Nuevo paper metodológico del NBER*

By -
Título: "Estimating Dynamic Equilibrium Models with Stochastic Volatility" (Estimando modelos de equilibrio dinámico con volatilidad estocástica)


Abstract: We propose a novel method to estimate dynamic equilibrium models with stochastic volatility. First, we characterize the properties of the solution to this class of models. Second, we take advantage of the results about the structure of the solution to build a sequential Monte Carlo algorithm to evaluate the likelihood function of the model. The approach, which exploits the profusion of shocks in stochastic volatility models, is versatile and computationally tractable even in large-scale models, such as those often employed by policy-making institutions. As an application, we use our algorithm and Bayesian methods to estimate a business cycle model of the U.S. economy with both stochastic volatility and parameter drifting in monetary policy. Our application shows the importance of stochastic volatility in accounting for the dynamics of the data.

 --------

Resumen: "Se propone un nuevo método para estimar modelos dinámicos de equilibrio con volatilidad estocástica. En primer lugar, se caracterizan las propiedades de la solución a esta clase de modelos. En segundo lugar, nos aprovechamos de los resultados sobre la estructura de la solución para construir un algoritmo secuencial Monte Carlo para evaluar la función de probabilidad del modelo. El enfoque, que explota la profusión de choques en los modelos de volatilidad estocástica, es versátil y manejable computacionalmente incluso en modelos a gran escala, como las que a menudo empleados por las instituciones de formulación de políticas. Como aplicación, se utiliza el algoritmo y métodos Bayesianos para estimar un modelo de ciclo económico de la economía de EE.UU. con ambos volatilidad estocástica y parámetro a la deriva en la política monetaria. Nuestra aplicación muestra la importancia de la volatilidad estocástica en la contabilidad de la dinámica de los datos."


*National Bureau of Economic Research

Comments

Post a Comment

Popular posts from this blog

Endogeneidad y Exogeneidad en los Modelos Econométricos [MARTIN, JM.]

By -
+José-Manuel Martin Coronado   Econometrista +EMECEP Consultoría   www.emecep-consultoria.com En las clases de estadística, en el tema de regresión lineal, los alumnos aprenden que hay variables dependientes (regresadas) y variables independientes (regresoras), básicamente la "Y" y la "X", como un recordatorio de las clases de geometría analítica. No obstante, cuando los alumnos llegan al curso de econometría, ese lenguaje tiende a cambiar, para confundir, y a veces, para estresar a los alumnos. Aunque en el fondo podrían llegar a ser sinónimos, lo cierto es que la denominación más usual es la de variable endógena y variable exógena, respectivamente. La primera no es otra que aquella variable económica cuya evolución y/o comportamiento depende de otras, mientras que la segunda es lo contrario. (no dependencia). No obstante, este enfoque parece ser más un supuesto que una propiedad. En otras palabras, mientras se tienen experimentos plenamente con
<<<< Leer más / Read more >>>>

"De los modelos ARDL - Primera Parte" (Traducción)

By -
La siguiente es una traducción al español del post originalmente publicado por D.Giles en su blog "Econometric Beats" ; la cual se publica sólo con fines académicos: "Modelos ARDL [Rezagos Distribuidos]- Parte I He prometido, durante demasiado tiempo, proveer una entrada sobre los modelos ARDL y pruebas de campo. Bueno, por fin llegó la hora de hacerlo! "ARDL" significa modelo "Autoregresivo de Rezagos Distribuidos". Los modelos de regresión de este tipo han estado en uso durante décadas, pero en tiempos más recientes han demostrado  proporcionar un vehículo muy valioso para probar la presencia de relaciones de largo plazo entre series de tiempo económicas.
<<<< Leer más / Read more >>>>

¿Qué es un Proceso Generador de Datos ARIMA(1,1)? [J.M. MARTIN]

By -
José-Manuel Martin Coronado Instituto de Econometría de Lima www.institutoeconometria.com Existe un concepto muy utilizado en el análisis de series de tiempo y es el de Proceso Generador de Datos (PGD ó DGP en inglés). Si bien el nombre parece complejo, en principio es bastante sencillo: Es una fórmula matemática que representa una secuencia de datos. Y por definición, esa fórmula de una secuencia permite crear datos en serie, es decir, sucesivos en función a algún indicador, en este caso, el tiempo. No obstante, muchos estudiosos de la materia buscan confundir y asustar al lector novel en estos temas, afirmando que es algo muy complejo. Si bien algunas fórmulas de series de tiempo puede ser excesivamente complejas, esto a veces es arbitrario y no necesariamente representativo, particularmente si se tiene en cuenta que los modelos Naïve puede llegar a ser tan precisos como los modelos con PGD de alta complejidad.  Por ejemplo, un proceso generador de datos muy simple se
<<<< Leer más / Read more >>>>