D******n
发帖数: 2965 | 1 如何做的？前几天被一个高年级的学生说得我一头雾水。 |
U*****e
发帖数: 2882 | 2 就是把你家的地秤调零
呵呵
【在 D******n 的大作中提到】
: 如何做的？前几天被一个高年级的学生说得我一头雾水。
|
o*****0
发帖数: 7 | 3 Calibration is estimation without standard errors.
【在 D******n 的大作中提到】
: 如何做的？前几天被一个高年级的学生说得我一头雾水。
|
D******n
发帖数: 2965 | 4 现在是一头冰水了，:-)
有什么文章，最好是综述类的，可以参考吗？
【在 o*****0 的大作中提到】
: Calibration is estimation without standard errors.
|
U*****e
发帖数: 2882 | 5 我的理解是有一个模型，给外生参数找到比较可靠的值，比如无风险利率，人口增长率
，等等，然后计算内生变量的值，看看是否和历史数据相符。如果比较接近，就认为模
型是比较可靠的。
【在 D******n 的大作中提到】
: 现在是一头冰水了，:-)
: 有什么文章，最好是综述类的，可以参考吗？
|
D******n
发帖数: 2965 | 6 I see. 但为什么接近就可靠啊？貌似不管什么模型，只要有一定的 flexibility，并
且参数空间足够大，总能拟合啊。
【在 U*****e 的大作中提到】
: 我的理解是有一个模型，给外生参数找到比较可靠的值，比如无风险利率，人口增长率
: ，等等，然后计算内生变量的值，看看是否和历史数据相符。如果比较接近，就认为模
: 型是比较可靠的。
|
U*****e
发帖数: 2882 | 7 正是。所以有的学者不接受calibration这个方法。不过我觉得作为探索未知的方式，
用来粗略地“估计”还是可以的。感觉和蒙特卡洛模拟很像。好了，砖头扔完了，等更
专业的来解释有什么区别吧。
【在 D******n 的大作中提到】
: I see. 但为什么接近就可靠啊？貌似不管什么模型，只要有一定的 flexibility，并
: 且参数空间足够大，总能拟合啊。
|
D******n
发帖数: 2965 | 8 这样也行？如果这个也叫“估计”的话，估计碰到统计系的肯定被拍。
【在 U*****e 的大作中提到】
: 正是。所以有的学者不接受calibration这个方法。不过我觉得作为探索未知的方式，
: 用来粗略地“估计”还是可以的。感觉和蒙特卡洛模拟很像。好了，砖头扔完了，等更
: 专业的来解释有什么区别吧。
|
k***y
发帖数: 133 | 9 no better alternatives
【在 D******n 的大作中提到】
: 这样也行？如果这个也叫“估计”的话，估计碰到统计系的肯定被拍。
|
w****r
发帖数: 748 | 10 楼上的说的差不多了。不过跟Monte Carlo类似的说法准确地说是神似形不似。
Calibration 很难说它是estimation，把它当做inference可能更恰当些。 Estimation
通常都可以把参数写成样本的函数，也就是从data出发找参数，但是Calibration显然
做不到。正是因为estimation的函数写不出来或者很复杂。我们换个思路，从参数出发
，去找data。然后看generated的数据跟真实数据的match程度。如果很match，我们不
能argue我的模型就是最真实的（事实上又有哪个模型做到呢？），但是我们说它是有
解释力的。如果我们能够得到一些contradiction，那就是著名的puzzle了，如Equity
Premium Puzzle。当然，宏观发展到现在，很多人开始不愿意用Calibration了，因为
Bayesian Estimation通常都能搞定。 |
|
|
f***5
发帖数: 1569 | 11 关键是你的flexiblity 不能太大阿。必须要和现实接近。
所以那些人基本也和做regression的人一样，
左调调，右调调，最后把所有的参数都调到一个reasonable的区间。
but usually, 他们会觉得自己做的东西比做regression的人牛屄。因为用了很多数学
，很多运算，看起来很fancy。
去年我去afa听王能的presentation,他做的就是这种dynamic theory。
blah blah一堆，他的discussant是个stanford的做static theory的大牛，上来就毫不
留情的说，
with这么多参数，i don't know how much insight we can get from it。
整个就是一个static vs dynamic。
【在 D******n 的大作中提到】
: I see. 但为什么接近就可靠啊？貌似不管什么模型，只要有一定的 flexibility，并
: 且参数空间足够大，总能拟合啊。
|
D******n
发帖数: 2965 | 12 Thanks!
但是这个理论有基础吗？即使采用的模型是正确的。但如果没有动态的稳定性，那参数
哪怕变一点，产生的数据完全可以和观察到的有很大不同啊。我感觉象一些有唯一解，
而且解是参数的连续函数的东西或许还勉强说的通一些，是吧？
Estimation
Equity
【在 w****r 的大作中提到】
: 楼上的说的差不多了。不过跟Monte Carlo类似的说法准确地说是神似形不似。
: Calibration 很难说它是estimation，把它当做inference可能更恰当些。 Estimation
: 通常都可以把参数写成样本的函数，也就是从data出发找参数，但是Calibration显然
: 做不到。正是因为estimation的函数写不出来或者很复杂。我们换个思路，从参数出发
: ，去找data。然后看generated的数据跟真实数据的match程度。如果很match，我们不
: 能argue我的模型就是最真实的（事实上又有哪个模型做到呢？），但是我们说它是有
: 解释力的。如果我们能够得到一些contradiction，那就是著名的puzzle了，如Equity
: Premium Puzzle。当然，宏观发展到现在，很多人开始不愿意用Calibration了，因为
: Bayesian Estimation通常都能搞定。
|
D******n
发帖数: 2965 | 13 如果要是调不出来，是不是再把模型改改？如果真那样的话，那...
