具体描述
《高级宏观经济学》是一部以经济学相关专业研究生对象的中高级宏观经济学教材。《高等院校经济类研究生基础课程教材:高级宏观经济学》包括了最新诺贝尔经济学奖得主的理论,也详细介绍了国际经济大师的成名观点。《高级宏观经济学》既有直观的经济意义说明,又有复杂多变的数学推导,更特别注重经济政策与当前中国实际经济问题相结合的研究。
作者简介
目录信息
1. 1 1776年以前的经济学思想
1. 2 古典经济学派的代表人物
1. 3 数理经济学派的崛起
1. 4 边际主义的先驱与代表人物
1. 5 集边际主义理论之
· · · · · · (收起)
读后感
用户评价
初次接触这本书时,我对其排版和逻辑流的清晰度感到惊喜。与其他一些动辄堆砌公式的宏观教材不同,这本书在引入新概念时,总是先给出直观的经济学解释和历史背景,这极大地降低了理解的门槛。比如,在阐述理性预期宏观经济学(RE-Macro)时,作者并没有直接跳到随机动态一般均衡(DSGE)模型的复杂性中去,而是先用简单的 IS-LM 框架的预期版本来铺垫,让读者逐步适应“预期如何影响决策”这一核心思想。书中穿插的案例分析也十分巧妙,它们往往是上世纪八九十年代的经典争论,通过回溯这些争论,读者能清晰地看到理论是如何在实践中被修正和发展的。我个人尤其喜欢它对“政策无效性命题”的探讨,那部分内容写得鞭辟入里,让人对传统凯恩斯主义和古典主义的交锋有了全新的认识。整体而言,这是一本非常适合作为高阶本科生或研究生入门的优秀教材,它在保持学术严谨性的同时,兼顾了教学的艺术性。
这本书的阅读体验,与其说是“学习”,不如说更像是一次“思想的探险”。它对于宏观经济政策有效性的探讨,走得比我预想的要深入和批判得多。作者对财政政策长期效应的分析,引入了代际交叠模型(OLG),将代际公平和政府债务的可持续性问题提到了前台,这使得我们对赤字和公债的看法不再停留在简单的总需求效应上,而是深入到了代际资源分配的伦理和经济后果。再来看货币政策的部分,它深入剖析了规则与权变之间的权衡(Rules vs. Discretion),并详细论证了时间不一致性(Time Inconsistency)问题如何导致次优结果。我欣赏作者这种“刨根问底”的态度,不放过任何一个潜在的逻辑漏洞,而是力图在最严格的假设下检验理论的稳健性。这本书的难度是显而易见的,但这种“难啃”的过程带来的知识沉淀感,远超那些轻松读完却很快遗忘的入门读物。
这本书的语言风格非常独特,它不像某些学术著作那样冰冷刻板,反而带有一种学者特有的、对经济学本质的诗意探寻。在讨论经济周期理论时,作者没有止步于纯粹的随机冲击模型,而是花费了大量的篇幅来阐述对“真实商业周期”(RBC)理论的批判性继承。他巧妙地将技术冲击视为一个广义的“信息冲击”,这使得对结构性变革和技术扩散的分析更加灵活。尤其令人赞叹的是,书中对于“理性预期的局限性”这一哲学命题的探讨,作者将博弈论中的知识概念引入,探讨了“共同知识”(Common Knowledge)在宏观经济决策中的作用。这种跨学科的视野,让阅读过程充满了智力上的愉悦。虽然书中涉及的微分方程和拉格朗日乘数法的使用频率极高,但得益于清晰的步骤分解,即便是初次接触这些工具的读者,也能感受到其严谨背后的经济直觉。这绝对是一部能重塑你对现代宏观经济学认知的力作。
我花费了相当长的时间来消化这本书中关于金融市场与宏观经济相互作用的部分。这部分内容显然是作者紧跟时代脉搏的体现,与传统的、侧重于实物部门的宏观模型相比,它将金融摩擦和不完全信息纳入了标准分析框架。书中对资产价格泡沫的内生化建模,以及信贷约束如何影响企业投资决策的论述,都极其细致。我特别关注了作者关于“金融加速器”效应的推导过程,那套将资产负债表状况与借贷成本挂钩的机制,为理解危机时期的经济衰退提供了坚实的微观基础。美中不足的是,在讨论了众多金融模型后,如何将这些微观金融机制有效地整合进一个完整的、可以进行定量分析的DSGE模型中,书中展示的连接点略显跳跃,似乎暗示了其中还有大量的专业领域知识需要读者自行补充。对于希望深入研究宏观金融领域的读者来说,这本书更像是一个高质量的目录和导论,而非终极指南。
这本书的理论框架构建得相当扎实,尤其是在处理跨期选择和动态优化问题时,作者展现了深厚的功底。我印象最深的是他对新古典增长模型在更复杂环境下的扩展和修正,比如内生技术进步和人力资本积累的引入,这些讨论不再是教科书上蜻蜓点水式的介绍,而是深入到了模型推导和均衡分析的核心。书中对理性预期假设的讨论也十分到位,没有简单地接受或否定,而是通过引入有限理性、学习过程等前沿概念,使得整个宏观分析更具现实意义。阅读过程中,时不时会发现一些精妙的数学技巧被用来简化复杂的动态规划问题,这对于希望提升自己计量和理论建模能力的读者来说,无疑是一笔宝贵的财富。然而,如果说有什么遗憾,那就是在衔接实证研究的部分略显不足,理论模型的推导与实际数据检验之间的桥梁,似乎还不够宽阔和直接,期待未来版本能在这方面有所加强。