凯恩斯革命使得宏观经济学成为显学，各个国家开始开发宏观计量模型用于预测和分析。荷兰经济学家简·丁伯根 （Jan Tinbergen） 在1936年用1923-1933年荷兰的宏观经济数据为样本，建立了第一个国家宏观经济模型，模型的内生变量设有劳动、消费、商品出口、制成的消费品和生产设备的进口，以及用于消费品或生产资料生产的原材料的进口数量、价格和价值等，外生变量主要是国际环境，包括世界价格水平、各种进口品的价格水平、世界贸易量和海外投资收入。由于当时国民核算体系尚未完善发展，模型中没有存货变动、政府消费、国民或国内生产总值、间接和直接税这样的概念，也没有诸如利率、货币供给和各种形式的信贷之类的货币和金融变量，因此，模型的应用性不高。第一个比较完整的具有实用价值的宏观经济模型是劳伦斯·克莱因 （Lawrence Klein） 在1950年建立的美国战争模型，之后，他与亚瑟·戈德伯格 （Arthur Goldberger） 在1955年合作建立了K-G模型，这个模型作为宏观经济模型的样板，对以后模型的发展起到了极其重要的作用。克莱因通过他所发表的论著和对各国研究团体的大量指导，极大地推进了宏观经济模型的研究和使用。同时，宏观经济模型在经济波动分析和经济政策方面的贡献促使计量经济学家致力于研究更具实用性的模型。随着时间的推演，用于政策分析的宏观经济模型变得越来越庞大，逐渐包括了数百个变量和方程。比如克莱因指导研制的1967年建立的沃顿 （Wharton） 模型是一个中等规模的用于经济预测的季度模型有76个方程，其中随机方程47个，有118个变量，其中内生变量76个，外生变量42个。1972年发展完成的沃顿Ⅲ型模型有201个方程 （其中随机方程67个），同年完成的沃顿年度模型则包含346个方程 （其中随机方程155个）。艾伯特·安多 （Albert Ando） 和弗兰科·莫迪利亚尼 （Franco Modigliani） 指导于1968年由美国联邦储备局、麻省理工学院和宾夕法尼亚大学共同研制成功的MPS （MIT-Penn-Social Science Research Council） 模型是一个季度模型，共有171方程，其中随机方程75个，除171个内生变量外，尚有119个外生变量。模型以1958年至1965年季度数据为样本，采用OLS和IV法估计参数。该模型主要用于短期预测和货币金融政策评价。奥托·埃克斯坦 （Otto Eckstein） 指导的1974年由数据资源公司研制成功的DRI （Data Resource，Inc.） 模型包含7个主要模块，718个方程 （随机方程379个），内生变量718个，外生变量170个。该模型受布鲁金斯模型和MPS模型的共同影响，是一个将投入产出方法和计量经济学方法相结合的模型，模型中包括一个51个产业部门的投入产出模块。该模型仍是一个大型季度模型，以1956年至1976年季度数据为样本，采用OLS和2 SLS方法估计参数，模型主要用于结构分析和政策评价。

不同时期所建立的计量模型反映了当时的理论进展。在20世纪70年代初期，结构模型风靡全球，应用这类模型进行预测和政策分析达到顶峰，那一时期经济的稳定增长使得模型的建立与应用取得良好的成效。但1974年开始发达国家经历的石油危机使得利用结构模型进行的经济变量预测变得无效，不仅模型对冲击无法预测，模型的效度也大大下降。1976年卢卡斯发表论著^[1]指出 “鉴于结构计量模型是由经济主体的最优决策规则组成，而最优决策规则随着关于决策制定者变量序列的结构变化发生系统性改变，那么政策的变化将系统地改变计量模型的结构”，换句话说，给定经济结构下用当期和滞后解释变量估计的行为方程不能用于预测未来。1977年基德兰德和普雷斯科特发表论文 《规则而不是歧视：最优计划的不一致性》^[2]，特别指出利用加总的历史数据来给出政策建议和经济预测，其结论值得怀疑，因为宏观系统本身是有大量具有能动性的微观主体组成，如果在建立预测模型时罔顾这些微观主体应对政策和实际市场的反映，而只是机械地进行统计意义上的数量预测，其结果是非常不可靠的。统计方法成立的前提条件是历史再现，也就是过去和现在具有同样的机理才会反应出同样的经济效果，但是无论是企业还是居民甚至在面临类似经济形势下会做出不同的反应，原因当然各异，他们有学习、试错、反馈并修正的作用。所以过去有效的政策今天可能失灵，甚至有反效果。要对这一问题进行模拟，宏观经济学必须寻求微观基础，从需求方和供给方的微观决策入手，刻画其面临各自约束的最优决策，然后再对各个微观主体的决策行为进行加总，得到所谓的总供给和总需求，然后利用市场出清条件求出价格、利率等影响双方的关键变量，从而决定失业、市场工资、居民收入等内生变量。在此基础上建立起来的数量关系，虽然不能说就一定反映了各个变量的真实关系，但是至少可以拿来试错。

