Bayesova vektorová autoregrese - Bayesian vector autoregression

v statistika a ekonometrie, Bayesovská vektorová autoregrese (BVAR) používá Bayesovské metody odhadnout a vektorové autoregrese (VAR). V tomto ohledu spočívá rozdíl oproti standardním modelům VAR ve skutečnosti, že s parametry modelu je zacházeno jako náhodné proměnné, a předchozí pravděpodobnosti jsou jim přiřazeny.

Vektorové autoregrese jsou flexibilní statistické modely, které obvykle obsahují mnoho volných parametrů. Vzhledem k omezené délce standardu makroekonomické datové soubory vzhledem k obrovskému množství dostupných parametrů se Bayesovské metody stávají stále populárnějším způsobem řešení problému nad parametrizace. Jak se zvyšuje poměr proměnných k pozorováním, stává se stále důležitější role předchozích pravděpodobností.[1]

Obecnou myšlenkou je použít informativní priority ke zmenšení neomezeného modelu směrem k šetrnému naivnímu benchmarku, čímž se sníží nejistota parametrů a zlepší přesnost předpovědi (viz [2] pro průzkum).

Typickým příkladem je Srážení[nutná disambiguation ] předtím navrhl Robert Litterman (1979),[3][4] a následně vyvinut jinými výzkumníky v University of Minnesota,[5][6] (tj. Sims C, 1989), který je v literatuře BVAR známý jako „Minnesota prior“. Informativnost předchozího lze nastavit tak, že se s ním bude zacházet jako s dalším parametrem založeným na hierarchické interpretaci modelu.[7]

Zejména Litterman / Minnesota prior považuje normální předku na sadě parametrů s pevnou a známou kovarianční maticí, která bude odhadnuta pomocí jedné z těchto tří technik: 1) Univariate AR, 2) Diagonal VAR - 3) Full VAR.

Tento typ modelu lze snadno odhadnout pomocí Názory, Stata nebo R[8] Statistické balíčky.

Nedávný výzkum ukázal, že Bayesova vektorová autoregrese je vhodným nástrojem pro modelování velkých datových sad.[9]

Viz také

Reference

  1. ^ Koop, G .; Korobilis, D. (2010). „Bayesovské vícerozměrné metody časových řad pro empirickou makroekonomii“ (PDF). Základy a trendy v ekonometrii. 3 (4): 267–358. CiteSeerX  10.1.1.164.7962. doi:10.1561/0800000013. SSRN  1514412.
  2. ^ Karlsson, Sune (2012). Prognózy s Bayesianovou vektorovou autoregrese. Příručka ekonomické prognózy. 2 B. 791–897. doi:10.1016 / B978-0-444-62731-5.00015-4. ISBN  9780444627315.
  3. ^ Litterman, R. (1979). "Techniky předpovídání pomocí vektorových autoregresí". Pracovní dokument Federální rezervní banky v Minneapolisu. Ne. 115: pdf.
  4. ^ Litterman, R. (1984). "Specifikace VAR pro makroekonomické předpovědi". Zpráva zaměstnanců Federální rezervní banky v Minneapolisu. Ne. 92.
  5. ^ Doan, T .; Litterman, R .; Sims, C. (1984). „Prognózy a podmíněné projekce pomocí realistických předchozích distribucí“ (PDF). Ekonometrické recenze. 3: 1–100. doi:10.1080/07474938408800053.
  6. ^ Sims, C. (1989). "Devět proměnných pravděpodobnostních modelů makroekonomické předpovědi". Diskusní dokument Federální rezervní banky v Minneapolisu. Ne. 14: pdf.
  7. ^ Giannone, Domenico; Lenza, Michele; Primiceri, Giorgio (2014). "Předchozí výběr pro vektorové autoregrese". Přehled ekonomiky a statistiky. 97 (2): 436–451. CiteSeerX  10.1.1.375.7244. doi:10.1162 / rest_a_00483.
  8. ^ Kuschnig N; Vashold L. BVAR: Bayesovské vektorové autoregrese s hierarchickou předchozí volbou v R.
  9. ^ Banbura, T .; Giannone, R .; Reichlin, L. (2010). "Velké Bayesovské vektorové automatické regrese". Journal of Applied Econometrics. 25 (1): 71–92. doi:10.1002 / jae.1137.

Další čtení