لگاریتم خطی کردن نرخ ارز حقیقی:
(۵-۲۲۶)
لگاریتم-خطی کردن قید کلی منابع:

(۵-۲۲۷)
لگاریتم خطی کردن اتحاد تولید کل:
(۵-۲۲۸)
لگاریتم خطی کردن اتحاد مصرف:
(۵-۲۲۹)
لگاریتم خطی کردن اتحاد سرمایه ­گذاری:
(۵-۲۳۰)
لگاریتم خطی کردن شوک ترجیحات:

(۵-۲۳۱)
لگاریتم خطی کردن شوک تکنولوژی مانای خاص سرمایه ­گذاری:

(۵-۲۳۲)
لگاریتم خطی کردن شوک مارک آپ قیمت:

(۵-۲۳۳)
لگاریتم خطی کردن شوک تکنولوژی:

(۵-۲۳۴)
لگاریتم خطی کردن شوک مارک آپ قیمت کالاهای وارداتی:

(۵-۲۳۵)
لگاریتم خطی کردن شوک مارک آپ قیمت کالاهای صادراتی:

(۵-۲۳۶)
۵-۶- کالیبراسیون
کالیبراسیون یکی از مهم‌ترین مراحل ارزیابی تجربی مدل­های تعادل عمومی پویای تصادفی در هر دو مکتب ادوار تجاری حقیقی و کینزی جدید است. در اقتصادهای توسعه یافته نظیر اقتصادهای آمریکای شمالی و اروپای غربی به دلیل کثرت مطالعات صورت گرفته در زمینه کاربرد مدل­های تعادل عمومی پویای تصادفی، محققین اغلب بدون هیچ گونه دغدغه­ای از صحت داده ­ها و اطلاعات، مقادیر پارامترهای حاضر در مدل خود را از یافته­های معتبر و متعدد دانشمندان دیگر جایگذاری می­ کنند، لیکن برای کشورهای در حال توسعه به صورت عام و برای کشورهای در حال توسعه نفتی به طور خاص که ایران را هم در بر می­گیرد، به دلیل نبود پیشینه قابل توجه تحقیق، کالیبراسیون الگو دشواری­های خاص خود را دارد. لیکن در این رساله سعی شده است با بهره گرفتن از داده ­های که وجود دارد و مطالعاتی که در این زمینه در کشور انجام شده است، اقدام به مقداردهی به پارامترهای مدل شود^[۲۸۰].

هدف از این بخش اختصاص مقادیر به پارامترهای ساختاری مدل است. کالیبراسیون معمولاً هم شامل گرفتن پارامترها از ادبیات گذشته که ساختار مشابه اقتصادی دارند، می­باشد و هم شامل تخمین پارامترها از داده ­های سری زمانی برای یک اقتصاد خاص و یا ترکیب هر دوی این موارد می­باشد.
کالیبراسیون یک درک و برداشت اولیه به ما می­دهد که ضعیف یا قوی بودن مدل را مشخص می­ کند. یک کالیبراسیون خوب یک تصویر دقیق و ارزشمند از داده ­ها را به ما می­دهد. همچنین از مطالعات اقتصاد خردی نیز برای کالیبراسیون استفاده می­ شود ولی در هنگام تجمیع و دید کلان باید دقت شود.
از مهم‌ترین دلایل استفاده از کالیبراسیون می­توان به موارد زیر اشاره کرد:

• • عدم وجود داده: به دلیل عدم وجود داده، پارامترها را می­توانیم کالیبره کنیم.

• • کم بودن حجم داده ­ها

• • تورش تصریح مورد انتظار در مدل: تورش تصریح مورد انتظار در مدل باعث می­ شود پارامترهای برآورده شده ناسازگار باشد.

