Dự báo với các mô hình tự hồi quy vectơ Bayes: so sánh các phương pháp trực tiếp và lặp lại nhiều bước

Tóm tắt

Mục đích – Bài viết so sánh hiệu suất dự báo nhiều thời kỳ bằng phương pháp trực tiếp và lặp lại bằng cách sử dụng các mô hình tự hồi quy vectơ Bayesian (VAR).

Thiết kế/phương pháp/cách tiếp cận – Bài báo áp dụng các mô hình Bayesian VAR với ba ưu tiên khác nhau – ưu tiên thông thường độc lập với Wishart, ưu tiên Minnesota và lựa chọn biến tìm kiếm ngẫu nhiên (SSVS). Mô phỏng Monte Carlo được thực hiện để so sánh hiệu suất dự báo. Một nghiên cứu thực nghiệm sử dụng dữ liệu kinh tế vĩ mô của Hoa Kỳ được minh họa như một minh họa.

Kết quả - Về lý thuyết, dự báo trực tiếp hiệu quả hơn về mặt tiệm cận và chặt chẽ hơn mô hình xác định sai so với dự báo lặp lại và dự báo lặp lại có xu hướng sai lệch nhưng hiệu quả hơn nếu mô hình trước một giai đoạn được chỉ định chính xác. Từ kết quả mô phỏng Monte Carlo, dự báo lặp lại có xu hướng tốt hơn dự báo trực tiếp, đặc biệt với mô hình có độ trễ dài hơn và thời hạn dự báo dài hơn. Việc triển khai SSVS trước thường cải thiện hiệu suất dự báo so với mô hình VAR không hạn chế đối với dữ liệu cố định hoặc không cố định.

Tính mới /giá trị – Bài báo phát hiện ra rằng các dự báo lặp lại sử dụng mô hình với SSVS trước thường cho kết quả tốt nhất, cho thấy rằng các hạn chế của SSVS đối với các tham số không quan trọng sẽ làm giảm bớt vấn đề tham số hóa quá mức của VAR trong dự báo trước một bước và do đó mang lại sự cải thiện đáng kể trong hiệu suất dự báo của các dự báo lặp đi lặp lại.