Entgegen den Behauptungen in Studien zur Finanzökonomie erschwert eine spärliche Datenbasis oft die Identifizierung von Parametern in makroökonomischen Modellen. Diese Identifizierungsprobleme entstehen durch die schlecht definierte Abbildung zwischen einem strukturellen Modell und dessen Parametern in reduzierter Form. Daher greifen Forscher auf bekannte Methoden wie die Bayesianische Schätzung zurück, die eine fundierte Kenntnis der a-priori-Verteilungen der Parameter erfordert. Solche Ansätze zeichnen sich jedoch durch eine flache Likelihood-Verteilung und/oder eine, hauptsächlich durch a-priori-Informationen getriebene, posteriore Verteilung aus. Um Identifizierungsprobleme zu mildern, verwenden wir in diese Studie die Approximative Bayesianische Berechnungsmethode in Kombination mit der Wahl spezifischer Momente-Bedingungen. Dieser Schätzansatz ermöglicht nicht nur die Umgehung hochdimensionaler Likelihood-Funktionen, sondern vermeidet durch die Verwendung einer Bootstrap-Methode auch Probleme bei der Parameteridentifizierung. Unsere Schätzmethode wird erfolgreich auf eine hybride Version des Neukeynesianischen Modells angewendet.