【摘要】文章将人工智能算法中的DREAM算法首次应用到动态随机一般均衡模型的参数估计中，并以动态随机一般均衡模型LS(2005)为例对该算法的估计精度进行了系统分析，研究结果表明：根据待估参数随机抽样序列的箱线图来看，由DREAM算法产生的待估参数随机抽样序列的箱体长度均比RWMH和IMH算法产生的箱体长度要长，说明由DREAM算法产生的参数估计序列的分散程度比RWMH和IMH算法要大，表明了DREAM算法遍历参数空间范围更为广泛，算法逃逸局部最优值的能力更强。另外，从箱线图中的中位数数值来看，除了5个参数以外，由DREAM算法产生的参数估计序列的中位数相比RWMH和IMH算法，与真实数据生成过程更为接近，说明由DREAM算法产生的参数估计值大部分都集中在参数的真值附近。由于DREAM算法依据IQR统计方法除去无用链，故由DREAM算法产生的参数估计序列的异常值也明显降低，而RWMH算法产生的参数估计序列的异常值尤其多。从待估参数的90%最大后验密度可信区间来看，DREAM算法产生的待估参数90%最大后验密度可信区间除了3个参数以外，其余全部包含了真值，而传统的RWMH和IMH算法分别只有7个和1个区间包含了真值，表明DREAM算法的估计不确定性远小于传统的RWMH和IMH算法。最后，根据待估参数的无效因子来看，DREAM算法产生的待估参数序列与传统的RWMH和IMH算法相比，其相关性更弱，即无效因子数值更小，这一点进一步验证了DREAM算法遍历整个参数空间的能力更强。