Estimating DSGE Models using Multilevel Sequential Monte Carlo in Approximate Bayesian Computation

Los modelos de Equilibrio General Dinámico Estocástico (DSGE) permiten realizar estimaciones probabilísticas con el objetivo de formular políticas macroeconómicas y monitorearlas. En este estudio, proponemos aplicar el algoritmo Sequential Monte Carlo Multilevel y la Computación Bayesiana Aproximada (MLSMC-ABC) para aumentar la robustez de los modelos DSGE construidos para muestras pequeñas y con datos irregulares. Nuestros resultados indican que MLSMC-ABC mejora la estimación de estos modelos en dos aspectos. En primer lugar, se aumentan los niveles de precisión de los modelos existentes y, en segundo lugar, se reduce el costo de los recursos utilizados debido a la necesidad de un tiempo de ejecución más corto.

Dynamic Stochastic General Equilibrium (DSGE) models allow for probabilistic estimations with the aim of formulating macroeconomic policies and monitoring them. In this study, we propose to apply the Sequential Monte Carlo Multilevel algorithm and Approximate Bayesian Computation (MLSMC-ABC) to increase the robustness of DSGE models built for small samples and with irregular data. Our results indicate that MLSMC-ABC improves the estimation of these models in two aspects. Firstly, the accuracy levels of the existing models are increased, and secondly, the cost of the resources used is reduced due to the need for shorter execution time.