Bayes Hareketli Ortalama (HO) Modeli
Bayesian Moving Average Model · Ayrıca şöyle bilinir: Bayesian MA, Bayesian moving average, BMA time series, MA model with Bayesian estimation
Bayes HO modeli, HO zaman serisi modelini tam bir Bayes çerçevesinde tahmin eder; HO parametrelerine ve hata varyansına önsel dağılımlar yerleştirir ve bunları Bayes teoremi aracılığıyla günceller. Bu yaklaşım, model parametreleri üzerinde tam sonsal dağılımlar üretir ve tutarlı belirsizlik nicelemesi ile olasılıksal tahminler yapar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tek değişkenli bir zaman serisine sahip olduğunuzda, otokorelasyon yapısı hızla azaldığında (AR yerine HO'yu düşündüren) ve önsel bilgiyi dahil etmek istediğinizde veya tahminlerde titiz belirsizlik nicelemesine ihtiyaç duyduğunuzda Bayes HO modelini kullanın. Özellikle klasik maksimum olabilirlik tahmininin güvenilmez olduğu kısa serilerde veya Bayes faktörleri aracılığıyla rakip HO derecelerini karşılaştırırken değerlidir. Serinin durağan olmadığı veya kalıcı otokorelasyon gösterdiği durumlarda ARMA veya ARIMA modelinin yerine kullanmayın — bu durumlarda AR bileşeni gereklidir. MCMC uzun seriler için yavaş olabileceğinden, hesaplama süresinin ciddi şekilde kısıtlı olduğu durumlarda bundan kaçının.
Güçlü yönler & sınırlılıklar
- Tam sonsal dağılımlar üretir, parametreler ve tahminler için dürüst ve tutarlı belirsizlik aralıkları sağlar.
- Ekonomik teori veya önceki çalışmalardan gelen bilgilendirici önsel inançları dahil edebilir, veri sınırlı olduğunda tahmini iyileştirir.
- Bayes model karşılaştırması (Bayes faktörleri, DIC, WAIC) prensipli HO derecesi seçimi sağlar.
- Maksimum olabilirlik yönteminden daha güvenilir bir şekilde kısa zaman serilerini işler, bu yöntem HO modelleri için yakınsamada başarısız olabilir.
- Sonsal tahmin edici dağılımlar aracılığıyla parametre belirsizliğini çok adımlı tahminlere doğal olarak yayar.
- MCMC tahmini hesaplama açısından yoğundur ve uzun seriler veya yüksek HO dereceleri için yavaş olabilir.
- Sonsal sonuçlar önsel seçime bağlıdır; kötü belirlenmiş önsel dağılımlar, özellikle küçük örneklemlerde, çıkarımı bozabilir.
- HO olabilirlik fonksiyonu, gözlemlenmeyen hata terimleri nedeniyle değerlendirilmesi önemsizdir, dikkatli başlatma veya durum-uzay temsili gerektirir.
- HO polinomunun tersinirliği zorlanmalı veya kontrol edilmelidir, bu da örnekleyici tasarımına karmaşıklık katar.
SSS
Bayes HO, klasik (sıkılaştırmacı) HO tahmininden nasıl farklıdır?
Klasik tahmin, nokta tahminleri ve asimptotik standart hataları elde etmek için olabilirlik fonksiyonunu maksimize eder. Bayes tahmini, parametreleri rassal değişkenler olarak ele alır ve Bayes teoremini kullanarak tam bir sonsal dağılım üretir, parametreler ve tahminler hakkında olasılıksal ifadeler sağlar ve önsel bilginin dahil edilmesine izin verir.
Bayes çerçevesinde HO derecesi q'yu nasıl seçerim?
Aday dereceler için Sapma Bilgi Kriterini (DIC) veya Yaygın Uygulanabilir Bilgi Kriterini (WAIC) hesaplayın ve en düşük değere sahip olanı seçin veya modelleri resmi olarak karşılaştırmak için Bayes faktörlerini kullanın. Sonsal tahmin edici kontroller de yanlış belirlenmiş dereceleri tespit etmeye yardımcı olur.
HO katsayıları için hangi önsel dağılımı kullanmalıyım?
Orta varyanslı sıfır merkezli normal önsel dağılımlar yaygın bir varsayılan değerdir, örtük olarak beyaz gürültü modeline doğru bir miktar küçülmeyi kodlar. Ekonomik teori güçlü şok kalıcılığı öneriyorsa, önsel ortalamayı buna göre kaydırın. Her zaman bir dizi alternatif önsel dağılım ile önsel seçime duyarlılığı kontrol edin.
Bayes HO modelini durağan olmayan seriler için kullanabilir miyim?
Standart HO modeli durağanlığı varsayar. Durağan olmayan bir seri için, durağan hale gelene kadar veriyi fark alın (ARIMA'daki gibi) ve ardından Bayes HO'yu fark alınmış seriye uygulayın, bu da onu etkili bir şekilde bir Bayes ARIMA çerçevesine yerleştirir.
MCMC zincirini ne kadar süre çalıştırmalıyım?
Evrensel bir kural yoktur, ancak yaygın uygulama, çekimlerin ilk %10-50'sini ısınma olarak atmak ve standart tanılamaların — Gelman-Rubin R-hat 1.01'in altında, parametre başına etkili örneklem boyutu 400'ün üzerinde — karşılandığı yeterince uzun zincirler çalıştırmaktır. Farklı başlangıç değerlerinden başlatılan birden fazla zincir kullanın.
Kaynaklar
- West, M., & Harrison, J. (1997). Bayesian Forecasting and Dynamic Models (2nd ed.). Springer. ISBN: 978-0387947259
- Geweke, J., & Meese, R. (1981). Estimating regression models of finite but unknown order. International Economic Review, 22(1), 55–70. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Moving Average Model. ScholarGate. https://scholargate.app/tr/econometrics/bayesian-ma-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
- Bayesçi Otoregresif (AR) ModelEkonometri↔ karşılaştır
- Bayesçi ARIMA ModeliEkonometri↔ karşılaştır
- Bayes ARMA ModeliEkonometri↔ karşılaştır
- Bayesçi VAR Modeli (BVAR)Ekonometri↔ karşılaştır
- Hareketli Ortalama (MA) ModeliEkonometri↔ karşılaştır