การถดถอยอัตโนมัติเวกเตอร์แบบเบย์เซียน
ในทางสถิติและเศรษฐศาสตร์เชิงปริมาณการถดถอยอัตโนมัติแบบเวกเตอร์แบบเบย์เซียน (BVAR)ใช้ระเบียบวิธีแบบเบย์เซียน ในการประมาณค่าแบบจำลอง การถดถอยอัตโนมัติแบบเวกเตอร์ (VAR) BVAR แตกต่างจากแบบจำลอง VAR มาตรฐานตรงที่พารามิเตอร์ของแบบจำลองถูกมองว่าเป็นตัวแปรสุ่มที่มีความน่าจะเป็นล่วงหน้าแทนที่จะเป็นค่าคงที่
แบบจำลองเวกเตอร์อัตถารีเกรสชันเป็นแบบจำลองทางสถิติที่มีความยืดหยุ่นซึ่งโดยทั่วไปจะมีพารามิเตอร์อิสระจำนวนมาก เนื่องจากความยาวของชุดข้อมูลเศรษฐศาสตร์ มหภาคมาตรฐานมีจำกัด เมื่อเทียบกับจำนวนพารามิเตอร์ที่มีอยู่มากมาย วิธีการแบบเบย์เซียนจึงกลายเป็นวิธีที่ได้รับความนิยมมากขึ้นในการจัดการกับปัญหาการมีพารามิเตอร์มากเกินไปเมื่ออัตราส่วนของตัวแปรต่อการสังเกตเพิ่มขึ้น บทบาทของความน่าจะเป็นก่อนหน้าจึงมีความสำคัญมากขึ้น[ 1 ]
แนวคิดทั่วไปคือการใช้ข้อมูลเบื้องต้นเพื่อลดขนาดโมเดลที่ไม่จำกัดให้เหลือเพียงเกณฑ์มาตรฐานที่เรียบง่ายและกระชับ ซึ่งจะช่วยลดความไม่แน่นอนของพารามิเตอร์และปรับปรุงความแม่นยำในการพยากรณ์[ 2 ]
ตัวอย่างทั่วไปคือ prior แบบหดตัวซึ่งเสนอโดยRobert Litterman (1979) [ 3 ] [ 4 ]และต่อมาได้รับการพัฒนาโดยนักวิจัยคนอื่นๆ ที่มหาวิทยาลัยมินนิโซตา [ 5 ] [ 6 ] (เช่น Sims C, 1989) ซึ่งเป็นที่รู้จักในวรรณกรรม BVAR ใน ชื่อ "Minnesota prior" ความสามารถในการให้ข้อมูลของ prior สามารถกำหนดได้โดยการถือว่าเป็นพารามิเตอร์เพิ่มเติมโดยอิงจากการตีความแบบลำดับชั้นของแบบจำลอง[ 7 ]
โดยเฉพาะอย่างยิ่ง สมมติฐานเบื้องต้นของมินนิโซตาถือว่าตัวแปรแต่ละตัวเป็นไปตาม กระบวนการ เดินสุ่ม (random walk process) ซึ่งอาจมีการเปลี่ยนแปลงเล็กน้อย (drift) ดังนั้นจึงประกอบด้วยสมมติฐานเบื้องต้นแบบปกติ (normal prior) บนชุดพารามิเตอร์ที่มีเมทริกซ์ความแปรปรวน ร่วมคงที่และทราบค่า ซึ่งจะถูกประมาณค่าด้วยหนึ่งในสามเทคนิค ได้แก่ AR แบบตัวแปรเดียว (univariate AR), VAR แบบแนวทแยง (diagonal VAR) หรือ VAR แบบเต็มรูปแบบ (full VAR)
โมเดลประเภทนี้สามารถประมาณค่าได้ด้วยEviews , Stata , Python [ 8 ]หรือR [ 9 ]
งานวิจัยล่าสุดแสดงให้เห็นว่า Bayesian vector autoregression เป็นเครื่องมือที่เหมาะสมสำหรับการสร้างแบบจำลองชุดข้อมูลขนาดใหญ่[ 10 ]
VAR ที่เสริมด้วยปัจจัย (FAVAR)
