随机搜索变量选择SSVS估计贝叶斯向量自回归(BVAR)模型

拓端数据科技

    摘要:向量自回归(VAR)模型的一般缺点是,估计系数的数量与滞后的数量成比例地增加。因此,随着滞后次数的增加,每个参数可用的信息较少。在贝叶斯VAR文献中,减轻这种所谓的维数诅咒的一种方法是随机搜索变量选择(SSVS),由George等人提出(2008)。
      一   介绍
    SSVS的基本思想是将通常使用的先验方差分配给应包含在模型中的参数,将不相关参数的先验方差接近零。这样,通常就可以估算出相关参数,并且无关变量的后验值接近于零,因此它们对预测和冲激响应没有显着影响。这是通过在模型之前添加层次结构来实现的,其中在采样算法的每个步骤中评估变量的相关性。
    这篇文章介绍了使用SSVS估计贝叶斯向量自回归(BVAR)模型。它使用Lütkepohl(2007)的数据集E1,其中包含有关1960Q1至1982Q4十亿德国马克的西德固定投资,可支配收入和消费支出的数据。加载数据并生成数据:
    library(bvartools) # install.packages("bvartools")
    # Load and transform datadata("e1")e1 <- diff(log(e1))
    # Generate VARdata <- gen_var(e1, p = 4, deterministic = "const")
    # Get data matricesy <- data$Y[, 1:71]x <- data$Z[, 1:71]
      二   估算值
    根据George等人所述的半自动方法来设置参数的先验方差(2008)。对于所有变量,先验包含概率设置为0.5。误差方差-协方差矩阵的先验信息不足。
    # Reset random number generator for reproducibilityset.seed(1234567)
    t <- ncol(y) # Number of observationsk <- nrow(y) # Number of endogenous variablesm <- k * nrow(x) # Number of estimated coefficients
    # Coefficient priorsa_mu_prior <- matrix(0, m) # Vector of prior means
    # SSVS priors (semiautomatic approach)ols <- tcrossprod(y, x) %*% solve(tcrossprod(x)) # OLS estimatessigma_ols <- tcrossprod(y - ols %*% x) / (t - nrow(x)) # OLS error covariance matrixcov_ols <- kronecker(solve(tcrossprod(x)), sigma_ols)se_ols <- matrix(sqrt(diag(cov_ols))) # OLS standard errors
    tau0 <- se_ols * 0.1 # Prior if excludedtau1 <- se_ols * 10 # Prior if included
    # Prior for inclusion parameterprob_prior <- matrix(0.5, m)
    # Prior for variance-covariance matrixu_sigma_df_prior <- 0 # Prior degrees of freedomu_sigma_scale_prior <- diag(0, k) # Prior covariance matrixu_sigma_df_post <- t + u_sigma_df_prior # Posterior degrees of freedom
    初始参数值设置为零,这意味着在Gibbs采样器的第一步中应相对自由地估算所有参数。
    可以直接将SSVS添加到VAR模型的标准Gibbs采样器算法中。在此示例中,常数项从SSVS中排除,这可以通过指定来实现include = 1:36。
    具有SSVS的Gibbs采样器的输出可以用通常的方式进一步分析。因此,可以通过计算参数的绘制方式获得点估计:
    ##          invest income   cons## invest.1 -0.102  0.011 -0.002## income.1  0.044 -0.031  0.168## cons.1    0.074  0.140 -0.287## invest.2 -0.013  0.002  0.004## income.2  0.015  0.004  0.315## cons.2    0.027 -0.001  0.006## invest.3  0.033  0.000  0.000## income.3 -0.008  0.021  0.013## cons.3   -0.043  0.007  0.019## invest.4  0.250  0.001 -0.005## income.4 -0.064 -0.010  0.025## cons.4   -0.023  0.001  0.000## const     0.014  0.017  0.014
    还可以通过计算变量的均值来获得每个变量的后验概率。从下面的输出中可以看出,在VAR(4)模型中似乎只有几个变量是相关的。常数项的概率为100%,因为它们已从SSVS中排除。
    ##          invest income cons## invest.1   0.43   0.23 0.10## income.1   0.10   0.18 0.67## cons.1     0.11   0.40 0.77## invest.2   0.11   0.09 0.14## income.2   0.08   0.07 0.98## cons.2     0.07   0.06 0.08## invest.3   0.19   0.07 0.06## income.3   0.06   0.13 0.10## cons.3     0.09   0.07 0.12## invest.4   0.78   0.09 0.16## income.4   0.13   0.09 0.18## cons.4     0.09   0.07 0.06## const      1.00   1.00 1.00
    给定这些值,研究人员可以按照常规方式进行操作,并根据Gibbs采样器的输出获得预测和脉冲响应。这种方法的优势在于它不仅考虑了参数不确定性,而且还考虑了模型不确定性。这可以通过系数的直方图来说明,该直方图描述了收入的第一个滞后项与消费当前值之间的关系。
    hist(draws_a[6,], main = "Consumption ~ First lag of income", xlab = "Value of posterior draw")
    
    通过两个峰描述模型不确定性,并通过右峰在它们周围的散布来描述参数不确定性。
    但是,如果研究人员不希望使用模型,变量的相关性可能会从采样算法的一个步骤更改为另一个步骤,那么另一种方法将是仅使用高概率的模型。这可以通过进一步的模拟来完成,在该模拟中,对于不相关的变量使用非常严格的先验,而对于相关参数则使用没有信息的先验。
    后方抽取的均值类似于Lütkepohl(2007,5.2.10节)中的OLS估计值:
    ##          invest income   cons## invest.1 -0.219  0.001 -0.001## income.1  0.000  0.000  0.262## cons.1    0.000  0.238 -0.334## invest.2  0.000  0.000  0.001## income.2  0.000  0.000  0.329## cons.2    0.000  0.000  0.000## invest.3  0.000  0.000  0.000## income.3  0.000  0.000  0.000## cons.3    0.000  0.000  0.000## invest.4  0.328  0.000 -0.001## income.4  0.000  0.000  0.000## cons.4    0.000  0.000  0.000## const     0.015  0.015  0.014
      三   评价
    bvar功能可用于将Gibbs采样器的相关输出收集到标准化对象中,例如predict获得预测或irf进行脉冲响应分析。
    bvar_est <- thin(bvar_est, thin = 5)
    预测
    可以使用函数获得可信区间的预测predict。
    plot(bvar_pred)
    
      四   脉冲响应分析
    plot(OIR, main = "Orthogonalised Impulse Response", xlab = "Period", ylab = "Response")
    
    介绍:我们是数据挖掘团队,分享结合实际业务的理论应用和心得体会。欢迎大家关注我们的微信公众号,关注数据挖掘精品文章;您也可以在公众号中直接发送想说的话,与我们联系交流。