Hispanopedia WikiEn estadística y econometría , la autorregresión vectorial bayesiana (BVAR) utiliza métodos bayesianos para estimar un modelo de autorregresión vectorial (VAR). La BVAR se diferencia de los modelos VAR estándar en que los parámetros del modelo se tratan como variables aleatorias , con probabilidades previas , en lugar de valores fijos.
Las autorregresiones vectoriales son modelos estadísticos flexibles que suelen incluir muchos parámetros libres. Dada la longitud limitada de los conjuntos de datos macroeconómicos estándar en relación con la gran cantidad de parámetros disponibles, los métodos bayesianos se han convertido en una forma cada vez más popular de abordar el problema de la sobreparametrización . A medida que aumenta la relación entre variables y observaciones, el papel de las probabilidades previas se vuelve cada vez más importante. [1]
La idea general es utilizar valores previos informativos para reducir el modelo sin restricciones hacia un parámetro de referencia ingenuo y parsimonioso, reduciendo así la incertidumbre de los parámetros y mejorando la precisión del pronóstico. [2]
Un ejemplo típico es el prior de contracción , propuesto por Robert Litterman (1979) [3] [4] y desarrollado posteriormente por otros investigadores de la Universidad de Minnesota , [5] [6] (es decir, Sims C, 1989), que se conoce en la literatura de BVAR como el "prior de Minnesota". La informatividad del prior se puede establecer tratándolo como un parámetro adicional basado en una interpretación jerárquica del modelo. [7]
En particular, el prior de Minnesota supone que cada variable sigue un proceso de caminata aleatoria, posiblemente con deriva, y por lo tanto consiste en un prior normal sobre un conjunto de parámetros con matriz de covarianza fija y conocida, que se estimará con una de tres técnicas: AR univariado, VAR diagonal o VAR completo.
Este tipo de modelo se puede estimar con los paquetes estadísticos Eviews , Stata , Python [8] o R [9] .
Investigaciones recientes han demostrado que la autorregresión vectorial bayesiana es una herramienta adecuada para modelar grandes conjuntos de datos. [10]
Véase también
Referencias
- ^ Koop, G.; Korobilis, D. (2010). "Métodos bayesianos de series temporales multivariadas para la macroeconomía empírica" (PDF) . Fundamentos y tendencias en econometría . 3 (4): 267–358. CiteSeerX 10.1.1.164.7962 . doi :10.1561/0800000013. SSRN 1514412.
- ^ Karlsson, Sune (2012). Pronóstico con autorregresión vectorial bayesiana. Vol. 2 B. págs. 791–897. doi :10.1016/B978-0-444-62731-5.00015-4. ISBN 9780444627315.
{{cite book}}:|journal=ignorado ( ayuda ) - ^ Litterman, R. (1979). "Técnicas de previsión mediante autorregresiones vectoriales". Documento de trabajo del Banco de la Reserva Federal de Minneapolis . 115 : pdf.
- ^ Litterman, R. (1984). "Especificación de VAR para la previsión macroeconómica". Informe del personal del Banco de la Reserva Federal de Minneapolis . 92 .
- ^ Doan, T.; Litterman, R.; Sims, C. (1984). "Predicción y proyección condicional utilizando distribuciones previas realistas" (PDF) . Econometric Reviews . 3 : 1–100. doi :10.1080/07474938408800053.
- ^ Sims, C. (1989). "Un modelo de pronóstico macroeconómico probabilístico de nueve variables". Documento de debate del Banco de la Reserva Federal de Minneapolis . 14 : pdf.
- ^ Giannone, Domenico; Lenza, Michele; Primiceri, Giorgio (2014). "Selección previa para autorregresiones vectoriales". Revista de Economía y Estadística . 97 (2): 436–451. CiteSeerX 10.1.1.375.7244 . doi : 10.1162/rest_a_00483.
- ^ joergrieger/pybvar 2019: 'pybvar' es un paquete para la autorregresión vectorial bayesiana en Python. Este paquete es similar a bvars.
- ^ Kuschnig N; Vashold L. BVAR: Autorregresiones vectoriales bayesianas con selección previa jerárquica en R
- ^ Banbura, T.; Giannone, R.; Reichlin, L. (2010). "Grandes regresiones vectoriales bayesianas". Journal of Applied Econometrics . 25 (1): 71–92. doi :10.1002/jae.1137.
Lectura adicional
- Bauwens, Luc; Lubrano, Michel; Richard, Jean-François (1999). "Sistemas de ecuaciones". Inferencia bayesiana en modelos econométricos dinámicos . Nueva York: Oxford University Press. pp. 265–288. ISBN 0-19-877313-7.
- Lütkepohl, Helmut (2007). Nueva introducción al análisis de series temporales múltiples. Berlín: Springer. pp. 222–229. ISBN 978-3-540-26239-8.