精品国产亚洲一区二区三区|亚洲国产精彩中文乱码AV|久久久久亚洲AV综合波多野结衣|漂亮少妇各种调教玩弄在线

<blockquote id="ixlwe"><option id="ixlwe"></option></blockquote>
  • <span id="ixlwe"></span>

  • <abbr id="ixlwe"></abbr>

    隨機(jī)搜索變量選擇SSVS估計(jì)貝葉斯向量自回歸(BVAR)模型

    摘要:向量自回歸(VAR)模型的一般缺點(diǎn)是,估計(jì)系數(shù)的數(shù)量與滯后的數(shù)量成比例地增加。因此,隨著滯后次數(shù)的增加,每個(gè)參數(shù)可用的信息較少。在貝葉斯VAR文獻(xiàn)中,減輕這種所謂的維數(shù)詛咒的一種方法是隨機(jī)搜索變量選擇(SSVS),由George等人提出(2008)。

    介紹

    SSVS的基本思想是將通常使用的先驗(yàn)方差分配給應(yīng)包含在模型中的參數(shù),將不相關(guān)參數(shù)的先驗(yàn)方差接近零。這樣,通常就可以估算出相關(guān)參數(shù),并且無(wú)關(guān)變量的后驗(yàn)值接近于零,因此它們對(duì)預(yù)測(cè)和沖激響應(yīng)沒(méi)有顯著影響。這是通過(guò)在模型之前添加層次結(jié)構(gòu)來(lái)實(shí)現(xiàn)的,其中在采樣算法的每個(gè)步驟中評(píng)估變量的相關(guān)性。

    這篇文章介紹了使用SSVS估計(jì)貝葉斯向量自回歸(BVAR)模型。它使用Lütkepohl(2007)的數(shù)據(jù)集E1,其中包含有關(guān)1960Q1至1982Q4十億德國(guó)馬克的西德固定投資,可支配收入和消費(fèi)支出的數(shù)據(jù)。加載數(shù)據(jù)并生成數(shù)據(jù):

    library(bvartools) # install.packages("bvartools")# Load and transform datadata("e1")e1 <- diff(log(e1))# Generate VARdata <- gen_var(e1, p = 4, deterministic = "const")# Get data matricesy <- data$Y[, 1:71]x <- data$Z[, 1:71]

    估算值

    根據(jù)George等人所述的半自動(dòng)方法來(lái)設(shè)置參數(shù)的先驗(yàn)方差(2008)。對(duì)于所有變量,先驗(yàn)包含概率設(shè)置為0.5。誤差方差-協(xié)方差矩陣的先驗(yàn)信息不足。

    # Reset random number generator for reproducibilityset.seed(1234567)t <- ncol(y) # Number of observationsk <- nrow(y) # Number of endogenous variablesm <- k * nrow(x) # Number of estimated coefficients# Coefficient priorsa_mu_prior <- matrix(0, m) # Vector of prior means# SSVS priors (semiautomatic approach)ols <- tcrossprod(y, x) %*% solve(tcrossprod(x)) # OLS estimatessigma_ols <- tcrossprod(y - ols %*% x) / (t - nrow(x)) # OLS error covariance matrixcov_ols <- kronecker(solve(tcrossprod(x)), sigma_ols)se_ols <- matrix(sqrt(diag(cov_ols))) # OLS standard errorstau0 <- se_ols * 0.1 # Prior if excludedtau1 <- se_ols * 10 # Prior if included# Prior for inclusion parameterprob_prior <- matrix(0.5, m)# Prior for variance-covariance matrixu_sigma_df_prior <- 0 # Prior degrees of freedomu_sigma_scale_prior <- diag(0, k) # Prior covariance matrixu_sigma_df_post <- t + u_sigma_df_prior # Posterior degrees of freedom

    初始參數(shù)值設(shè)置為零,這意味著在Gibbs采樣器的第一步中應(yīng)相對(duì)自由地估算所有參數(shù)。

    可以直接將SSVS添加到VAR模型的標(biāo)準(zhǔn)Gibbs采樣器算法中。在此示例中,常數(shù)項(xiàng)從SSVS中排除,這可以通過(guò)指定來(lái)實(shí)現(xiàn)include = 1:36。

    具有SSVS的Gibbs采樣器的輸出可以用通常的方式進(jìn)一步分析。因此,可以通過(guò)計(jì)算參數(shù)的繪制方式獲得點(diǎn)估計(jì):

    ## invest income cons## invest.1 -0.102 0.011 -0.002## income.1 0.044 -0.031 0.168## cons.1 0.074 0.140 -0.287## invest.2 -0.013 0.002 0.004## income.2 0.015 0.004 0.315## cons.2 0.027 -0.001 0.006## invest.3 0.033 0.000 0.000## income.3 -0.008 0.021 0.013## cons.3 -0.043 0.007 0.019## invest.4 0.250 0.001 -0.005## income.4 -0.064 -0.010 0.025## cons.4 -0.023 0.001 0.000## const 0.014 0.017 0.014

    還可以通過(guò)計(jì)算變量的均值來(lái)獲得每個(gè)變量的后驗(yàn)概率。從下面的輸出中可以看出,在VAR(4)模型中似乎只有幾個(gè)變量是相關(guān)的。常數(shù)項(xiàng)的概率為100%,因?yàn)樗鼈円褟腟SVS中排除。

