%0 Journal Article
%T Estimaci¨®n de modelos de equilibrio general en econom¨ªas din¨¢micas por m¨¦todos de Monte Carlo y Cadenas de Markov Estimation of general equilibium model in dynamic economies using Markov Chain Monte Carlo methods
%A Gloria Est¨¦vez
%A Saba Infante
%A Francisco S¨¢ez
%J Revista de Matem¨¢tica Teor¨ªa y Aplicaciones
%D 2012
%I Centro de Investigaciones en Matem¨¢tica Pura y Aplicada (CIMPA)
%X En este trabajo se describe un procedimiento general para hacer inferencia bayesiana basados en la evaluaci¨®n de la verosimilitud de los modelos de equilibrio general estoc¨¢sticos (MEGE) a trav¨¦s de los m¨¦todos de Monte Carlo por Cadenas de Markov (MCMC). La metodolog¨ªa propuesta requiere log linealizar los modelos, transformarlos en la forma espacio estado, luego utilizar el filtro de Kalman para evaluar la funci¨®n de verosimilitud y finalmente aplicar el algoritmo Metropolis Hastings para estimar los par¨¢metros de la distribuci¨®n a posteriori. Se ilustra la t¨¦cnica mediante el uso del modelo b¨¢sico de crecimiento estoc¨¢stico, considerando datos trimestrales de la econom¨ªa venezolana comprendidos entre el primer trimestre de (1984) hasta el tercer trimestre de (2004). El an¨¢lisis emp¨ªrico realizado nos permite concluir que los algoritmos utilizados para estimar los par¨¢metros del modelo trabajan de manera eficiente y a bajo costo computacional, las estimaciones obtenidas son consistentes, es decir, los estimados de las predicciones reflejan adecuadamente el comportamiento del producto, el empleo, el consumo y la inversi¨®n per capita del pa¨ªs. En las gr¨¢ficas de los histogramas estimados se observa que tienen comportamientos bimodales y distribuciones asim¨¦tricas This paper describes a general procedure to do Bayesian inference based on the likelihood evaluation of the stochastic general equilibrium models (MEGE) through Markov Chain Monte Carlo methods (MCMC). The proposed methodology involves log linearizing the model, transformed into state space form, then use the Kalman filter to evaluate the likelihood function and finally apply the Metropolis Hastings algorithm to estimate the posterior distribution parameters. Technique is illustrated using the stochastic growth of basic model, considering quarterly data on the Venezuelan economy between the first quarter of (1984) through the third quarter of (2004). The empirical analysis made allows us to conclude that the algorithms used to estimate the model parameters work efficiently and low computational cost, the estimates obtained are consistent, that is, estimates of the predictions adequately reflect the behavior of the product, employment, consumption and investment per capita in the country. The graphs of the estimated histograms show bimodal and skewed distributions
%K modelos de equilibrio general
%K inferencia bayesiana
%K algoritmos recursivos
%K General equilibrium models
%K Bayesian inference
%K recursive algorithms
%U http://www.scielo.sa.cr/scielo.php?script=sci_arttext&pid=S1409-24332012000100002