بررسی و ارزیابی میزان موفقیت مدل ارائه شده در مطالعات تعادل عمومی پویای تصادفی کینزی جدید، اغلب با بررسی میزان سازگاری و نزدیکی گشتاورهای تولید شده از کالیبراسیون مدل ساخته شده با گشتاورهای دنیای واقعی صورت می­گیرد. گشتاورهای مورد توجه اغلب عبارتند از: انحراف معیار متغیرهای اصلی مانند تولید یا مصرف که معیاری برای نوسانات در یک اقتصاد است، نسبت انحراف معیار متغیرهای مورد توجه به انحراف معیار متغیری همچون تولید یا سرمایه ­گذاری که مبنا قرار گرفته است و نوسانات نسبی را تبیین می­ کند و ضریب همبستگی بین سری­های زمانی برخی از متغیرها که هم حرکتی بین متغیرها را نشان می­دهد.
در یک دهه گذشته، ادبیات مربوط به سیاست­های پولی و مالی جهش بسیار بزرگی را از کالیبراسیون مدل­های تعادل عمومی پویای تصادفی گرفته تا تخمین زدن آن‌ ها (اغلب با بهره گرفتن از رویکرد بیزین) در برداشته است. به دلایل متعددی در این مدل­ها کالیبراسیون در مورد مقادیر پارامترها انجام می­ شود: اول به منظور بررسی پویایی­های این مدل­ها؛ دوم به منظور بررسی شباهت این مدل­ها با داده ­های دنیای واقعی و سوم ارزیابی حاصل از کاربردهای سیاستی این مدل­ها تحت یک سری فروض منطقی؛ بنابراین همان‌گونه که این مدل­ها موضوعاتی مانند عدم تصریح درست و ویژگی­های واقعی­ موجود در داده ­ها را در برمی‌گیرد، مهم است که در آن پارامترهای عمیقی^[۲۸۱] که ظاهر می­شوند را کالیبره کنیم. همچنین بایستی توجه نمود که استفاده از مدل­های DSGE کالیبره شده همیشه برای کالیبراسیون­های بعدی دقیق نیست. تکنیک بیزین برای این مشکل کالیبراسیون مناسب است به دلیل اینکه این تکنیک یک روش مشخص برای تخمین پارامترها می­باشد که در آن اطلاعات پیشین در مورد پارامترها همراه با داده ­ها برای تحلیل مدل DSGE مورد استفاده قرار می­گیرد. یکی از ویژگی­های رویکرد بیزین این است که یک چارچوب برای طراحی سیاست­ها ایجاد می­ کند که در آن مسئله نااطمینانی در تخمین پارامترها را برطرف می­ کند (لوین و همکاران^[۲۸۲] (۲۰۰۵) و باتینی و همکاران^[۲۸۳] (۲۰۰۴)).
کالیبراسیون بنابراین می ­تواند به عنوان یک ابزار و وسیله نهایی در نظر گرفته شود. محققان اغلب به دلیل اینکه مدل­های DSGE می ­تواند سؤالات جذاب اقتصادی را تحلیل کنند، این مدل­ها را کالیبره می­ کنند. در این حالت تخمین بیزین یا حداکثر راستنمایی بایستی بعد از کالیبراسیون مورد استفاده قرار بگیرد. به دلیل اینکه این تکنیک­­ها یک روش دقیق­ برای بدست آوردن مقادیر پارامترها می­باشند. زمانی که تکنیک­های حداکثر راستنمایی برای تخمین مدل­های DSGE استفاده می­ شود (به عنوان مثال ایرلند^[۲۸۴] (۲۰۰۳))، تخمین­ها از داده ­ها و بدون در نظر گرفتن نقش پارامترهای پیشین^[۲۸۵] استخراج می­شوند^[۲۸۶]. حتی اگر تکنیک­های بیزین برای تخمین پارامترها استفاده شود و در مورد پارامترهای پیشین اطمینان وجود داشته باشد، نیازی نیست در مورد اینکه تخمین­ها به وسیله توزیع پیشین یا داده ­ها بدست آمده است، نگرانی وجود داشته باشد. تنها مهم است که تخمین­های پسین^[۲۸۷] منطقی باشند. زمانی این اتفاق می­افتد که تخمین­های پیشین­ و داده ­ها منطقی باشند.
