Байесовская векторная авторегрессия
В статистике и эконометрике байесовская векторная авторегрессия (BVAR) использует байесовские методы для оценки модели векторной авторегрессии (VAR). BVAR отличается от стандартных моделей VAR тем, что параметры модели рассматриваются как случайные величины с априорными вероятностями , а не с фиксированными значениями.
Векторная авторегрессия — это гибкие статистические модели, которые обычно включают множество свободных параметров. Учитывая ограниченную длину стандартных наборов макроэкономических данных по сравнению с огромным количеством доступных параметров, байесовские методы становятся все более популярным способом решения проблемы чрезмерной параметризации . По мере увеличения отношения переменных к наблюдениям роль априорных вероятностей становится все более важной. [1]
Общая идея состоит в том, чтобы использовать информативные априорные данные, чтобы сузить неограниченную модель до экономного и наивного эталонного показателя, тем самым уменьшая неопределенность параметров и повышая точность прогноза. [2]
Типичным примером является априорная усадка , предложенная Робертом Литтерманом (1979). [3] [4] и впоследствии разработанный другими исследователями из Университета Миннесоты , [5] [6] (т.е. Sims C, 1989), который известен в литературе BVAR как «приор Миннесоты». Информативность априора можно задать, рассматривая его как дополнительный параметр, основанный на иерархической интерпретации модели. [7]
В частности, априор Миннесоты предполагает, что каждая переменная следует процессу случайного блуждания, возможно, с дрейфом, и, следовательно, состоит из нормального априорного значения для набора параметров с фиксированной и известной ковариационной матрицей, которая будет оцениваться с помощью одного из трех методов: AR, диагональная VAR или полная VAR.
Модель этого типа можно оценить с помощью Eviews , Stata , Python. [8] или Р [9] Статистические пакеты.
Недавние исследования показали, что авторегрессия байесовского вектора является подходящим инструментом для моделирования больших наборов данных. [10]
См. также
[ редактировать ]- Байесовская эконометрика
- Динамическое стохастическое общее равновесие
- Макроэкономическое моделирование
Ссылки
[ редактировать ]- ^ Куп, Г.; Коробилис, Д. (2010). «Байесовские многомерные методы временных рядов для эмпирической макроэкономики» (PDF) . Основы и тенденции в эконометрике . 3 (4): 267–358. CiteSeerX 10.1.1.164.7962 . дои : 10.1561/0800000013 . ССНН 1514412 .
- ^ Карлссон, Суне (2012). Прогнозирование с помощью байесовской векторной авторегрессии . Том. 2 Б. стр. 791–897. дои : 10.1016/B978-0-444-62731-5.00015-4 . ISBN 9780444627315 .
{{cite book}}:|journal=игнорируется ( помогите ) - ^ Литтерман, Р. (1979). «Методы прогнозирования с использованием векторной авторегрессии». Рабочий документ Федерального резервного банка Миннеаполиса . 115 : PDF .
- ^ Литтерман, Р. (1984). «Определение VAR для макроэкономического прогнозирования». Отчет сотрудников Федерального резервного банка Миннеаполиса . 92 .
- ^ Доан, Т.; Литтерман, Р.; Симс, К. (1984). «Прогнозирование и условное прогнозирование с использованием реалистичных априорных распределений» (PDF) . Эконометрические обзоры . 3 :1–100. дои : 10.1080/07474938408800053 .
- ^ Симс, К. (1989). «Модель вероятностного макроэкономического прогнозирования с девятью переменными». Документ для обсуждения Федерального резервного банка Миннеаполиса . 14 : PDF .
- ^ Джанноне, Доменико; Ленца, Мишель; Примичери, Джорджио (2014). «Предварительный выбор для векторной авторегрессии» . Обзор экономики и статистики . 97 (2): 436–451. CiteSeerX 10.1.1.375.7244 . дои : 10.1162/rest_a_00483 .
- ^ joergrieger/pybvar 2019: «pybvar» — это пакет для авторегрессии байесовского вектора в Python. Этот пакет похож на bvars.
- ^ Кушниг Н; Вашольд Л. БВАР: Байесовская векторная авторегрессия с иерархическим априорным выбором в R
- ^ Банбура, Т.; Джанноне, Р.; Райхлин, Л. (2010). «Большие байесовские векторные авторегрессии». Журнал прикладной эконометрики . 25 (1): 71–92. дои : 10.1002/jae.1137 .
Дальнейшее чтение
[ редактировать ]- Баувенс, Люк; Лубрано, Мишель; Ричард, Жан-Франсуа (1999). «Системы уравнений». Байесовский вывод в динамических эконометрических моделях . Нью-Йорк: Издательство Оксфордского университета. стр. 265–288. ISBN 0-19-877313-7 .
- Люткеполь, Хельмут (2007). Новое введение в анализ множественных временных рядов . Берлин: Шпрингер. стр. 222–229. ISBN 978-3-540-26239-8 .
 | Эта эконометрике, статья, посвященная незавершена . Вы можете помочь Википедии, расширив ее . |