Model EGARCH Bayesian
Model EGARCH Bayesian mengombinasikan spesifikasi Exponential GARCH Nelson (1991) — yang memodelkan logaritma varians kondisional dan menangkap efek ungkit — dengan inferensi posterior Bayesian melalui Markov Chain Monte Carlo (MCMC). Hal ini memungkinkan kuantifikasi ketidakpastian penuh dari semua parameter volatilitas, termasuk koefisien asimetri, tanpa memerlukan normalitas sampel besar dari estimasi.
Baca metode selengkapnya
Masuk dengan akun gratis untuk membaca bagian ini.
Method map
The neighbourhood of related methods — select a node to explore.
Sumber
- Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econometrica, 59(2), 347–370. DOI: 10.2307/2938260 ↗
- Nakatsuma, T. (2000). Bayesian analysis of ARMA-GARCH models: A Markov chain sampling approach. Journal of Econometrics, 95(1), 57–69. DOI: 10.1016/S0304-4076(99)00029-9 ↗
Cara menyitasi halaman ini
ScholarGate. (2026, June 3). Bayesian Exponential Generalized Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/id/econometrics/bayesian-egarch
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Model ARCH (Autoregressive Conditional Heteroskedasticity)Ekonometrika↔ compare
- Bayesian DCC-GARCHEkonometrika↔ compare
- Model GARCH BayesianEkonometrika↔ compare
- TGARCH Bayesian (Threshold GARCH dengan Estimasi Bayesian)Ekonometrika↔ compare
- Model Vektor Autoregresi Bayesian (BVAR)Ekonometrika↔ compare
- Model EGARCH (Exponential GARCH)Ekonometrika↔ compare
Dirujuk oleh
Menemukan masalah di halaman ini? Laporkan atau usulkan perbaikan →