ARTICLE
ABSTRACT
The DSGE-VAR model consists of two models of vector autoregressions: the first one approximates linearised solution of the dynamic stochastic general equilibrium model and is used as a tool for construction of a prior distribution for the second one, estimated with the observed data. Combined inference is possible on the basis on probability distributions with the Bayesian techniques. The key role in the hybrid model is played by the weighting parameter that defines the relative proportions of the structural and autoregressive models. It has crucial impact for the marginal data density that allows to compare the power of different models. The main purpose of the paper is to present in details model assumptions and estimation.
KEYWORDS
DSGE-VAR, dynamic stochastic general equilibrium model, Bayesian inference, prior specifi cation
REFERENCES
[1] Adjemian A., DarracqParies M., Moyen S., (2008), Towards a Monetary Policy Evaluation Framework, European Central Bank Working Paper No. 942, Frankfurt am Main, Germany.
[2] Adolfson M., Laseén S., Lindé J., Villani M., (2008), Evaluating an Estimated New Keynesian Small Open Economy Model, Journal of Economic Dynamics and Control, Elsevier, 32 (8), 2690–2721.
[3] An S., Schorfheide F., (2007), Bayesian Analysis of DSGE Models – Rejoinder, Econometric Reviews, Taylor and Francis Journal, 26 (2–4), 211–219.
[4] Brzoza-Brzezina M., Kolasa M., (2012), Bayesian Evaluation of DSGE Models with Financial Frictions, National Bank of Poland Working Paper 109.
[5] Chow H. K., McNelis P. D., (2010), Need Singapore Fear Floating? A DSGE-VAR Approach, Research Collection School of Economics, Paper 1250.
[6] DeJong D. N., Ingram B. F., Whiteman C. H., (1996), A Bayesian Approach to Calibration, Journal of Business & Economic Statistics, American Statistical Association, 14 (1), 1–9.
[7] Del Negro M., Schorfheide F., (2004), Priors from General Equilibrium Models for VARs, International Economic Review, 45 (2), 643–673.
[8] Del Negro M., Schorfheide F., (2008), Forming Priors for DSGE Models, (and How It Affects the Assessment of Nominal Rigidities), Journal of Monetary Economics, Elsevier, 55 (7), 1191–1208.
[9] Del Negro M., Schorfheide F., Smets F., Wouters R., (2007), On the Fit of New-Keynesian Models, Journal of Business & Economic Statistics, American Statistical Association, 25 (2), 123–143.
[10] Doan T., Litterman R., Sims C., (1983), Forecasting and Conditional Projections Using Realistic Prior Distributions, NBER Working Papers 1202, National Bureau of Economic Research, Inc.
[11] Gallant R. A., McCulloch R. E., (2009), On the Determination of General Scientifi c Models with Application to Asset Pricing, Journal of the American Statistical Association, American Statistical Association, 104 (485), 117–131.
[12] Ingram B. F., Whiteman C. H., (1994), Supplanting Minnesota Prior. Forecasting Macroeconomic Time Series Using Real Business Cycle Model Priors, Journal of Monetary Economics, Elsevier, 34 (3), 497–510.
[13] Ireland P. N., (2004), A Method for Taking Models to the Data, Journal of Economics Dynamic & Control, Elsevier, 28 (6), 1205–1226.
[14] Kolasa M., Rubaszek M., Skrzypczyński P., (2012), Putting the New Keynesian DSGE Model to the Real-time Forecasting Test, Journal of Money, Credit and Banking, Blackwell Publishing, 44 (7), 1301–1324.
[15] Koop G., (2003), Bayesian Econometrics, Wiley, England.
[16] Lee K., Matheson T., Smith C., (2007), Open Economy DSGE-VAR Forecasting and Policy Analysis, Head to Head with the RBNZ Published Forecasts, Reserved Bank of New Zealand Discussion Paper Series, DP2007/01.
[17] Litterman R., (1986), Forecasting with Bayesian Vector Autoregression, Five Years of Experience, Journal of Business & Economic Statistics, American Statistical Association, 4 (1), 25–38.
[18] Liu G., Gupta R., (2008), Forecasting the South African Economy, A DSGE-VAR Approach, Working Paper 2008–32, Tilburg University, Center for Economic Research.
[19] Poirier D. J., (1995), Intermediate Statistics and Econometrics: A Comparative Approach, MIT Press, Hong Kong.
[20] Schorfheide F., (2000), Loss Function Based Evaluation of DSGE Models, Journal of Applied Econometrics, John Wiley and Sons, Ltd., 15 (6), 645–670.
[21] Sims C. A., Zha T., (1998), Bayesian Methods for Dynamic Multivariate Models, International Economic Review, Department of Economics, University of Pennsylvania and Osaka University Institute of Social and Economic Research Association, 39 (4), 949–968.
