Methods to Estimate Dynamic Stochastic General Equilibrium Models

Abstract

This paper employs the one-sector Real Business Cycle model as a testing ground for four different procedures to estimate Dynamic Stochastic General Equilibrium (DSGE) models. The procedures are: 1 ) Maximum Likelihood, with and without measurement errors and incorporating Bayesian priors, 2) Generalized Method of Moments, 3) Simulated Method of Moments, and 4) Indirect Inference. Monte Carlo analysis indicates that all procedures deliver reasonably good estimates under the null hypothesis. However, there are substantial differences in statistical and computational efficiency in the small samples currently available to estimate DSGE models. GMM and SMM appear to be more robust to misspecification than the alternative procedures. The implications of the stochastic singularity of DSGE models for each estimation method are fully discussed.

Cet article utilise un modèle de cycles réels à un secteur pour tester la validité et l'efficacité de quatre procédures d'estimation des modèles d'équilibre général dynamique stochastique (EGDS): 1) estimation par maximum de vraisemblance avec ou sans erreur de mesure et en introduisant un cadre bayésien à l'aide de distributions a priori; 2) par méthode des moments généralisée; 3) par méthode des moments simulés; et enfin, 4) par inférence indirecte. Des simulations de Monte-Carlo montrent que toutes ces méthodes produisent des estimateurs généralement bons sous l'hypothèse nulle. Cependant, leurs efficacités statistiques et computationnelles diffèrent de façon substantielle, en particulier lorsque l'on se place dans de petits échantillons comme ceux généralement disponibles pour estimer ce type de modèle. Dans ce cas, les méthodes des moments semblent être les plus robustes à une mauvaise spécification du modèle. Enfin, nous discutons, de manière exhaustive, de l'implication de la singularité stochastique des modèles EGDS pour chaque méthode d'estimation.