Modèle var bayésien

Posted by: @@ewpadmin | Posted on: February 16th, 2019 | 0 Comments

Dans les statistiques, l`autorégression vectorielle bayésienne (BVAR) utilise des méthodes bayésiennes pour estimer une autorégression vectorielle (VAR). À cet égard, la différence avec les modèles standard de VAR réside dans le fait que les paramètres du modèle sont traités comme des variables aléatoires et que des probabilités préalables leur sont assignées. Des recherches récentes ont montré que l`autorégression vectorielle bayésienne est un outil approprié pour modéliser de grands ensembles de données. [8] les autorégressions vectorielles sont des modèles statistiques flexibles qui incluent généralement de nombreux paramètres libres. Compte tenu de la longueur limitée des ensembles de données macroéconomiques standard, les méthodes bayésiennes sont devenues une façon de plus en plus populaire de traiter ce problème de surparamétrage. [1] l`idée générale est d`utiliser des prieurs informatifs pour réduire le modèle sans restriction vers une référence naïve parsimonieuse, réduisant ainsi l`incertitude des paramètres et améliorant la précision des prévisions (voir [2] pour une enquête). Un exemple typique est le retrait antérieur proposé par Robert Litterman [3], [4] et par la suite développé par d`autres chercheurs de l`Université du Minnesota [5], [6], qui est connu dans la littérature BVAR comme le «Minnesota Prior». L`informativité de l`antérieur peut être définie en la traitant comme un paramètre supplémentaire, basé sur une interprétation hiérarchique du modèle. [7].