概要:向量自重返(VAR)模型的一般缺点是,估算系数的数量与迟缓的数量成比例地减少。因此,随着迟缓次数的减少,每个参数能用的信息较较少。

在贝叶斯VAR文献中,减低这种所谓的维数恶魔的一种方法是随机搜索变量自由选择(SSVS),由George等人明确提出(2008)。一讲解SSVS的基本思想是将一般来说用于的先验方差分配给不应包括在模型中的参数,将不涉及参数的先验方差相似零。这样,一般来说就可以估计出有涉及参数,并且牵涉到变量的后验值相接近于零,因此它们对预测和冲激响应没贞着影响。这是通过在模型之前加到层次结构来构建的,其中在取样算法的每个步骤中评估变量的相关性。

这篇文章讲解了用于SSVS估算贝叶斯向量自重返(BVAR)模型。它用于Lütkepohl(2007)的数据集E1,其中包括有关1960Q1至1982Q4十亿德国马克的西德相同投资,农村居民收益和消费开支的数据。读取数据并分解数据:library(bvartools)#install．packages(bvartools)#Loadandtransformdatadata(e1)e1-diff(log(e1))#GenerateVARdata-gen_var(e1,p=4,deterministic=const)#Getdatamatricesy-data$Y[,1:71]x-data$Z[,1:71]二估计值根据George等人所述的半自动方法来设置参数的先验方差(2008)。

对于所有变量,先验包括概率设置为0．5。误差方差-协方差矩阵的先验信息严重不足。

本文来源：多彩网-www.mindprobelabs.com