我们开发了一种用于估计贝叶斯动态随机一般均衡（DSGE）模型的序列蒙特卡罗（SMC）算法，其中通过调和似然迭代建立后验的粒子近似。使用由人工状态空间模型、Smets和Wouters（2007）模型以及Schmitt-Grohé和Uribe（2012）的新闻冲击模型组成的三个例子，我们表明SMC算法比广泛使用的随机行走Metropolis-Hastings算法更适合多峰和不规则后验分布。我们发现，Smets和Wouters（2007）模型的更具扩散性的先验提高了其边际数据密度，而新闻冲击模型的先验的轻微修改会导致关于新闻冲击对工作时间波动重要性的后验推断发生剧烈变化。与标准的马尔可夫链蒙特卡罗（MCMC）技术不同，SMC算法非常适合并行计算。