Neural nets for indirect inference

برای مدل های شبیه سازی شده، شبکه های عصبی برای تقریب متوسط ​​اطلاعات خلفی اطلاعات محدود شده اند که بر روی یک بردار آمار، به جای نمونه کامل، استفاده می شود. از آنجا که این مدل قابل شبیه سازی است، نمونه های آموزش و آزمایش ممکن است با ابعاد بزرگ اندازه گیری شود تا بتواند به خوبی از شبکه ای که به لحاظ تعداد لایه های پنهان و نورون ها به اندازه کافی بزرگ است آموزش دهد تا معلومات محدود اطلاعات خلفی را با دقت خوب به دست آورد. هدف قرار دادن اطلاعات محدود خلفی به معنای استفاده از شبکه های عصبی ساده تر، سریع تر و موفق تر از هدف گیری کامل اطلاعات خلفی اطلاعات است که بر روی نمونه مشاهده شده است. خروجی شبکه آموزش دیده را می توان به طور مستقیم به عنوان برآوردگر پارامترهای مدل یا به عنوان ورودی برای برآورد استنتاج غیرمستقیم کلاسیک یا باینز استفاده کرد. روش ها با برنامه های کاربردی به یک مدل تعادل متعادل دینامیکی پویا و مدل مداوم پرش به انتشار برای بازده سهام شاخص نشان داده شده است.