Diplomová práce

Hodnocení efektivity a kvality MCMC vzorkovačů při identifikaci parametrů DSGE modelů

Evaluating the Efficiency and Quality of MCMC Samplers in the Identification of DSGE Model Parameters

Viktor Pavlík
Anotace

Táto práca systematicky analyzuje a porovnáva výkonnosť moderných MCMC (Markov Chain Monte Carlo) vzorkovacích algoritmov pri odhadovaní parametrov dynamických stochastických modelov všeobecnej rovnováhy (DSGE). Zameriava sa na algoritmy StretchMove, DEMove, DIME, Hamiltonian Monte Carlo (HMC) a No-U-Turn (NUTS) v prostredí knižnice pydsge. Hodnotenie prebieha na štyroch modeloch s rôznym stup- ňom …více

Abstract

This work systematically analyzes and compares the performance of modern MCMC (Markov Chain Monte Carlo) sampling algorithms in estimating parameters of dynamic stochastic general equilibrium (DSGE) models. It focuses on the StretchMove, DEMove, DIME, Hamiltonian Monte Carlo (HMC) and No-U-Turn (NUTS) algorithms in the pydsge library environment. The evaluation is carried out on four models with different …více

Klíčová slova
DSGE modely Bayesovský odhad MCMC vzorkovače StretchMove DEMove DIME HMC NUTS
Zadání práce
Cílem práce bude vyhodnotit efektivitu a kvalitu vybraných MCMC vzorkovačů při identifikaci parametrů dynamických stochastických modelů všeobecné rovnováhy (DSGE modelů). Struktura práce bude následující:
  1. Přehled literatury zaměřené na možnosti a meze odhadů DSGE modelů s důrazem na alternativní (a novější) bayesovské přístupy.
  2. Vysvětlení vybraných MCMC algoritmů využitelných při identifikaci parametrů DSGE modelu.
  3. Popis DSGE modelu, pro aplikaci zvolených MCMC algoritmů.
  4. Představení použitých dat a vysvětlení metod použitých k hodnocení výkonnosti zvolených MCMC algoritmů.
  5. Aplikace zvolených metod a jejich vyhodnocení.
Administrativní informace
Práce zkontrolována:
23. 5. 2026 20:59, doc. Ing. Daniel Němec, Ph.D., učo 22939
Plný text práce
3,1 MB / soubor PDF
Přílohy (2)
Jazyk práce
slovenština slovenština
Termín obhajoby
17. 6. 2026
Práce byla úspěšně obhájena

Vedoucí

doc. Ing. Daniel Němec, Ph.D., učo 22939
KE ESF MU

Oponent

Mgr. Jakub Chalmovianský, Ph.D., učo 380234
KE ESF MU

Literatura

  • LIANG, F.; Chuanhai LIU a Raymond J. CARROLL. Advanced Markov chain Monte Carlo methods : learning from past samples. 1st ed. Chichester: Wiley, 2010, xix, 357. ISBN 9780470748268.
  • DEJONG, David N. a Chetan DAVE. Structural macroeconometrics. Second edition. Princeton: Princeton University Press, 2011, xvi, 418. ISBN 9780691152875.
  • COSTA, Celso. Understanding DSGE. Wilmington: Vernon Press, 2016, x, 269. ISBN 9781622731336.
  • MATSUURA, Kentaro. Bayesian statistical modeling with Stan, R, and Python. Singapore: Springer, 2022, xix, 385. ISBN 9789811947544.
  • TORRES, José L. Introduction to dynamic macroeconomic general equilibrium models. Second edition. Wilmington: Vernon Press, 2015, 270 stran. ISBN 9781622730247.
Citovat tuto práci
Masarykova univerzita Ekonomicko-správní fakulta
Studijní program
Plán
Matematické a statistické metody v ekonomii

Práce na příbuzné téma

Seznam prací, které mají shodná klíčová slova.

Podobné práce

  • Přidání souboru

    Soubor nebo složku lze nahrát pomocí tlačítka Přidat.

  • Další operace se soubory

    Podrobnosti lze zjistit označením příslušného řádku.

  • Pohled pro experty

    Pro častou práci je možné zvolit režim Více možností.

  • Vyhledávání souborů

    Vyhledávaný výraz můžete zadat přímo do adresního řádku.

  • Rychlý přístup k souborům

    Pomocí funkce Nedávné je možné se rychle vrátit k právě prohlíženým souborům. Oblíbené soubory je také možné označit Hvězdičkou.