Bayes Yapısal VAR (B-SVAR) Modeli
Bayesian Structural Vector Autoregression Model · Ayrıca şöyle bilinir: Bayesian SVAR, B-SVAR, Bayesian structural VAR, Bayesian identified VAR
Bayes Yapısal Vektör Otoregresyon modeli, SVAR'ın yapısal tanımlamasını parametreler üzerindeki Bayesci önsel dağılımlarla birleştirir. Yalnızca nokta tahminleri yerine önsel ekonomik bilgiyi dahil eder ve tam sonsal belirsizlik bantları üretirken, birden çok zaman serisi arasındaki nedensel dürtü yanıtlarını tahmin eder.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Bir sistemdeki karşılıklı ilişkili zaman serileri — para politikası, maliye veya arz şokları gibi — arasındaki nedensel şokları belirlemeniz gerektiğinde ve belirsizliği dürüstçe ölçmek istediğinizde Bayesci SVAR kullanın. Özellikle örneklem kısa olduğunda (100 gözlemden az), tanımlama için tam sıfır kısıtlamaları yerine işaret kısıtlamaları kullanıldığında veya önsel ekonomik teorinin parametre belirsizliğini faydalı bir şekilde küçültebildiği durumlarda uygundur. Savunulabilir bir önsel veya tanımlama şeması olmadığında kullanmayın: tanımlanmamış bir SVAR, bilgisiz sonsal bantlar üretir. Ayrıca, sonsal örnekleme pahalı hale geldiği için, güçlü hesaplama kaynakları olmadan çok büyük sistemler (çok sayıda değişken) için bundan kaçının.
Güçlü yönler & sınırlılıklar
- Dürtü yanıtları üzerinde tam sonsal dağılımlar üretir, hem tahmin hem de tanımlama belirsizliğini yansıtan dürüst belirsizlik bantları sağlar.
- İşaret kısıtlaması tanımlaması (Uhlig 2005), tam sıfır eş anlı kısıtlamaları uygulamadan, agnostik, teoriyle tutarlı nedensel çıkarıma izin verir.
- Minnesota önsellemesi, katsayıları rastgele bir yürüyüş ölçütüne doğru küçülterek kısa örneklemlerde veya büyük sistemlerde aşırı uyumu azaltır.
- Küme tanımlı modelleri, sahte bir nokta tahminini zorlamak yerine sonsal kümeyi özetleyerek doğal olarak ele alır.
- Sonuçların önsel seçimlere ne kadar bağlı olduğunu değerlendirmek için resmi önsel duyarlılık analizine izin verir.
- Nedensel yapısal çıkarımı, bir VAR'ın tam çok değişkenli dinamikleriyle birleştirir.
- Sonuçlar önsel seçimine duyarlı olabilir; kötü gerekçelendirilmiş önsellemler sonsal çıkarımı bozar.
- İşaret kısıtlamaları modeli yalnızca kısmen tanımlar — kısıtlamaları karşılayan çok sayıda döndürme varsa sonsal bantlar geniş olabilir.
- Hesaplama açısından yoğundur: MCMC aracılığıyla sonsal örnekleme, çok sayıda değişken veya uzun gecikmeler içeren sistemler için yavaş olabilir.
- Yorumlama, tanımlama şemasının dikkatli bir şekilde gerekçelendirilmesini gerektirir; yanlış belirtilmiş kısıtlamalar anlamsız yapısal şoklara yol açar.
- VAR'ın durağanlığı kontrol edilmelidir; patlayıcı kökler indirgenmiş form modelini geçersiz kılar.
SSS
Bayesci bir SVAR ile standart bir SVAR arasındaki fark nedir?
Standart bir SVAR, asimptotik güven aralıklarıyla birlikte maksimum olabilirlik veya OLS yoluyla nokta tahminleri sağlar. Bayesci bir SVAR, parametreler üzerinde önsel dağılımlar ekler ve küçük örneklemlerde geçerli olan ve tanımlama belirsizliğini doğal olarak yayan güven aralıkları üreten bir sonsal dağılım üretir.
Minnesota önseli nedir ve neden kullanılır?
Minnesota (Litterman) önseli, VAR gecikme katsayılarını rastgele bir yürüyüş modeline doğru küçültür: kendi gecikmeleri ilk gecikme için birde, sonrakilerde sıfırda merkezlenir, çapraz değişken gecikmeleri ise sıfırda merkezlenir. Bu, gözlemlere göre çok sayıda parametre içeren sistemlerde aşırı uyumu azaltır.
İşaret kısıtlamaları yapısal şokları nasıl tanımlar?
İşaret kısıtlamaları, tam sıfır eş anlı etkiler dayatmak yerine, belirli bir ufuk boyunca dürtü yanıtlarının yönünü (pozitif veya negatif) sınırlar. Bu işaret desenleriyle tutarlı tüm döndürme matrisleri korunur ve sonsal dağılım, tanımlama belirsizliğini yansıtan kabul edilebilir küme üzerinden özetlenir.
Bir Bayesci SVAR kaç değişken içermelidir?
Uygulamalı çalışmaların çoğu üç ila sekiz değişken arasında kullanır. Değişken eklemek, parametre sayısını karesel olarak artırır (p × n² katsayı), bu nedenle büyük sistemler daha güçlü önsellemler veya faktörle artırılmış yaklaşımlar gerektirir. Minnesota önseli ile, sekiz değişkene kadar olan orta ölçekli sistemler çözülebilir.
MCMC örnekleyicisinin yakınsamasını nasıl değerlendiririm?
Durağanlık için anahtar dürtü-yanıt çekimlerinin iz grafiklerini inceleyin, birden çok zincir boyunca Gelman-Rubin R-şapka değerini hesaplayın (1'e yakın değerler yakınsamayı gösterir) ve etkili örneklem boyutlarının yeterli olduğunu doğrulayın. Çıkarım yapmadan önce yanma (burn-in) çekimlerini atın.
Kaynaklar
- Sims, C. A., & Zha, T. (1998). Bayesian methods for dynamic multivariate models. International Economic Review, 39(4), 949–968. DOI: 10.2307/2527347 ↗
- Uhlig, H. (2005). What are the effects of monetary policy on output? Results from an agnostic identification procedure. Journal of Monetary Economics, 52(2), 381–419. DOI: 10.1016/j.jmoneco.2004.05.007 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Structural Vector Autoregression Model. ScholarGate. https://scholargate.app/tr/econometrics/bayesian-svar-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Bayes ARDL Sınır TestiEkonometri↔ karşılaştır
- Bayesçi VAR Modeli (BVAR)Ekonometri↔ karşılaştır
- Bayesci Vektör Hata Düzeltme Modeli (Bayesian VECM)Ekonometri↔ karşılaştır
- Yapısal Vektör Otoregresyonu (SVAR)Ekonometri↔ karşılaştır
- Vektör Otoregresyon (VAR)Ekonometri↔ karşılaştır
- Vektör Hata Düzeltme Modeli (VECM)Ekonometri↔ karşılaştır