×
高志志野

使用贝叶斯流的贝叶斯深度学习方法估计基于代理的模型。 （英语） Zbl 1475.91160号

《经济学杂志》。动态。控制 125，文章ID 104082，17 p.（2021）.
摘要：本研究探讨了应用由S.T.拉德夫等[“贝叶斯流：用可逆神经网络学习复杂随机模型”，预印本，arXiv:2003.06281号]用于估计基于代理的模型（ABM）。BayesFlow是一种完全无似然的方法，它通过学习参数和标准高斯变量之间的可逆概率映射，以待估计ABM的仿真数据为条件，直接逼近后验函数而不是似然函数。BayesFlow无疑实现了优于核密度估计基准方法MCMC的精度J.格拉齐尼等【《经济动态控制杂志》77，26–47（2017；Zbl 1401.91459号)]以及更复杂的混合密度网络方法-MCMCD.普拉特[“使用神经网络对经济模拟模型进行贝叶斯估计”，《计算经济学》（待出版），doi:10.1007/s10614-021-10095-9]在从标准新凯恩斯主义ABM（NK-ABM）的模拟数据集中恢复参数的基本真值的验证测试中。此外，利用美国经济的实际数据对NK-ABM进行的真正的经验估计成功地显示出了理想的后收缩模式以及观察期的增加。这种基于深度神经网络的方法具有普遍适用性，对预选设计没有任何关键依赖性，计算效率也很高。当将方法扩展到实际大小的ABM时，这些特征是可取的，ABM通常具有高维参数和观测变量。

MSC公司：

91B43型 委托代理模型
62第20页 统计学在经济学中的应用
2015年1月62日 贝叶斯推断
68T07型 人工神经网络与深度学习

关键词：

基于agent的模型;贝叶斯推断;深度学习;参数估计;神经网络

引文：

Zbl 1401.91459号

软件：

LSTM公司;贝叶斯流
PDF格式BibTeX公司 XML格式引用
\textit{T.Shiono}，J.经济。动态。对照125，文章ID 104082，17 p.（2021；Zbl 1475.91160）
全文： DOI程序

参考文献：

[1] 阿森扎，T。；Delli Gatti，D。；Grazzini，J.，《基于资本和信贷的宏观经济主体模型的涌现动力学》，J.Econ。动态。控制，50，5-28（2015）·Zbl 1402.91402号
[2] Barron，A.R.，σ函数叠加的通用近似界，IEEE Trans。Inf.理论，39，3，930-945（1993）·Zbl 0818.68126号
[3] Caiani，A。；戈丁，A。；Caverzasi，E。；加勒加蒂，M。；Kinsella，S。；Stiglitz，J.E.，《基于代理的股票流一致性宏观经济学：走向基准模型》，J.Econ。动态。控制，69，375-408（2016）·Zbl 1401.91330号
[4] Cybenko，G.，S形函数的叠加逼近，数学。控制信号系统。，2, 4, 303-314 (1989) ·Zbl 0679.94019号
[5] Dinh，L。；Sohl-Dickstein，J。；Bengio，S.，使用实际NVP进行密度估计，（第五届国际学习代表大会，2017年ICLR会议记录（2017年））
[6] 加勒加蒂，M。；Richiardi，M.G.，《经济学和复杂性中基于代理的模型》，《复杂性和系统科学百科全书》，200-224（2009），施普林格：施普林格纽约
[7] 贡哈泽，J。；Lux，T.，将基本的基于代理的模型引入数据：通过GMM进行估计并应用于资产价格波动预测，《实证金融杂志》，37，1-19（2016）
[8] De Grauwe，P.，《繁荣与萧条：新凯恩斯主义和行为解释》，《宏观经济学的正确之处是什么？》？，149-180（2012），爱德华·埃尔加出版社
[9] 格雷夫斯，A。；Schmidhuber，J.，《使用双向LSTM和其他神经网络架构的框架音素分类》，neural Netw。，18, 5-6, 602-610 (2005)
[10] 格拉齐尼，J。；Richiardi，M.，通过模拟最小距离估计基于遍历代理的模型，J.Econ。动态。控制，51，148-165（2015）·Zbl 1402.91528号
[11] Grazzini，J。；Richiardi，M.G。；Tsionas，M.，基于代理模型的贝叶斯估计，J.Econ。动态。控制，77，26-47（2017）·兹比尔1401.91459
[12] Kristensen，D。；Shin，Y.，用非参数模拟最大似然估计动态模型，《计量经济学杂志》，167，1，76-94（2012）·Zbl 1441.62785号
[13] 库卡卡，J。；Barunik，J.，《模拟最大似然下基于金融机构模型的估计》，J.Econ。动态。控制，85，21-45（2017）·Zbl 1401.91460号
[14] Lamperti，F。；Roventini，A。；Sani，A.，使用机器学习代理进行基于代理的模型校准，J.Econ。动态。控制，90，366-389（2018）·Zbl 1401.91461号
[15] Lux，T.，使用序贯蒙特卡罗方法估计基于主体的模型，J.Econ。动态。控制，91，391-408（2018）·Zbl 1401.91462号
[16] 勒克斯，T。；Zwinkels，R.C.J.，基于代理模型的实证验证，Handb。计算。经济。，4, 437-488 (2018)
[17] Platt，D.，使用神经网络对经济模拟模型进行贝叶斯估计（2019年）
[18] Platt，D.，《基于经济主体的模型校准方法比较》，J.Econ。动态。控制，113，第103859条pp.（2020）·Zbl 1517.91149号
[19] Radev，S.T。；英国默滕斯。；沃斯，A。；Ardizzone，L。；Köthe，U.，BayesFlow:使用可逆神经网络学习复杂随机模型（2020）
[20] Rezende，博士。；Mohamed，S.，《归一化流的变分推理》（第32届国际机器学习会议，2（2015），ICML），1530-1538
[21] 舒斯特，M。；Paliwal，K.K.，双向递归神经网络，IEEE Trans。信号处理。，45, 11, 2673-2681 (1997)
[22] 索诺达，S。；Murata，N.，具有无界激活函数的神经网络是通用逼近器，Appl。计算。哈蒙。分析。，43, 2, 233-268 (2017) ·Zbl 1420.68177号
[23] Watanabe，S.，《代数几何与统计学习理论》（2009），剑桥大学出版社，《代数几何学与统计学习原理》·Zbl 1180.93108号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。