[22] Theil H., Goldberger A. S., (1961), On Pure and Mixed Estimation in Economics. International Economic Review, 2 (1), 65–78.
[23] Warne A., Coenen G., Christoffel K., (2012), Forecasting with DSGE-VAR Models, manuscript – Directorate General Research, European Central Bank, manuscript – Directorate General Research, European Central Bank.
[24] Watanabe T., (2007), The Application of DSGE-VAR Model to Macroeconomic Data in Japan, ESRI Discussion Paper Series 225–E.
[25] Wróbel-Rotter R., (2007a), Dynamic Stochastic General Equilibrium Models: Structure and Estimation, w: Welfe W., Wdowiński P. (red.), Modelling Economies in Transition 2006, Łódź, Wydawnictwo “Green”, 9–26.
[26] Wróbel-Rotter R., (2007b), Dynamiczne Stochastyczne Modele Równowagi Ogólnej: zarys metodologii badań empirycznych, Folia Oeconomica Cracoviensia, 48, 69–93.
[27] Wróbel-Rotter R., (2007c), Dynamiczny Stochastyczny Model Równowagi Ogólnej: przykład dla gospodarki polskiej, Przegląd Statystyczny,54 (3), 25–48.
[28] Wróbel-Rotter R., (2008), Bayesian Estimation of a Dynamic General Equilibrium Model, w: Welfe A., (red.), Metody Ilościowe w Naukach Ekonomicznych, Ósme Warsztaty Doktorskie z zakresu Ekonometrii i Statystyki, Szkoła Główna Handlowa w Warszawie – Oficyna Wydawnicza, 279–294.
[29] Wróbel-Rotter R., (2011a), Empiryczne modele równowagi ogólnej: gospodarstwa domowe i producent finalny, Zeszyty Naukowe Uniwersytetu Ekonomicznego w Krakowie, seria Ekonomia, 869, 109–128.
[30] Wróbel-Rotter R., (2011b), Obszary stabilności rozwiązania empirycznych modeli równowagi ogólnej: zastosowanie metod analizy wrażliwości, Zeszyty Naukowe Uniwersytetu Ekonomicznego w Krakowie, seria Metody analizy danych, 873, 121–135.
[31] Wróbel-Rotter R., (2011c), Sektor producentów pośrednich w empirycznym modelu równowagi ogólnej, Zeszyty Naukowe Uniwersytetu Ekonomicznego w Krakowie, seria Ekonomia, 872, 73–93.
[32] Wróbel-Rotter R., (2012a), Empiryczne modele równowagi ogólnej: zagadnienia numeryczne estymacji bayesowskiej, w: Sokołowski A., (red.), Zeszyty Naukowe Uniwersytet Ekonomiczny w Krakowie, seria: Metody analizy danych, 878, 143–162.
[33] Wróbel-Rotter R., (2012b), Struktura empirycznego modelu równowagi ogólnej dla niejednorodnych gospodarstw domowych, Zeszyty Naukowe Uniwersytetu Ekonomicznego w Krakowie, seria Ekonomia, 879, 107–126.
[34] Wróbel-Rotter R., (2012c), Wybrane zagadnienia współczesnego modelowania strukturalnego, część I: estymowane modele równowagi ogólnej w zarysie, Folia Oeconomica Cracoviensia, 53, 59–83.
[35] Wróbel-Rotter R., (2012d), Wybrane zagadnienia współczesnego modelowania strukturalnego, część II: wnioskowanie w estymowanych modelach równowagi ogólnej, Folia Oeconomica Cracoviensia, 53, 85–112.
[36] Wróbel-Rotter R., (2013a), Estymowane modele równowagi ogólnej: zastosowanie metody dekompozycji funkcji do oceny zależności między parametrami postaci strukturalnej i zredukowanej, Zeszyty Naukowe Uniwersytetu Ekonomicznego w Krakowie, seria Metody Analizy Danych, (w druku).
[37] Wróbel-Rotter R., (2013b), Estymowane modele równowagi ogólnej i autoregresja wektorowa. Aspekty praktyczne, Przegląd Statystyczny,(w druku).
[38] Wróbel-Rotter R., (2013c), Estymowane modele równowagi ogólnej i wektorowa autoregresja: model hybrydowy, Bank i Kredyt, (w druku).
[39] Wróbel-Rotter R., (2013d), Hybrydowy model wektorowej autoregresji – analiza empiryczna funkcji odpowiedzi na zakłócenia strukturalne, manuscript niepublikowany.
[40] Zellner A., (1971), An Introduction to Bayesian Inference in Econometrics, John Wiley and Sons, Ltd., New York.
