1樓：jk3068
這個模型的側重點在於達到他的均衡狀態，即所謂的steady state，而他的解法又可以說是相當反直覺，即：對於這種非線性高維方程組，從結果出發先得出均衡狀態下的線性化引數解，再反向求解模型初始值。
要說應用的話，08年之前曾一度被各大央行爭相採用，用於指定和評價貨幣政策。
而現在的爭論核心就在於有些觀點甚至認為不應該存在所謂「長期增長停滯」，而應對08年危機的失望表現更代表著這一類模型嚴重偏離現實
2樓：
D和S其他人說了很多了
那麼不妨考慮2個問題
dynamic market 和multi-markets有什麼區別 (e.g. is Arrow-Debreu equilibria=Sequential equilibria？)
probabilistic case (distribution on states)和deterministic case有什麼區別,e.g., 前者的解是否是後者的乙個凸結合
然後考慮GE
Under standard assumptions, 這個問題其實比較無趣，因為solution 一般就是 其中at是決策, st外生衝擊xt內生變數,f是time-invariant policy function
比較有趣的case還是考慮dynamic constraint，比如 關於 ,乙個常見形式就是用遞迴形式，讓at作為解的同時釋放了新的t+1問題然後在新問題下求解at+1
overall, 我覺得time inconsistency (這裡我單純指time index matters, 比dynamic inconsistency更寬泛)才是這類問題的醍醐味，比如
Straub, Ludwig, and Iván Werning. "Positive long-run capital taxation: Chamley-Judd revisited.
"American Economic Review110.1 (2020): 86-119.
Albert Marcet & Ramon Marimon, 2019. "Recursive Contracts," Econometrica, Econometric Society, vol. 87(5), pages 1589-1631.
3樓：
抓住哲學比較重要。
Dynamic：（巨集觀）經濟系統是動態的，而非靜態和一成不變的。每時每刻，經濟的狀態是不同的，因此經濟體中各方的最優決策也是隨時間和狀態動態變化的；
Stochastic：經濟系統有隨機性。每時每刻都有預想不到的新事件，而我們的對應策略只有兩條。一，在做決策時考慮未來可能發生隨機事件的期望；二，根據目前發生的隨機事件做決策；
General Equilibrium：經濟體中各方要考慮到自己的行為對其他方面的影響，以及各個市場的互動影響。
巨集觀經濟學顛來倒去，兩件事情：在現在與未來之間權衡，以及在經濟體中各方的分配。DSGE作為（學術界）巨集觀經濟學研究的（基本而略微過時）的體系，就說了這兩件事情。
你看到的所有DSGE模型無非是一堆差分/微分方程組，而任何乙個方程都屬於以下三類之一：1、明天的邊際收益與今天的邊際損失之間的權衡；2、同一期內對於參與市場的各方而言，邊際收益和邊際損失的權衡；3、各方所擁有的資源各自是有限的。
經濟體內各方都是在有限的資源下，在不確定性下，最優化自己當期和以後的選擇，這就是DSGE的想法了。
我看提問人也不想搞學術，那就不用多談。其他回答也各自都有瑕疵，如果提問人要搞學術那建議不要在知乎上問，多問問授課老師們。
4樓：EthanFang
大概就是把真實世界抽象成公式系統的黑魔法，然後最後再reverse engineering去match story的調系統引數，然後最後你也沒搞清到底發生了啥的忽悠集大成者
5樓：Jonathan
看了很多答案，感覺不少答案比較籠統，也不知道題主現在理解地怎麼樣。我從技術角度再總結一點吧。
大多數DSGE可以從一組動態優化、加總、市場出清的問題中總結成
E f(C_, C_t, K_, K_t) = 0
的形式。這裡E指期望，f是乙個函式向量，C是乙個向量，表示control variables，K是乙個向量，表示state variables。得到這個形式需要求解多個動態優化問題，結合市場出清條件等，不同的模型各不相同。
在這個形式的基礎上，需要做的是兩個工作：1. 解policy rule，2. 估計引數。
所謂解policy function，就是要得到這樣兩組函式：
C_t = f(K_t)
K_ = g(K_t)
第二個問題是估計引數。很多答案提到校準法 (calibration)，這個方法的意思是，知道函式向量 f 的形式，知道除了某個 a 引數以外其他所有引數的真實值，然後根據實際資料去算 a 的值。這種方法比較簡單，數值方法上只是乙個求根的問題而已。
但問題是，一般情況下我們乙個引數的真實值也不知道。
一般比較合理的方法是結合 kalman filter 的最大似然估計，總的來說就是，給一堆可觀測的變數的值（時間序列），然後根據模型的形式來估計引數和不可觀測的變數的值。
此外，現在還有乙個研究熱點，叫做蒙特卡洛馬爾可夫鏈（MCMC），雖然聽起來很 fancy，但本質上也就是一種估計方法。因為 ergodic 馬爾科夫鏈會收斂到穩態分布，利用這一性質可以生成符合穩態分布的隨機變數，進而化簡貝葉斯估計中大量的期望計算。傳統的極大似然估計要想估計概率轉移矩陣是很困難的，因為引數太多。
我聽說現在的熱點是用 MCMC 來估計 regime swiching 這類時間序列，具體不懂。
以上就是我個人對於DSGE在技術上的一些理解。
由於我個人對於DSGE的技術比較感興趣，目前正在開發乙個專門求解離散動力系統的Python軟體包，目的是能像dynair那樣用比較易懂的方式表達DSGE中比較複雜的公式，並且基本實現DSGE中常用的演算法。等我差不多把軟體寫完了，就把github倉庫位址貼上來和大家討教哈~
唯識思想和如來藏思想的關係是什麼？
唯識就是講阿賴耶識與如來藏的關係，如未耕之田與己耕之田的關係，佛說，修心即是種不一樣的田，佛教不是乞丐一樣無能之輩，開發智慧型與潛力是佛教的專利。萬法歸一，歸於第八識 一歸何處？一即是空，一相無相，本來無相，如火燒盡，火歸何處？都無是處。阿來羅漢只滅第六識，沒滅第七識，故阿含經故事中，那個自殺證得意...
隨機效應模型和隨機係數模型的區別是什麼？
在面板資料模型中，假設對於個體 模型設定為 其中 衡量的我們稱之為 個體效應 這種 個體效應 是沒有辦法觀察到的。所以，只能做一些假設。假如，個體效應 與 相關，那麼就是固定效應模型 fixed effects 就需要用固定效應模型的方法來估計。如果假設 個體效應 與 無關，那麼就是隨機效應 Ran...
泊松回歸模型和對數線性模型的區別是什麼？
靜學社 學無止境 泊松回歸很顯然是y符合泊松分布或者假設y符合泊松分布 到底是不是真的泊松分布並不重要 對應 廣義線性模型 中的泊松分布模型。如果 鏈結函式 是g u u 這種鏈結函式用的非常少 則泊松回歸並不屬於 對數線性模型 只有g u ln u 時才屬於 對數線性模型 對數線性模型 包含了很多...