Simulando dados de macro / benchmark

Questão

Existem alguns conjuntos de dados simulados que foram projetados especificamente para representar dados macroeconômicos? Em particular, existem tais conjuntos de dados que podem ser usados ​​em estudos de referência?

fundo

Para dar uma analogia, na otimização, pode-se estar interessado em avaliar a qualidade de um determinado algoritmo. Para fazer isso, há um número de funções de teste para otimização , como o bem conhecido função banana , que pode ser usado para avaliar o desempenho de um algoritmo; por exemplo, analisando E se e quão rápido o algoritmo pode encontrar um mínimo global.

Estou interessado em trabalhar neste cenário experimental controlado usando dados simulados que tem uma interpretação macroeconômica. Com dados simulados de um processo conhecido de geração de dados (este seria o meu controle), seria possível investigar, digamos, o desempenho de algoritmos projetados para detectar quebras estruturais e avaliar técnicas / modelos usados ​​para previsão.

Eu apreciaria muito se alguém pudesse ajudar: ou apontando-me para alguns conjuntos de dados simulados que podem ser usados ​​para os propósitos acima ou fornecendo algumas orientações sobre como simular dados que carregam uma interpretação macroeconômica.

É possível para mim simular uma variedade de processos ARMA (ou modelo VARMA), mas estou realmente interessado em algo que vai além disso; os dados simulados devem ter propriedades semelhantes aos dados macroeconômicos observados. Obviamente, estou tentando evitar o uso de dados reais porque meu controle (de conhecer o processo de geração de dados) seria perdido.

Atualizar

Para um dos propósitos que eu tinha em mente, uma rápida leitura Castle, Doornik e Hendry (2013) sugere que talvez não seja tão difícil. Seu "desenho experimental" é baseado nas seguintes equações $$ y_ {t} = \ beta_ {0} + \ gamma y_ {t-1} + \ beta_ {1} x_ {1, t} + \ cdots + \ beta_ {10} x_ {10, t} + \ epsilon_ { t} \\ x_ {i, t} = \ rho x_ {i, t-1} + v_ {i, t}, v_ {i, t} \ sim IN [0,1], i = 1, \ ldots, 10, \ \ \ epsilon_ {t} \ sim IN [0,1], t = 1, \ ldots, 10. $$ juntamente com algumas outras qualificações. Assim, parece que, para um dos meus exemplos (o caso da avaliação de algoritmos de quebra estrutural), os DGPs são relativamente simples (embora de modo algum "não complicados") são tudo o que é necessário.

Referência: Castle, Doornik e Hendry (2013) Seleção de modelo quando há várias interrupções

Acho que sim. Os macroeconomistas costumam construir modelos DSGE para prever flutuações de curto prazo. Calibrar os dados é a parte do processo. Depois de usar métodos numéricos para executar os modelos, os pesquisadores verificam os momentos dos valores simulados. Essa é uma maneira de examinar se os dados simulados representam resultados reais.

No entanto, toda situação econômica é diferente, então você tem que escolher sabiamente os dados simulados dependendo da sua pesquisa o tempo todo. Quero dizer, o crescimento foi enorme nos anos 1950 nos EUA, mas hoje o objetivo principal é matar o monstro da deflação.

Aqui está o modelo de benchmark Hansen e Wright (1992) :

$ \ sigma $ denota desvio padrão, $ Y, C, I $ e $ L $ são variáveis ​​macroeconômicas.