یکی از اولین کارهایی که در زمینه کالیبراسیون صورت گرفته است، کار مربوط به کیدلند و پرسکات^[۲۸۸] (۱۹۸۲) می­باشد. آن‌ ها برای آزمایش تجربی چرخه­های تجاری، از کالیبراسیون استفاده کرده ­اند و برای انتخاب پارامترها از خصوصیات بلندمدت داده ­ها و در برخی موارد از شواهد اقتصاد خردی استفاده کردند. آن‌ ها مدل رشد نئوکلاسیک را که بر روی نسبت­های بزرگ کالیبره شده بود را به کار گرفتند و مدل را در قالب چرخه­های تجاری حقیقی بررسی کردند.
کیدلند و پرسکات^[۲۸۹] (۱۹۹۱)، هانسن و هکمن^[۲۹۰] (۱۹۹۶) و سیمز^[۲۹۱] (۱۹۹۶) به خوبی روش­های تجربی مرتبط با ادبیات کالیبراسیون را مطرح کردند.
کولی^[۲۹۲] (۱۹۹۷) بحث می­ کند که تخمین یک رویکرد کامل می­باشد از آنجائیکه تخمین خود به مقداردهی پارامترها کمک می­ کند. وی همچنین بر کنش و واکنش دوطرفه بین تئوری و اندازه ­گیری تاکید می­ کند.
کینگ و ربلو^[۲۹۳] (۱۹۹۹) به تفاوت بین روش­های اقتصادسنجی سنتی و کالیبراسیون پرداخته است.
معمولاً پارامترهای انتخاب شده در کالیبراسیون با توجه به منبع مدل انتخابی و داده ­های نمونه متفاوت است. در مقاله آموزشی کمپل (۱۹۹۴)^[۲۹۴] به این مسئله پرداخته شده است.
کولی و پرسکات (۱۹۹۵)^[۲۹۵] روش­های متداول­تری را انتخاب کردند. آن‌ ها بیان می­ کنند که بسیاری از پارامترها به وسیله مسیر رشد متوازن مدل و ویژگی­های بلندمدت نمونه بدست می ­آید (به عنوان مثال میانگین­های نمونه).
برخی از مطالعات به مقالات اولیه و گذشته ارجاع می­ دهند؛ برخی شواهد اقتصادسنجی خرد را برای کالیبراسیون استفاده می­ کنند.
به عنوان مثال در مدل رشد سولو، باقیمانده­های مدل رشد سولو متناظر با بهروری کل عوامل است (رومر، ۲۰۰۶^[۲۹۶]).
لذا بعد از انتخاب پارامترها، مدل برای حل آماده و شبیه­سازی می­ شود؛ بنابراین اولین عملکرد مدل از روی توانایی مدل برای هماهنگی با واقعیات تحقق یافته با بهره گرفتن از داده ­های نمونه مورد ارزیابی و قضاوت قرار می­گیرد.
رومر (۲۰۰۶) یک معرفی برای کالیبراسیون ارائه کرده است. به طور مختصر محققین مقادیر محتمل برای پارامترها را با نگاه کردن در داده ­ها و یا با بهره گرفتن از مطالعات تجربی گذشته برمی­دارند. به صورت بهینه این فرایندها بایستی ویژگی­های مربوط به داده ­ها را مورد استفاده قرار دهد.
در این بخش، قبل از انجام فرایند شبیه­سازی و تحلیل توابع ضربه-واکنش مدل، نتایج حاصل از کالیبراسیون پارامترهای ساختاری مدل گزارش می­گردد. جدول (۵-۱) بیانگر مقدار کالیبره شده پارامترهای مدل است که در رابطه (۵-۲۳۷) تصریح شده ­اند. مقدار کالیبره شده برخی از پارامترها از مطالعات پیشین گرفته شده است که در جدول (۵-۱) به مطالعه مربوطه اشاره گردیده است. برخی دیگر از پارامترها بر پایه داده ­ها و اطلاعات در دسترس و محاسبات اقتصادسنجی کالیبره و برآورد شده ­اند. کلیه داده ­های سری زمانی مورد نیاز از بانک اطلاعات سری­های زمانی بانک مرکزی اخذ شده است.
مجموعه پارامترهای مدل را در قالب مجموعه زیر می­توان بیان نمود:
(۵-۲۳۷)
جدول ۵- ۱. مقدار کالیبره شده پارامترهای مدل