Bayes ARMA Modeli
Bayesian Autoregressive Moving Average Model · Ayrıca şöyle bilinir: Bayesian ARMA, B-ARMA, Bayesian autoregressive moving average, ARMA with Bayesian inference
Bayes ARMA modeli, durağan tek değişkenli zaman serileri için klasik otoregresif hareketli ortalama çerçevesine Bayes çıkarımını uygular. AR ve MA parametreleri için tekil nokta tahminleri üretmek yerine, tam sonsal dağılımlar verir, önsel bilgiyi doğal olarak dahil eder ve tahminler ile dürtüsel tepkiler üzerinde tutarlı belirsizlik ölçümü sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Durağan tek değişkenli bir zaman seriniz olduğunda ve nokta tahminlerinin ötesinde dürüst belirsizlik ölçümü gerektiğinde, örneklem küçük olduğunda ve ekonomik olarak motive edilmiş önsel bilgileri kodlayabildiğinizde veya parametre belirsizliğini tahminlere ve senaryo analizine aktarmak istediğinizde Bayes ARMA'yı kullanın. Ayrıca Bayes faktörleri aracılığıyla rekabet eden ARMA derecelerini karşılaştırırken de değerlidir. Durağanlığı önceden test etmenin yerine kullanmayın: seride birim kök varsa, Bayes ARIMA veya Bayes VECM uygundur. Çok sayıda serinin olduğu büyük veri kümeleri için MCMC'nin hesaplama maliyeti klasik ARMA veya Bayes VAR'ı tercih edebilir.
Güçlü yönler & sınırlılıklar
- Tüm parametreler için tam sonsal dağılımlar sağlar, asimptotik güven aralıkları yerine güvenilir aralıklar verir.
- Parametre belirsizliğini çok adımlı tahminlere doğal olarak aktarır, dürüst olasılıksal tahmin bantları üretir.
- Önsel ekonomik bilginin (örneğin, AR katsayıları üzerindeki durağanlığı teşvik eden önsel bilgiler) dahil edilmesine izin verir.
- Küçük örneklemleri klasik MLE'den daha iyi ele alır, tahminleri önsel bilgilerle düzenleyerek.
- Marjinal olabilirlik veya WAIC aracılığıyla farklı ARMA dereceleri arasında resmi Bayes model karşılaştırmasını kolaylaştırır.
- Hesaplama açısından yoğundur: MCMC örneklemesi uzun seriler veya yüksek dereceli modeller için yavaş olabilir.
- Sonsal çıkarım, önsel seçimine duyarlıdır, özellikle önselin baskın olduğu küçük örneklemlerde.
- Durağanlık gerektirir; birim kök serisine Bayes ARMA uygulamak yanıltıcı sonuçlar verir.
- Bayes çerçevesi içinde derece seçimi (model ortalaması veya ters-göç MCMC) klasik bilgi kriteri seçimine kıyasla karmaşıklık katar.
SSS
Bayes ARMA modeli klasik ARMA modelinden nasıl farklıdır?
Klasik ARMA, nokta tahminlerini elde etmek için en büyük olabilirlik yöntemini kullanır; Bayes ARMA, parametrelere önsel bilgiler yerleştirir ve tam sonsal dağılımlar üretmek için verilerle günceller. Bu, yalnızca örnekleme değişkenliği değil, parametre belirsizliğini de hesaba katan güvenilir aralıklar ve olasılıksal tahminler verir.
AR ve MA katsayıları için hangi önsel bilgiler seçilmelidir?
Yaygın bir seçim, sıfıra merkezlenmiş bağımsız Normal(0, σ_prior²) önsel bilgileridir; bu, katsayıları sıfıra doğru küçültür ve örtük olarak parsimoniyi destekler. AR parametreleri için önsel bilgiler durağanlık bölgesine göre kesilebilir. Hata varyansı için ters-gamma önsel bilgileri standarttır.
Bayes ARMA uydurmadan önce seriyi fark etmem gerekir mi?
Evet. Bayes ARMA durağanlığı varsayar. Birim kök testleri durağan olmama durumunu gösteriyorsa, tahmin öncesinde seriyi fark alın (veya fark alma derecesi d'yi içeren bir Bayes ARIMA kullanın).
Bayes çerçevesinde AR derecesi p ve MA derecesi q'yu nasıl seçerim?
Klasik model üzerindeki bilgi kriterlerini başlangıç kılavuzu olarak kullanabilir veya marjinal olabilirliklerle (örneğin, köprü örneklemesiyle hesaplanan) veya WAIC ile aday dereceler arasında resmi Bayes model karşılaştırması yapabilirsiniz. Bayes model ortalaması, derece belirsizliği üzerinden tamamen entegre olur.
Tipik olarak kaç MCMC yinelemesi gereklidir?
Yaygın bir uygulama, 4.000–10.000 ısınma (yakma) yinelemesini, ardından 10.000–50.000 örnekleme yinelemesini içerir; yakınsama her parametre için R-hat < 1.01 ve etkili örneklem boyutu > 400 olarak değerlendirilir.
Kaynaklar
- Geweke, J., & Meese, R. (1981). Estimating regression models of finite but unknown order. International Economic Review, 22(1), 55–70. link ↗
- Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control (5th ed.). Wiley. ISBN: 978-1118675021
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Autoregressive Moving Average Model. ScholarGate. https://scholargate.app/tr/econometrics/bayesian-arma-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARIMA Modeli (Otokorelasyonlu Entegre Hareketli Ortalama)Ekonometri↔ karşılaştır
- ARMA Modeli (Otokoregresif Hareketli Ortalama)Ekonometri↔ karşılaştır
- Bayesçi ARIMA ModeliEkonometri↔ karşılaştır
- Bayesci En Küçük Kareler Regresyonu (Bayesian Ordinary Least Squares Regression)Ekonometri↔ karşılaştır
- Bayesçi VAR Modeli (BVAR)Ekonometri↔ karşılaştır
- Vektör Otoregresyon (VAR)Ekonometri↔ karşılaştır