Neibai's EGARCH modelis
Neibai's EGARCH modelis apvieno Nelsona (1991) eksponenciālā GARCH specifikāciju — kas modelē nosacītās variācijas logaritmu un uztver sviras efektu — ar Neibai'a aizmugurējo inferenci, izmantojot Markova ķēdes Montekarlo (MCMC) metodi. Tas nodrošina pilnīgu visu svārstīguma parametru, ieskaitot asimetrijas koeficientu, nenoteiktības kvantificēšanu, neprasot lielu paraugu normalitāti aplēsēm.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- 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 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 3). Bayesian Exponential Generalized Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/lv/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.
- Autoregresīvās nosacītās heteroskedastiskuma (ARCH) modelisEkonometrija↔ compare
- Bajesiešu dinamiskā nosacītā korelācijas GARCH (Bayesian DCC-GARCH)Ekonometrija↔ compare
- Beijesiešu GARCH modelisEkonometrija↔ compare
- Neibiešu TGARCH (Threshold GARCH ar Neibiešu novērtēšanu)Ekonometrija↔ compare
- Bayesiešu VAR modelis (BVAR)Ekonometrija↔ compare
- EGARCH modelis (eksponenciālais GARCH)Ekonometrija↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →