รายงานฉบับนี้มีวัตถุประสงค์หลักคือการประมาณค่า parameters ต่างๆ ในแบบจำลอง Dynamic Stochastic General Equilibrium (DSGE) โดยใช้ข้อมูลจริงของไทย แบบจำลองที่ใช้เป็นแบบจำลอง DSGE ที่ มีกลไกตัวเร่งทางการเงิน (financial accelerator) คณะผู้วิจัยได้ใช้วิธี calibration ในการกำหนดค่า parameters บางส่วนที่เราค่อนข้างมั่นใจหรือสามารถคำนวณค่า parameters เหล่านั้นได้จากความสัมพันธ์ ต่างๆ ในแบบจำลอง สำหรับ parameters อื่น ๆ เราใช้วิธี Bayesian (Metorpolis-Hastings algorithm) ในการ ประมาณค่าตัวแปรเหล่านั้น คณะผู้วิจัยพบว่าการใช้วิธีการ Bayesian ซึ่งทำให้เราสามารถใช้ความเชื่อเดิม (prior) ของเราเกี่ยวกับค่า parameters ต่างๆ มาผนวกเข้ากับผลของการใช้ข้อมูลจริงในการประมาณค่า ส่งผล อย่างมีนัยสำคัญต่อค่าประมารการของ parameters ที่ได้ การใช้ข้อมูลจริงมาช่วยในการประมาณค่าทำให้ผล ของการประมาณการมีความแตกต่างไปจากความเชื่อเดิมของผู้วิจัย ซึ่งแสดงว่าข้อมูลจริงสามารถสะท้อนค่าที่ ควรจะเป็นของ parameters ต่างๆ ได้ (informative) จากนั้นคณะผู้วิจัยได้ทำการศึกษาพลวัตร (dynamics) ของแบบจำลอง DSGE ที่ใช้ค่า parameters ที่ประมาณค่าได้ เราพบว่าพลวัตรของเศรษฐกิจหลังจากที่ถูก กระทบโดยการเปลี่ยนแปลงที่อยู่นอกเหนือความคาดหมาย (shocks) จะมีขนาดการเปลี่ยนแปลง และความผัน ผวนน้อยกว่าแบบจำลองที่ใช้ค่า parameters จากการ calibration นอกจากนี้ภาวะเศรษฐกิจยังสามารถกลับเข้า สู่สถานะเดิมที่สมดุล (steady states) ได้เร็วขึ้น สุดท้ายคณะผู้วิจัยพบว่าค่า parameter ที่สะท้อนความไว (sensitivity) ของส่วนต่างอัตราดอกเบี้ยเงินกู้จากภายนอกกับการระดมทุนจากภายใน (external finance premiums) มีค่าเป็นบวกอย่างมีนัยสำคัญ ซึ่งสะท้อนว่ากลไกตัวเร่งทางการเงินน่าจะมีอยู่จริงในระบบเศรษฐกิจ ไทย คณะผู้วิจัยคิดว่าข้อค้นพบต่าง ๆ เหล่านี้น่าจะช่วยให้หน่วยงานที่ดูแลเศรษฐกิจมหภาคมีแนวทางในการ กำหนดนโยบายที่สอดคล้องกับระบบเศรษฐกิจไทยมากขึ้น This paper aims to estimate a version of Dynamic Stochastic General Equilibrium (DSGE) model using Thai data. We develop a DSGE model with a “financial accelerator” mechanism. For some model parameters which we have strong prior belief or their values are predetermined by the model, we follow the typical method of calibration. We apply a Bayesian method (Metorpolis-Hastings algorithm) to estimate the rest of the parameters. We found the Bayesian premise of incorporating prior beliefs while, at the same time, allowing data to “speaks for itself”, to have significant effects on results. Data is informative to the extent that the posterior distribution differs from prior distribution. We then analyse the model dynamics using estimated parameters. Compared to models that use calibrated parameters, the model with partially-estimated parameters exhibits less pronounced responses to shocks. The dynamics are less fluctuated and revert back to steady states more readily. Finally, we found the sensitivity of external finance premiums to firms’ leverage to be significantly different from zero, an indication of the existence of the financial accelerator mechanism. These findings should provide further insights into the conduct of macroeconomic policy.