第二部分包括第6章～第9章，介绍了以下几种实证方法：校准、有限信息估计、极大似然估计和贝叶斯估计。每一章涵盖了对一种方法的介绍，然后介绍这种方法如何运用于基于各自不同经验目标的基准模型。
第6章介绍了本书中最基本的实证方法：校准练习——由基德兰德和普雷斯科特（Kydland and Prescott，1982）率先使用。这种练习起初运用于判断，所构建的参数化模型在可以对长期增长模型进行实证描述时，是否也可以用于分析经济周期波动的短期波动特性——用数据中样本统计量集合来表示。更一般地，实施首先要对实证度量的识别，这种度量是对所研究模型参数值的约束：所选择的参数必须保证模型能够很好地说明这些度量。（通常的情况是，某些参数也必须满足其他先验条件。）接下来，我们通过比较用于其他统计度量的恰当参数化模型的含义和它们的实证模型，判断这个模型是否也能体现数据的这些额外特征。在判断准确之外，该方法所面临的挑战也产生了，因为第二步的比较没有建立在规范的统计基础上。
第7章介绍了有限信息估计方法，这些方法主要是解决伴随校准练习出现的统计推断问题。之所以介绍这些方法的运用，是因为作为校准参数化阶段的实证度量具有统计不确定性。例如，样本均值出现样本标准误差。因此，从映射到实证度量（一般是统计矩）所推导出的模型参数也具有统计不确定性。有限信息估计方法考虑了这种不确定性：通过有限信息估计方法得到的参数估计量是能够被解释的，而且它们具有经典统计特征。如果用于获取参数估计量的实证目标的数量超过了被估计的参数个数（也就是说，正被考察的模型是过度识别的），估计阶段也可以得到客观的拟合优度测度——可以用于评价模型的实证效果。有限信息估计方法的典型例子有广义矩方法（GMM）、模拟矩方法（SMM）以及间接推断方法。
有限信息估计过程有一个共同的特点：它们都以数据可用信息的子集为基础（在估计阶段选择的目标度量）。这些方法的优势在于，在没有对模型中变量随机行为的分布进行明确假设的情况下，它们也能够运用；它们的缺点在于，在估计阶段，关于如何选择矩常常是任意的，而得到的结果（例如，关于拟合）则对选择很敏感。第8章和第9章则介绍了与有限信息估计方法相对应的完全信息估计方法：基于似然的分析。假设给定模型中挛量的随机行为服从某个分布，第8章详细介绍了如何用极大似然分析（卡尔曼滤波法是一种易于操作的方法），来评价模型的所有经验意义。直接使用极大似然分析工具，可以使参数估计和模型评价变得更方便。而且，给定模型的估计量，模型中无法观测的变量的内在行为（例如，生产力冲击）可能被推断为估计阶段的副产品。
与简化型结构模型不同，直接处理结构模型的优点在于，我们通常对它们的参数化方法有一个清晰的先验指导。例如，对于高于10％的主观年折IEI率的识别，可能会因无法控制和不可信而被摈弃掉。
展开
