average time series estimator . . . . . . . . . . . . . . . . . . . 290
8.3.2 Pooled estimator . . . . . . . . . . . . . . . . . . . . . . . . . . . 291
8.3.3 Aggregate time series estimator . . . . . . . . . . . . . . . . . . 294
8.3.4 Average Cross sectional Estimator . . . . . . . . . . . . . . . . 295
8.3.5 Testing for dynamic heterogeneity . . . . . . . . . . . . . . . . 297
8.4 To Pool or not to Pool? . . . . . . . . . . . . . . . . . . . . . . . . . . . 298
8.4.1 What goes wrong with two-step regressions? . . . . . . . . . . 302
8.5 Is Money superneutral? . . . . . . . . . . . . . . . . . . . . . . . . . . . 304
Chapter 9: Introduction to Bayesian Methods 309
9.1 Preliminaries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 310
9.1.1 Bayes Theorem . . . . . . . . . . . . . . . . . . . . . . . . . . . . 310
9.1.2 Prior Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 312
9.2 Decision Theory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 318
9.3 Inference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 319
9.3.1 Inference with Multiple Models . . . . . . . . . . . . . . . . . . 322
9.3.2 Normal Approximations . . . . . . . . . . . . . . . . . . . . . . . 323
9.3.3 Testing hypotheses/relative fit of different models . . . . . . 325
9.3.4 Forecasting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 327
9.4 Hierarchical and Empirical Bayes models . . . . . . . . . . . . . . . . 328
9.4.1 Empirical Bayes methods . . . . . . . . . . . . . . . . . . . . . . 332
9.4.2 Meta analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 333
9.5 Posterior simulators . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 336
9.5.1 Normal posterior analysis . . . . . . . . . . . . . . . . . . . . . . 336
9.5.2 Basic Posterior Simulators . . . . . . . . . . . . . . . . . . . . . 337
9.5.3 Markov Chain Monte Carlo Methods . . . . . . . . . . . . . . 340
9.6 Robustness . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 352
9.7 Estimating Returns to scale: Spain (1979-1999) . . . . . . . . . . . . 352
Chapter 10: Bayesian VARs 355
10.1 The Likelihood function of an m variable VAR(q) . . . . . . . . . . 356
10.2 Priors for VARs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 357
10.2.1 Least square under uncertain restrictions . . . . . . . . . . . . 358
10.2.2 The Minnesota prior . . . . . . . . . . . . . . . . . . . . . . . . . 359
10.2.3 Adding other prior restrictions . . . . . . . . . . . . . . . . . . 363
10.2.4 Some Applied tips . . . . . . . . . . . . . . . . . . . . . . . . . . . 365
10.2.5 Priors derived from DSGE models . . . . . . . . . . . . . . . . 366
10.2.6 Probability distributions for forecasts: Fan Charts . . . . . . 370
10.3 Structural BVARs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 372
10.4 Time Varying Coefficients BVARs . . . . . . . . . . . . . . . . . . . . 379
10.4.1 Minnesota style prior . . . . . . . . . . . . . . . . . . . . . . . . . 380
10.4.2 Hierarchical prior . . . . . . . . . . . . . . . . . . . . . . . . . . . 382
10.5 Panel VAR models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 384
10.5.1 Univariate dynamic panels . . . . . . . . . . . . . . . . . . . . . 385
10.5.2 Endogenous grouping . . . . . . . . . . . . . . . . . . . . . . . . . 388
10.5.3 Panel VARs with interdependencies . . . . . . . . . . . . . . . 392
10.5.4 Indicators . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 395
10.5.5 Impulse responses . . . . . . . . . . . . . . . . . . . . . . . . . . . 396
Chapter 11: Bayesian time series and DSGE models 399
11.1 Factor Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 400
11.1.1 Arbitrage Pricing (APT) Models . . . . . . . . . . . . . . . . . 403
11.1.2 Conditional Capital Asset Pricing models (CAPM) . . . . . 406
11.2 Stochastic Volatility Models . . . . . . . . . . . . . . . . . . . . . . . . 408
11.3 Markov switching models . . . . . . . . . . . . . . . . . . . . . . . . . . 414
Appendix 443