事实上，最理想的宏观经济模型应该是通过调查每家每户以及每个企业的各种决策行为，长期跟踪，建立起一家一户和各个企业的决策函数，然后由此进行加总获得总供给和总需求，政府以此来改变利率、税率、货币发行量等变量，观察这些微观主体的反应如何，择优而为之。显然这不具有操作性。所以基德兰德和普雷斯科特 （1982）^[3]提出动态随机一般均衡（DSGE） 模型，其所采用的策略是：从一些公认的对于微观主体的假设出发，建立模型并推导出他们的决策并进行加总，然后反过来将实际数据代入其中来进行校准。如果在现有参数下能很好解释一些重要的可观测数据，比如失业率、消费占GDP比重、投资占GDP比重、实际利率等，那么就可以认为这个模型至少能很好地刻画了现有经济。然后将这套模型用作一个实验室，假设若税率提高，或者财政补贴上升，结果会如何。微观基础是基于对行为主体的偏好设定的，所以DSGE 可以被用来分析政策变化的福利效应。

DSGE本质上是一种方法，它可以被不同思想学派的人用来构建反映本学派思想主张的模型，比如对微观主体的偏好、技术、约束做出不同的假设。卢卡斯所在的理性预期学派提出著名的实际商业周期 （real business cycle，RBC） 模型。这里的“实际” 是指这个模型的所有变量都是定义在实际变量而不是名义变量上，不考虑货币的作用。新凯恩斯主义者将一些非竞争性因素和其他摩擦因素加入模型，比如企业之间的垄断性竞争、工资调整具有刚性等，以求在数量上更好地拟合宏观经济波动。经过20世纪90年代的发展，到了2003年，DSGE模型中已包含进了各种名义和实际刚性。以伍德福德 （2003）^[4]的教科书为代表，基于新凯恩斯主义理论的 DSGE 模型变得足够成熟，可以作为评估政策的实验室。(www.daowen.com)

20世纪80年代，克里斯托弗·西姆斯 （1980）^[5]、大卫·亨德里 （1980）^[6]和爱德华·里默 （1983）^[7]对结构模型提出了另一种批评，认为传统方法中线性系统的参数估计所依赖的识别条件 “不可靠” （Incredible），一是对因果关系识别的理解甚少，二是计量推断往往对附设的模型设定和误差项分布不稳健。建议以 “客观数据” 为导向进行实证分析，并给出了更加有效的分析工具。代表性的方法包括时间序列方法、向量自回归 （VAR） 方法、动态最优的理性预期模型等。其中时间序列方法包括由博克斯 （Geogre E.P.Box） 和詹金斯 （Gwilym M.Jenkins） 创立的ARIMA模型、单位根和共积检验等方法。时间序列方法一般假定变量遵循系数不变的线性随机过程，这使得宏观经济理论与计量统计可以更好地结合起来；VAR模型由西姆斯创立，与单变量的时间序列方法不同，VAR方法进一步引入了其他经济变量的信息，结合理论背景对经济波动进行分解，并能够识别引起内生变量波动的外生冲击来源。所使用的基本工具包括冲击响应分析、方差分解等，很好地反映了时间序列的二阶矩特征。

尽管DSGE 模型完整的框架对于政策分析是非常重要的优势，但是 DSGE 模型并没有完全代替其他模型。DSGE 的使用仍然仅仅是大多数中央银行政策决策中的一种辅助工具。许多中央银行同时开发几种不同的计量模型，其中包括传统的结构性模型、时间序列模型、VAR 以及 DSGE 模型。这种多种模型并存的局面是由于货币当局在决策过程中，需要权衡不同宏观经济模型的分析结果。