Bayesçi Otoregresif (AR) Model
Bayesian Autoregressive Model · Ayrıca şöyle bilinir: Bayesian autoregressive model, BAR model, Bayesian AR, Bayesian time-series autoregression
Bayesçi AR modeli, otoregresif bir zaman serisi sürecini, AR yapısından türetilen bir olabilirlik fonksiyonunu gecikme katsayıları ve hata varyansı üzerindeki önsel dağılımlarla birleştirerek tahmin eder. Tek nokta tahminleri üretmek yerine, tam sonsal dağılımlar sağlayarak ilkesel belirsizlik nicelemesi ve olasılıksal tahmin yapılmasına olanak tanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bayesçi AR modelini, tek değişkenli bir zaman seriniz olduğunda ve tam belirsizlik nicelemesi ile tahmin yapmak istediğinizde, örneklem kısa olduğunda (60'tan az gözlem) ve klasik tahminler kararsız olduğunda veya gerçek önsel bilginiz olduğunda — örneğin, mevsimsellikten arındırılmış makro serilerin durağana yakın olma olasılığı yüksek olduğunda — kullanın. Ayrıca, marjinal olabilirlik (Bayes faktörleri) ile modelleri resmi olarak karşılaştırmak istediğinizde de uygundur. Serinin açıkça çok değişkenli olduğu ve değişkenler arası yayılmaların önemli olduğu durumlarda (bunun yerine Bayesçi VAR kullanın), gecikme yapısının güçlü bir şekilde doğrusal olmadığı durumlarda veya hesaplama kaynaklarının çok kısıtlı olduğu ve basit bir klasik AR'nin yeterli olduğu durumlarda kaçının.
Güçlü yönler & sınırlılıklar
- Parametreler üzerinde tam sonsal dağılımlar sağlayarak, asimptotik güven aralıkları yerine dürüst güvenilirlik aralıkları sunar.
- Bilgilendirici önsel dağılımlardan güç alarak küçük örneklemlerde iyi performans gösterir; bu durum, kararsız tahminler üretebilen klasik En Çok Olabilirlik Tahmini'nden (MLE) farklıdır.
- Parametre belirsizliğini tahminlere yayarak kalibre edilmiş öngörü aralıkları üretir.
- Marjinal olabilirlik ve Bayes faktörleri aracılığıyla resmi model karşılaştırmasına olanak tanır.
- Önsel dağılımlar, katsayıları durağanlığa doğru düzenleyebilir, patlayıcı AR tahminlerini hafifletebilir.
- Sonsal çerçeve içinde eksik gözlemleri doğal olarak barındırır.
- MCMC aracılığıyla sonsal çıkarım, kapalı formlu En Küçük Kareler Yöntemi'nden (OLS) özellikle uzun seriler veya yüksek gecikme dereceleri için hesaplama açısından daha zahmetlidir.
- Sonuçlar önsel spesifikasyonuna bağlıdır; kötü seçilmiş önsel dağılımlar, sınırlı veriyle sonsalı domine edebilir.
- MCMC yakınsamasını değerlendirmek ek teşhisler (iz grafikleri, R-hat, etkin örneklem büyüklüğü) gerektirir.
- Değişkenler arası dinamikleri yakalamaz; seriler sistemleri için çok değişkenli bir uzantı (Bayesçi VAR) gereklidir.
- Gecikme derecesi p için model seçimi, klasik AIC/BIC kriterlerinden daha karmaşıktır.
SSS
Bayesçi AR modeli klasik AR'den nasıl farklıdır?
Klasik AR, katsayıları olabilirlik fonksiyonunu (OLS veya MLE) maksimize ederek tahmin eder ve asimptotik standart hatalarla nokta tahminleri üretir. Bayesçi AR, parametreleri rastgele değişkenler olarak ele alır, olabilirlik fonksiyonunu bir önsel ile birleştirir ve tam bir sonsal dağılım üretir. Bu, küçük örneklemlerde geçerli olan güvenilirlik aralıkları ve parametre belirsizliğini hesaba katan tahminler sağlar.
Minnesota önseli nedir ve ne zaman kullanmalıyım?
Minnesota önseli, her AR gecikme katsayısının ortalamasını sıfıra (veya ilk öz-gecikme için bire) ayarlar ve varyans gecikme arttıkça küçülür. Bu, daha uzak gecikmelerin daha az önemli olduğuna dair inancı kodlar. Özellikle parametre sayısının örnekleme göre büyük olduğu durumlarda, makroekonomik AR ve VAR modelleri için pratik bir varsayılandır.
Bayesçi AR modeli için MCMC'ye ihtiyacım var mı?
Her zaman değil. Normal-Ters-Gamma eşlenik önseli ile sonsal analitik olarak elde edilebilir ve örnekleme hızlıdır. MCMC (Gibbs veya HMC), önsel dağılımlar eşlenik olmadığında — örneğin, durağanlığı kesin olarak uygulayan önsel dağılımlar — veya model hiyerarşik olduğunda gereklidir.
Bayesçi AR modelinde gecikme derecesi p'yi nasıl seçerim?
Sonsal üzerinde hesaplanan Bayesçi bilgi kriterlerini kullanabilir, modelleri marjinal olabilirlik (Bayes faktörü) ile karşılaştırabilir veya p üzerine doğrudan bir önsel yerleştirip Bayesçi model ortalaması yapabilirsiniz. Pratikte, marjinal olabilirlik karşılaştırması en ilkesel yaklaşımdır.
Bayesçi AR modeli durağan olmayan serileri ele alabilir mi?
Standart bir Bayesçi AR durağanlık varsayar. Durağan olmayan seriler için veriyi önce farkını almalısınız (birim kök testi ile kontrol ederek) veya birim kök önseli olan ve entegreye yakın davranışı açıkça izin veren bir Bayesçi AR modeli kullanmalısınız. Birim çember yakınındaki önsel seçimi küçük örneklemler için önemli ölçüde fark yaratır.
Kaynaklar
- Zellner, A. (1971). An Introduction to Bayesian Inference in Econometrics. Wiley. ISBN: 978-0471169376
- West, M., & Harrison, J. (1997). Bayesian Forecasting and Dynamic Models (2nd ed.). Springer. ISBN: 978-0387947259
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Autoregressive Model. ScholarGate. https://scholargate.app/tr/econometrics/bayesian-ar-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARMA Modeli (Otokoregresif Hareketli Ortalama)Ekonometri↔ karşılaştır
- Otokorelatif Model (AR)Ekonometri↔ karşılaştır
- Bayesçi ARIMA ModeliEkonometri↔ karşılaştır
- Bayes ARMA ModeliEkonometri↔ karşılaştır
- Bayesçi VAR Modeli (BVAR)Ekonometri↔ karşılaştır
- Vektör Otoregresyon (VAR)Ekonometri↔ karşılaştır