Dans cette étude, j’élabore un algorithme de Monte-Carlo par chaînes de Markov (MCMC) fondé sur une population, soit une atténuation parallèle, pour estimer des modèles d’équilibre général dynamique et stochastique (EGDS). L’atténuation parallèle fait une approximation de la distribution d’intérêt a posteriori à l’aide d’une famille de chaînes de Markov à distributions a posteriori tempérées. À chacune des itérations, deux chaînes sélectionnées de façon aléatoire dans l’ensemble sont proposées pour échanger les vecteurs des paramètres, après quoi chaque chaîne subit une mutation par le biais de l’algorithme de Metropolis-Hastings. L’algorithme crée une méthode MCMC à mixage rapide, qui convient particulièrement bien aux problèmes avec des distributions a posteriori irrégulières. De plus, à cause de sa nature globale, l’algorithme peut être initialisé directement à partir des distributions a priori. Je fournis deux exemples empiriques contenant des distributions a posteriori complexes : un modèle de type nouveau keynésien se caractérisant par des équilibres indéterminés et un modèle de SmetsWouters où les distributions a priori sont plus diffuses. Dans les deux exemples, l’atténuation parallèle surpasse le défi inhérent à l’estimation, fournissant des estimations extrêmement cohérentes lors de différentes exécutions de l’algorithme où la taille effective de l’échantillon est de grande taille. Je fournis un code compatible avec des fichiers de modélisation Dynare, ce qui facilite l’implantation de cette routine pour les utilisateurs de modèles EGDS.

In this paper, I develop a population-based Markov chain Monte Carlo (MCMC) algorithm known as parallel tempering to estimate dynamic stochastic general equilibrium (DSGE) models. Parallel tempering approximates the posterior distribution of interest using a family of Markov chains with tempered posteriors. At each iteration, two randomly selected chains in the ensemble are proposed to swap parameter vectors, after which each chain mutates via Metropolis-Hastings. The algorithm results in a fast-mixing MCMC, particularly well suited for problems with irregular posterior distributions. Also, due to its global nature, the algorithm can be initialized directly from the prior distributions. I provide two empirical examples with complex posteriors: a New Keynesian model with equilibrium indeterminacy and the Smets-Wouters model with more diffuse prior distributions. In both examples, parallel tempering overcomes the inherent estimation challenge, providing extremely consistent estimates across different runs of the algorithm with large effective sample sizes. I provide code compatible with Dynare mod files, making this routine straightforward for DSGE practitioners to implement.