Diese Arbeit befasst sich mit der lokalen Identifikation von nicht-linearen und nicht-gaussianischen DSGE Modellen. Es werden Strategien entwickelt, um Probleme der Identifizierbarkeit zu erkennen und zu vermeiden. Dabei wird ein umfassender Überblick über vorhandene Methoden für linearisierte DSGE Modelle gegeben und diese um Restriktionen durch höhere Momente, Kumulanten und Polyspektren erweitert. Weiterhin wird in der Arbeit die Identifizierung durch höhere Approximationen begründet. Mithilfe einer abgeschnittenen Zustandsraumdarstellung werden formale Rangkriterien für die lokale Identifizierbarkeit der Parameter von nicht-linearen und nicht-gaussianischen DSGE Modellen hergeleitet. Mit diesen Methoden lässt sich Identifizierbarkeit bereits vor der Schätzung des nicht-linearen Modells überprüfen. Auf diese Weise wird gezeigt, dass alle Parameter des Kim (2003) als auch des An und Schorfheide (2007) Modells mit einer Approximation zweiter Ordnung identifiziert werden können.

This thesis adds to the literature on the local identification of nonlinear and non-Gaussian DSGE models. It gives applied researchers a strategy to detect identification problems and means to avoid them in practice. A comprehensive review of existing methods for linearized DSGE models is provided and extended to include restrictions from higher-order moments, cumulants and polyspectra. Another approach, established in this thesis, is to consider higher-order approximations. Formal rank criteria for a local identification of the deep parameters of nonlinear or non-Gaussian DSGE models, using the pruned state-space system are derived. The procedures can be implemented prior to estimating the nonlinear model. In this way, the identifiability of the Kim (2003) and the An and Schorfheide (2007) model are demonstrated, when solved by a second-order approximation.