Bayesowski model EGARCH
Bayesowski model EGARCH łączy specyfikację Exponential GARCH Nelsona (1991) — która modeluje logarytm wariancji warunkowej i wychwytuje efekt dźwigni — z bayesowską inferencją a posteriori za pomocą metody łańcuchów Markowa (MCMC). Pozwala to na pełną kwantyfikację niepewności wszystkich parametrów zmienności, w tym współczynnika asymetrii, bez konieczności zakładania normalności oszacowań dla dużych prób.
Przeczytaj pełny opis metody
Zaloguj się na bezpłatne konto, aby przeczytać tę sekcję.
Method map
The neighbourhood of related methods — select a node to explore.
Źródła
- 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 ↗
Jak cytować tę stronę
ScholarGate. (2026, June 3). Bayesian Exponential Generalized Autoregressive Conditional Heteroscedasticity Model. ScholarGate. https://scholargate.app/pl/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 (Autoregresywna Heteroskedastyczność Warunkowa)Ekonometria↔ compare
- Bayesian Dynamic Conditional Correlation GARCH (Bayesian DCC-GARCH)Ekonometria↔ compare
- Model bayesowski GARCHEkonometria↔ compare
- Bayesian TGARCH (Bayesowska estymacja modelu TGARCH)Ekonometria↔ compare
- Model Bayesowski VAR (BVAR)Ekonometria↔ compare
- Model EGARCH (Exponential GARCH)Ekonometria↔ compare
Cytowana przez
Widzisz błąd na tej stronie? Zgłoś go lub zaproponuj poprawkę →