【在 f***5 的大作中提到】
: 关键是你的flexiblity 不能太大阿。必须要和现实接近。
: 所以那些人基本也和做regression的人一样，
: 左调调，右调调，最后把所有的参数都调到一个reasonable的区间。
: but usually, 他们会觉得自己做的东西比做regression的人牛屄。因为用了很多数学
: ，很多运算，看起来很fancy。
: 去年我去afa听王能的presentation,他做的就是这种dynamic theory。
: blah blah一堆，他的discussant是个stanford的做static theory的大牛，上来就毫不
: 留情的说，
: with这么多参数，i don't know how much insight we can get from it。
: 整个就是一个static vs dynamic。
|
r********s
发帖数: 45 | 14 好像偏宏观和金融用的比较多，当你提出一种新的机制来说明模型解释力的时候，
calibration算是最简单有效的，直接说明你提出的这个东西有什么用，而且基于参数
合理的情况，从贡献角度这就可以了。structural模型一般解起来就很复杂，
estimation更复杂，nonlinear的情况还不稳定，比较麻烦。
【在 D******n 的大作中提到】
: Thanks!
: 但是这个理论有基础吗？即使采用的模型是正确的。但如果没有动态的稳定性，那参数
: 哪怕变一点，产生的数据完全可以和观察到的有很大不同啊。我感觉象一些有唯一解，
: 而且解是参数的连续函数的东西或许还勉强说的通一些，是吧？
:
: Estimation
: Equity
|
w****r
发帖数: 748 | 15 My pleasure. Surely, we need the existence of equilibrium. All our analyses
are around the equilibrium point. Uniqueness is also required. However, most
papers neglect this requirement as it is really hard to prove. But it is OK
, since we still can show that our model works well by matching the data.
【在 D******n 的大作中提到】
: Thanks!
: 但是这个理论有基础吗？即使采用的模型是正确的。但如果没有动态的稳定性，那参数
: 哪怕变一点，产生的数据完全可以和观察到的有很大不同啊。我感觉象一些有唯一解，
: 而且解是参数的连续函数的东西或许还勉强说的通一些，是吧？
:
: Estimation
: Equity
|
D******n
发帖数: 2965 | 16 I see. Thanks!
analyses
most
OK
【在 w****r 的大作中提到】
: My pleasure. Surely, we need the existence of equilibrium. All our analyses
: are around the equilibrium point. Uniqueness is also required. However, most
: papers neglect this requirement as it is really hard to prove. But it is OK
: , since we still can show that our model works well by matching the data.
|
D******n
发帖数: 2965 | 17 thank you.
【在 r********s 的大作中提到】
: 好像偏宏观和金融用的比较多，当你提出一种新的机制来说明模型解释力的时候，
: calibration算是最简单有效的，直接说明你提出的这个东西有什么用，而且基于参数
: 合理的情况，从贡献角度这就可以了。structural模型一般解起来就很复杂，
: estimation更复杂，nonlinear的情况还不稳定，比较麻烦。
|
b********e
发帖数: 1796 | 18 我觉得楼上诸位解释的都挺好的
反正大概的说，calibration就是一种不是很scientific的estimation吧 |
C******n
发帖数: 9204 | 19 calibration= paper writing made easy + fishy hand-waving parameter setting,
so people all like it! |
D******n
发帖数: 2965 | 20 感觉做宏观的都很重视实证的，为何如此容忍如此不严谨的计量方法呢？
我的理解是，如果只是去match几个moments, 这样的计量模型是否有identification都
不可而知，谁会知道算出来的"estimator"到底估计的是啥玩意？甚至是连standard
error都看不着，这样的估计有多少统计上的意义啊？有没有懂的大牛出来评论一二？
,
【在 C******n 的大作中提到】
: calibration= paper writing made easy + fishy hand-waving parameter setting,
: so people all like it!
|
|
|
C******n
发帖数: 9204 | 21 屁股决定脑袋。能帮大伙tenure，这是利国利民阿。大家就是混口饭吃呗。
【在 D******n 的大作中提到】
: 感觉做宏观的都很重视实证的，为何如此容忍如此不严谨的计量方法呢？
: 我的理解是，如果只是去match几个moments, 这样的计量模型是否有identification都
: 不可而知，谁会知道算出来的"estimator"到底估计的是啥玩意？甚至是连standard
: error都看不着，这样的估计有多少统计上的意义啊？有没有懂的大牛出来评论一二？
:
: ,
|
x******n
发帖数: 97 | 22 我天天calibration, 想哭啊，调参数，调效用函数的设置，大的intuition对了以后，
完全就是凑答案。凑到想要的结果为止...............版上的大牛求罩 |
m***e
发帖数: 428 | 23 Start of calibration:
Time to Build and Aggregate Fluctuations
Author(s): Finn E. Kydland and Edward C. Prescott
Source: Econometrica, Vol. 50, No. 6 (Nov., 1982), pp. 1345-1370
This paper and their 1977 JPE paper led to their Nobel. |
D******n
发帖数: 2965 | 24 Thank you.
【在 m***e 的大作中提到】
: Start of calibration:
: Time to Build and Aggregate Fluctuations
: Author(s): Finn E. Kydland and Edward C. Prescott
: Source: Econometrica, Vol. 50, No. 6 (Nov., 1982), pp. 1345-1370
: This paper and their 1977 JPE paper led to their Nobel.
|