Factor-augmented vector autoregression (FAVAR) ขยายกรอบงาน BVAR โดยการรวมปัจจัยแฝงที่รวบรวมข้อมูลเพิ่มเติมจากชุดตัวชี้วัดเศรษฐกิจมหภาคจำนวนมาก แนวทางนี้พัฒนาโดย Bernanke, Boivin และ Eliasz (2005) ผสมผสานข้อดีของแบบจำลองปัจจัยกับการวิเคราะห์ VAR ทำให้ผู้วิจัยสามารถวิเคราะห์ผลกระทบของนโยบายการเงินโดยใช้ชุดข้อมูลที่หลากหลายมากขึ้น ในขณะที่ยังคงรักษาโครงสร้างแบบจำลองที่กระชับ การประมาณค่าแบบเบย์เซียนของแบบจำลอง FAVAR ช่วยจัดการกับความไม่แน่นอนทั้งในปัจจัยแฝงและพารามิเตอร์ของแบบจำลอง ทำให้ได้ข้อสรุปที่แข็งแกร่งยิ่งขึ้น[ 11 ]
พารามิเตอร์ FAVAR ที่เปลี่ยนแปลงตามเวลา (TVP-FAVAR) ขยายกรอบการทำงานนี้เพิ่มเติมโดยอนุญาตให้พารามิเตอร์ของแบบจำลองพัฒนาไปตามเวลา ซึ่งจับภาพการเปลี่ยนแปลงโครงสร้างที่อาจเกิดขึ้นในเศรษฐกิจ แนวทางนี้มีประโยชน์อย่างยิ่งสำหรับการวิเคราะห์ลักษณะที่เปลี่ยนแปลงตามเวลาของกลไกการส่งผ่านนโยบายการเงินและความสัมพันธ์ทางเศรษฐกิจมหภาค การรวมกันของพารามิเตอร์ที่เปลี่ยนแปลงตามเวลากับการเพิ่มปัจจัยทำให้เกิดกรอบการทำงานที่ยืดหยุ่นซึ่งสามารถจับภาพการเปลี่ยนแปลงทั้งในแนวขวางและตามเวลาในข้อมูล ในขณะที่วิธีการแบบเบย์เซียนช่วยจัดการความซับซ้อนของพารามิเตอร์ที่เพิ่มขึ้น[ 12 ]
แบบจำลอง TVP-FAVAR ได้ถูกนำมาประยุกต์ใช้อย่างกว้างขวางในเศรษฐศาสตร์มหภาคเชิง ประจักษ์ และการวิเคราะห์นโยบายการเงิน Korobilis (2013) ใช้แนวทางนี้ในการตรวจสอบวิวัฒนาการของกลไกการส่งผ่านนโยบายการเงินในสหรัฐอเมริกา โดยพบว่ามีการเปลี่ยนแปลงอย่างมีนัยสำคัญในผลกระทบของนโยบายการเงินเมื่อเวลาผ่านไป[ 13 ] Liu et al. (2017) ใช้ TVP-FAVAR เพื่อตรวจสอบผลกระทบที่เปลี่ยนแปลงตามเวลาของการเปลี่ยนแปลงราคาน้ำมันต่อตัวแปรมหภาคทางการเงิน[ 14 ]เมื่อไม่นานมานี้ Chen และ Valcarcel (2021) ได้ใช้กรอบการทำงานนี้ในการวิเคราะห์การส่งผ่านนโยบายการเงินในตลาดเงิน โดยให้ข้อมูลเชิงลึกใหม่เกี่ยวกับประสิทธิภาพของเครื่องมือนโยบายการเงิน[ 15 ] Del Negro และ Otrok (2008) ได้ประยุกต์ใช้วิธีนี้ในการศึกษาวัฏจักรธุรกิจระหว่างประเทศ โดยแสดงให้เห็นถึงประโยชน์ในการทำความเข้าใจพลวัตทางเศรษฐกิจโลก[ 16 ]
ดูเพิ่มเติม
อ่านเพิ่มเติม
- Bauwens, Luc; Lubrano, Michel; Richard, Jean-François ( 1999). "ระบบสมการ" การอนุมานแบบเบย์เซียนในแบบจำลองทางเศรษฐศาสตร์เชิงพลวัต นิวยอร์ก: สำนักพิมพ์มหาวิทยาลัยออกซ์ฟอร์ด หน้า265–288 ISBN 0-19-877313-7.
- Lütkepohl, Helmut (2007). บทนำใหม่เกี่ยวกับการวิเคราะห์อนุกรมเวลาหลายชุด . เบอร์ลิน: Springer. หน้า222–229 . ISBN 978-3-540-26239-8.
 | บทความเกี่ยวกับเศรษฐศาสตร์เชิงปริมาณนี้ เป็น บทความย่อคุณสามารถช่วยวิกิพีเดียได้โดยการเพิ่มข้อมูลที่ขาดหายไป |