Bayesçi Vektör Otoregresyonu (BVAR)

Klasik bir VAR, her katsayıyı en küçük kareler yöntemiyle serbestçe tahmin eder, bu da çok sayıda değişken ve gecikme olduğunda modeli aşırı parametrelendirir. BVAR, katsayıları tutumlu bir referans noktasına doğru küçülten bir önsel ekler, biraz yanlılıktan ödün vererek özellikle kısa veya yüksek boyutlu serilerde çok daha fazla kararlılık ve daha iyi tahminler elde eder.

Minnesota (Litterman) önseli, BVAR için standart önseldir. Her değişkenin kendi ilk gecikmesini rastgele bir yürüyüş civarında merkezler, diğer katsayıları sıfıra doğru küçültür ve daha uzun gecikmelerde daha agresif bir şekilde küçültür. Bu, yakın geçmişin en çok önem taşıdığına dair ekonomik olarak makul inancı kodlar.

BVAR, en az yaklaşık 40 gözlemli çok değişkenli sürekli bir zaman serisine ihtiyaç duyar. Avantajının çoğu, önselin örnekteki sınırlı bilgiyi telafi etmesi nedeniyle tam olarak verilerin kısa olduğu veya sistemin büyük olduğu durumlarda ortaya çıkar.

Sistemin küçük, serilerin uzun ve verilerin bilgilendirici olduğu durumlarda, klasik bir VAR yeterli ve daha basit olabilir, çünkü küçültmenin faydası, örnek büyüdükçe parametre sayısına göre azalır.