Bayesçi VAR Modeli (BVAR)

Minnesota önseli, her değişkenin önsel olarak bir rastgele yürüyüşü izlediğini varsayar, daha uzun gecikmelerdeki ve değişkenler arası gecikmelerdeki katsayıları, kendi ilk gecikme katsayısından daha agresif bir şekilde daraltır. Tek ana üstparametre (lambda) gerektirmesi, sezgisel bir ekonomik yorumu olması ve birçok veri kümesinde tahmin doğruluğunu tutarlı bir şekilde iyileştirmesi nedeniyle popülerdir.

En ilkeli yaklaşım, Giannone, Lenza ve Primiceri (2015) tarafından önerildiği gibi, lambda değerleri üzerinde bir ızgara boyunca marjinal olabilirlik maksimize etmektir. Bir tutma periyodundaki çapraz doğrulama pratik bir alternatiftir. Duyarlılık analizi olmadan lambda'yı keyfi olarak sabitlemekten kaçının.

Evet, ancak Bayesçi önseller tek başına yapısal şokları belirlemez. Klasik SVAR'da olduğu gibi ek kısıtlamalar — dürtü tepkileri üzerindeki işaret kısıtlamaları veya sıfır kısıtlamaları (Cholesky sıralaması, uzun vadeli kısıtlamalar) — uygulamanız gerekir. Bayesçi çerçeve daha sonra belirleme belirsizliğini dürtü tepkilerinin sonsal dağılımına yayar.

Klasik VAR, tüm katsayıları OLS ile tahmin eder; bu, yansız ancak büyük sistemlerde oldukça değişkendir. BVAR, katsayıları önsel değerlere doğru daraltır, küçük bir yanlılık artışı karşılığında büyük bir varyans azalması takas eder, bu da özellikle çok sayıda değişken veya kısa örneklerle önemli ölçüde daha iyi örnek dışı tahminler sunar.

R paketleri BVAR ve MTS'yi içerir; BEAR toolbox ve Dynare makroekonomide yaygındır; Python uygulamaları PyMC ve özel komut dosyaları aracılığıyla mevcuttur. Birçok merkez bankası Matlab veya R üzerine kurulu dahili BVAR araç kutuları bulundurmaktadır.