[论文解读] Full-Information Estimation of Heterogeneous Agent Models Using Macro and Micro Data

Laura Liu, Mikkel Plagborg‐Møller|arXiv (Cornell University)|Jan 12, 2021

Complex Systems and Time Series Analysis参考文献 34被引用 7

一句话总结

本文通过结合宏观时间序列数据与重复横截面微观数据，提出了一种针对异质性代理人模型的全信息贝叶斯估计方法，利用数值无偏的似然估计来处理未观测到的总体状态变量。该方法实现了完全高效且有效的推断，显著提升了参数估计的精确度，相较于仅使用宏观数据的方法，并在宏观数据单独无法识别的情况下实现了参数识别。

ABSTRACT

We develop a generally applicable full-information inference method for heterogeneous agent models, combining aggregate time series data and repeated cross sections of micro data. To handle unobserved aggregate state variables that affect cross-sectional distributions, we compute a numerically unbiased estimate of the model-implied likelihood function. Employing the likelihood estimate in a Markov Chain Monte Carlo algorithm, we obtain fully efficient and valid Bayesian inference. Evaluation of the micro part of the likelihood lends itself naturally to parallel computing. Numerical illustrations in models with heterogeneous households or firms demonstrate that the proposed full-information method substantially sharpens inference relative to using only macro data, and for some parameters micro data is essential for identification.

研究动机与目标

• 开发一种通用的、完全高效的贝叶斯推断方法，用于基于宏观与微观数据的异质性代理人模型。
• 解决影响微观数据截面分布的未观测总体状态变量在似然估计中的处理挑战。
• 实现仅从宏观数据中无法识别的模型参数的识别。
• 提供一种计算上可行且可并行化的联合似然评估方法，用于宏观与微观数据。
• 通过构建数值无偏的似然估计，将标准MCMC推断扩展至异质性代理人模型。

提出的方法

• 该方法将联合似然分解为宏观与微观两部分，其中宏观部分通过线性状态空间方法进行评估。
• 微观似然在给定宏观状态变量的条件下进行计算，采用假设的参数化或非参数化形式来描述截面分布。
• 通过在给定观测到的宏观数据条件下，对未观测宏观状态的平滑分布进行抽样，并对微观似然进行平均，构建模型隐含似然的数值无偏估计。
• 将此无偏似然估计代入标准马尔可夫链蒙特卡洛（MCMC）算法，以生成精确后验分布的抽样结果。
• 该过程为完全贝叶斯方法，同时考虑了参数与潜在状态的不确定性。
• 微观似然评估天然适合并行计算，从而提升了数据规模增大时的可扩展性。

实验结果

研究问题

• RQ1 能否为异质性代理人模型开发一种通用的、基于宏观与微观数据的全信息估计方法？
• RQ2 在似然估计中，如何一致地处理影响微观分布的未观测总体状态变量？
• RQ3 与仅使用宏观数据的方法相比，结合宏观与微观数据在参数识别与估计效率方面能提升多少？
• RQ4 所提出的方法是否能在存在未观测异质性与测量误差的模型中实现完全高效的贝叶斯推断？
• RQ5 在有限样本中，全信息方法的性能与基于矩方法或仅使用宏观数据的推断相比如何？

主要发现

• 全信息方法产生的似然函数系统性地集中在真实参数值附近，且分布紧凑，而基于矩方法或仅使用宏观数据的方法则不具备此特性。
• 在有限样本模拟中，全信息似然函数的曲率更大，且在不同重复实验间的变异性更小，优于其他方法。
• 对于某些参数（如特异性冲击分布的均值（μλ）），微观数据对识别至关重要，因为仅从宏观数据中无法识别这些参数。
• 该方法通过充分利用宏观与微观数据的全部信息内容，实现了完全高效的贝叶斯推断，避免了基于矩方法的效率损失。
• 由于微观似然评估天然适合并行化，其计算负担随数据规模增长而良好扩展。
• 在存在显著异质性的模型中，该方法在精度与可靠性方面均优于仅使用宏观数据或基于矩方法的推断。