第Ⅰ部分 DSGE建模与贝叶斯推断引论 3
第1章 DSGE建模 3
1.1 一个小型新凯恩斯DSGE模型 3
1.2 本书考虑的其他DSGE模型 7
第2章 将DSGE模型转化为贝叶斯模型 9
2.1 求解（线性）DSGE模型 10
2.2 似然函数 12
2.3 先验分布 14
第3章 贝叶斯推断快速教程 17
3.1 线性高斯模型的后验分布 18
3.2 贝叶斯推断和决策制定 20
3.3 集识别模型的非高斯后验分布 24
3.4 重要抽样法 26
3.5 Metropolis-Hastings算法 30
第Ⅱ部分 线性DSGE模型的估计 39
第4章 DSGE模型的Metropolis-Hastings算法 39
4.1 基准算法 40
4.2 RWMH-V算法的应用 41
4.3 不规则后验分布带来的挑战 46
4.4 其他MH取样器 48
4.5 MH算法精确度的比较 51
4.6 边缘数据密度函数的计算 55
第5章 序贯蒙特卡罗方法 59
5.1 通用SMC算法 60
5.2 SMC算法细节的详细介绍 64
5.3 SMC算法在小型新凯恩斯模型的应用 73
第6章 三个应用 76
6.1 冲击相关的新凯恩斯模型 76
6.2 发散先验分布的Smets-Wouters模型 82
6.3 Leeper-Plante-Traum财政政策模型 88
第Ⅲ部分 非线性DSGE模型的估计 97
第7章 从线性DSGE模型到非线性DSGE模型 97
7.1 非线性DSGE模型求解 97
7.2 DSGE模型中加入非线性特征 99
第8章 粒子滤波 101
8.1 自助（bootstrap）粒子滤波 102
8.2 通用粒子滤波 107
8.3 适应性通用滤波 109
8.4 实施过程中的几个问题 113
8.5 当前观测值的自适应St-1抽样 117
8.6 小型DSGE模型应用 121
8.7 SW模型应用 126
8.8 计算需要注意的问题 128
第9章 粒子滤波和MH取样器的结合 130
9.1 PFMH算法 130
9.2 小型DSGE模型应用 132
9.3 SW模型应用 134
9.4 计算方面的考虑 136
第10章 粒子滤波与SMG取样器的结合 138
10.1 SMC2算法 138
10.2 小型DSGE模型应用 141
10.3 计算方面的考虑 143
附录A 模型描述 144
A.1 Smets-Wouters模型 144
A.2 Leeper-Plante-Traum财政政策模型 148
附录B 数据来源 150
B.1 小型新凯恩斯DSGE模型 150
B.2 Smets-Wouters模型 150
B.3 Leeper-Plante-Traum财政政策模型 151
参考文献 154