The heterogeneous agent model : a calibration based on a simulation

Abstract

This paper aims to replicate Michael Creel’s work in ”Neural Nets for Indi-rect Inference” by calibrating a heterogeneous agent model. Michael Creel proposes to use neural networks to approximate the limited posterior mean, E(θ|ZG), where θ is the parameter vector of the simulatable model and ZG is a vector of statistics. Simulating and calibrating macroeconomic models can be a really difficult task. The goal of this thesis is to provide the tools for an easy and fast calibration of a heterogeneous agent model. The use of neural nets will be essential to identify the mapping from the statistics space to the parameter’s space.

Aquest article pretén reproduir el treball de Michael Creel a "Xarxes neuronals per a la inferència indirecta" calibrant un model d'agent heterogeni. Michael Creel proposa utilitzar xarxes neuronals per aproximar la mitjana posterior limitada, E (θ | ZG), on θ és el vector de paràmetres del model simulable i ZG és un vector d'estadístiques. Simular i calibrar models macroeconòmics pot ser una tasca realment difícil. L'objectiu d'aquesta tesi és proporcionar les eines per a una calibració fàcil i ràpida d'un model d'agent heterogeni. L'ús de xarxes neuronals serà essencial per identificar el mapa des de l'espai d'estadístiques fins a l'espai del paràmetre.