    ## invest income cons## invest.1 0.43 0.23 0.10## income.1 0.10 0.18 0.67## cons.1 0.11 0.40 0.77## invest.2 0.11 0.09 0.14## income.2 0.08 0.07 0.98## cons.2 0.07 0.06 0.08## invest.3 0.19 0.07 0.06## income.3 0.06 0.13 0.10## cons.3 0.09 0.07 0.12## invest.4 0.78 0.09 0.16## income.4 0.13 0.09 0.18## cons.4 0.09 0.07 0.06## const 1.00 1.00 1.00

    給定這些值,研究人員可以按照常規(guī)方式進(jìn)行操作,并根據(jù)Gibbs采樣器的輸出獲得預(yù)測(cè)和脈沖響應(yīng)。這種方法的優(yōu)勢(shì)在于它不僅考慮了參數(shù)不確定性,而且還考慮了模型不確定性。這可以通過(guò)系數(shù)的直方圖來(lái)說(shuō)明,該直方圖描述了收入的第一個(gè)滯后項(xiàng)與消費(fèi)當(dāng)前值之間的關(guān)系。

    hist(draws_a[6,], main = "Consumption ~ First lag of income", xlab = "Value of posterior draw")

    通過(guò)兩個(gè)峰描述模型不確定性,并通過(guò)右峰在它們周圍的散布來(lái)描述參數(shù)不確定性。

    但是,如果研究人員不希望使用模型,變量的相關(guān)性可能會(huì)從采樣算法的一個(gè)步驟更改為另一個(gè)步驟,那么另一種方法將是僅使用高概率的模型。這可以通過(guò)進(jìn)一步的模擬來(lái)完成,在該模擬中,對(duì)于不相關(guān)的變量使用非常嚴(yán)格的先驗(yàn),而對(duì)于相關(guān)參數(shù)則使用沒(méi)有信息的先驗(yàn)。

    后方抽取的均值類似于Lütkepohl(2007,5.2.10節(jié))中的OLS估計(jì)值:

    ## invest income cons## invest.1 -0.219 0.001 -0.001## income.1 0.000 0.000 0.262## cons.1 0.000 0.238 -0.334## invest.2 0.000 0.000 0.001## income.2 0.000 0.000 0.329## cons.2 0.000 0.000 0.000## invest.3 0.000 0.000 0.000## income.3 0.000 0.000 0.000## cons.3 0.000 0.000 0.000## invest.4 0.328 0.000 -0.001## income.4 0.000 0.000 0.000## cons.4 0.000 0.000 0.000## const 0.015 0.015 0.014

    評(píng)價(jià)

    bvar功能可用于將Gibbs采樣器的相關(guān)輸出收集到標(biāo)準(zhǔn)化對(duì)象中,例如predict獲得預(yù)測(cè)或irf進(jìn)行脈沖響應(yīng)分析。

    bvar_est <- thin(bvar_est, thin = 5)

    預(yù)測(cè)

    可以使用函數(shù)獲得可信區(qū)間的預(yù)測(cè)predict。

    plot(bvar_pred)

    脈沖響應(yīng)分析

    plot(OIR, main = "Orthogonalised Impulse Response", xlab = "Period", ylab = "Response")

    介紹:我們是數(shù)據(jù)挖掘團(tuán)隊(duì),分享結(jié)合實(shí)際業(yè)務(wù)的理論應(yīng)用和心得體會(huì)。歡迎大家關(guān)注我們的微信公眾號(hào),關(guān)注數(shù)據(jù)挖掘精品文章;您也可以在公眾號(hào)中直接發(fā)送想說(shuō)的話,與我們聯(lián)系交流。

    (免責(zé)聲明:本網(wǎng)站內(nèi)容主要來(lái)自原創(chuàng)、合作伙伴供稿和第三方自媒體作者投稿,凡在本網(wǎng)站出現(xiàn)的信息,均僅供參考。本網(wǎng)站將盡力確保所提供信息的準(zhǔn)確性及可靠性,但不保證有關(guān)資料的準(zhǔn)確性及可靠性,讀者在使用前請(qǐng)進(jìn)一步核實(shí),并對(duì)任何自主決定的行為負(fù)責(zé)。本網(wǎng)站對(duì)有關(guān)資料所引致的錯(cuò)誤、不確或遺漏,概不負(fù)任何法律責(zé)任。
    任何單位或個(gè)人認(rèn)為本網(wǎng)站中的網(wǎng)頁(yè)或鏈接內(nèi)容可能涉嫌侵犯其知識(shí)產(chǎn)權(quán)或存在不實(shí)內(nèi)容時(shí),應(yīng)及時(shí)向本網(wǎng)站提出書(shū)面權(quán)利通知或不實(shí)情況說(shuō)明,并提供身份證明、權(quán)屬證明及詳細(xì)侵權(quán)或不實(shí)情況證明。本網(wǎng)站在收到上述法律文件后,將會(huì)依法盡快聯(lián)系相關(guān)文章源頭核實(shí),溝通刪除相關(guān)內(nèi)容或斷開(kāi)相關(guān)鏈接。 )

    贊助商
    2019-12-13
    隨機(jī)搜索變量選擇SSVS估計(jì)貝葉斯向量自回歸(BVAR)模型
    摘要:向量自回歸(VAR)模型的一般缺點(diǎn)是,估計(jì)系數(shù)的數(shù)量與滯后的數(shù)量成比例地增加。因此,隨著滯后次數(shù)的增加,每個(gè)參數(shù)可用的信息較少。

    長(zhǎng)按掃碼 閱讀全文