A framework for solving non-linear DSGE models

• Ano de defesa: 2019
• Autor(a) principal: Orestes, Victor Martins
• Orientador(a): Masini, Ricardo Pereira
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Modelos DSGE; Métodos de solução não lineares; Alta dimensão
• Palavras-chave em Inglês: DSGE models; Non-linear Solution methods; High-dimensional; LASSO; Support vector machines; Zero lower bound
• Link de acesso: http://hdl.handle.net/10438/27610

Propomos um arcabouço para resolver modelos DSGE não lineares. Para tanto, sorteamos uma amostra do espaço de estado, que é usada para estimar uma aproximação para as funções valor ou política de interesse. Utilizando técnicas de estatística de alta dimensão podemos atenuar o problema da dimensionalidade, ao mesmo tempo que mantemos a flexibilidade, garantias teóricas de convergência e limite superior para os erros. Em particular, propomos dois métodos diferentes: uma projeção regularizada e um algoritmo baseado em Support Vector Machines (SVM). Para ilustrar estes métodos de solução, aplicamos o primeiro algoritmo para resolver um modelo de crescimento básico, que tem uma solução linear conhecida, e mostramos que ele tem boa precisão e seleciona corretamente os coeficientes de uma base polinomial. Além disso, aplicamos o algoritmo de SVM para resolver um modelo Novo Keynesiano com um Zero Lower Bound (ZLB) e comparamos nossos resultados com os do método Smolyak, que é amplamente utilizado na literatura. Mostramos que este último superestima o impacto do ZLB na economia, alcançando uma precisão menor do que a da nossa solução.