Байесова векторная модель (VAR) авторегрессии принимает распределение априорной вероятности на всех коэффициентах модели (содействующие матрицы AR, постоянный вектор модели, линейный вектор тренда времени и внешняя матрица коэффициента регрессии) и инновационная ковариационная матрица. Когда объединено с данными, чтобы сформировать апостериорное распределение, эта среда может привести к более гибкой модели и интуитивным выводам.
Чтобы запустить Байесов анализ VAR, создайте предшествующий объект модели, который лучше всего описывает ваши предшествующие предположения на совместном распределении содействующей и инновационной ковариационной матрицы. bayesvarm создает модели Bayesian VAR с Миннесотой предшествующая структура регуляризации [124]. Затем использование предшествующей модели и данных, оценочных характеристик апостериорных распределений, симулирует от апостериорных распределений или предсказало ответы с помощью прогнозирующего апостериорного распределения.
normalbvarm | Байесова векторная модель (VAR) авторегрессии с нормальной сопряженной предшествующей и фиксированной ковариацией для вероятности данных |
conjugatebvarm | Байесова векторная модель (VAR) авторегрессии с сопряженным, предшествующим для вероятности данных |
semiconjugatebvarm | Байесова векторная модель (VAR) авторегрессии с полусопряженным, предшествующим для вероятности данных |
diffusebvarm | Байесова векторная модель (VAR) авторегрессии с рассеянным, предшествующим для вероятности данных |
empiricalbvarm | Байесова векторная модель (VAR) авторегрессии с выборками от предшествующего или апостериорного распределения |