🇬🇧 English · 🇪🇸 Español
Evidencia independiente y estimación estructural
Estos flujos de investigación conectan validación independiente y estimación estructural. Funcionan sin conexión desde el paquete instalado con las dependencias numéricas estándar y conservan los supuestos, las unidades y el alcance de la evidencia.
El estudio con datos reales añade una replicación base de Romer–Romer (2010) con datos originales, software independiente y valores publicados redondeados. El ejemplo NK sintético sigue siendo una prueba de recuperación; el estudio empírico tiene datos, supuestos y conclusiones propios.
| Tarea | API | Guía |
|---|---|---|
| Revisar evidencia numérica y de datos | puremacro.validation.run_research_benchmarks |
Benchmarks independientes |
| Ajustar modelos a momentos empíricos correlacionados | puremacro.structural.fit_structural y lp_moment_targets |
Puente estructural |
Benchmarks
from puremacro.validation import run_research_benchmarks
report = run_research_benchmarks()
print(report.passed) # False: falla el redondeo publicado del estadístico t RR2010.
report.write("research_output/benchmarks")
Los cinco casos distinguen soluciones analíticas, resultados externos autenticados de Dynare y la especificación original de Romer–Romer con software independiente y valores publicados. El expediente JSON/Markdown conserva valores observados y de referencia, unidades, fuentes, tolerancias, controles negativos y limitaciones. No certifica todos los modelos ni presenta ejercicios sintéticos como replicaciones empíricas. Pasan cuatro de cinco casos: el estadístico t RR2010 queda fuera del intervalo de redondeo publicado por aproximadamente 0.000003925. El fallo se conserva; véase la guía empírica.
De proyecciones locales a un modelo nuevo keynesiano
La aplicación simula una economía de tres ecuaciones desde una solución en
forma cerrada independiente, con perturbación monetaria persistente y errores
de medición. Estima respuestas LP de producto e inflación con covarianza HAC
conjunta, y ajusta aversión al riesgo, pendiente de Phillips y persistencia
resolviendo el modelo mediante load_mod. La innovación es 0.01 en la tasa
trimestral: un punto porcentual.
Los horizontes 0–4 entran al ajuste; 5–8 son comprobaciones descriptivas con la
misma muestra. Se exportan observaciones, momentos, covarianza, parámetros,
comparaciones, figura y manifiesto con modelo, semilla y hash de los datos.
Es recuperación con datos simulados, no replicación histórica. Para un estudio
empírico sustituya el simulador por datos transformados y shocks identificados,
o construya MomentTargets con estimaciones y su covarianza conjunta. Frecuencia,
unidades, transformación y normalización deben coincidir con el modelo.