Предскажите ответы из Байесовой векторной модели (VAR) авторегрессии
forecast
хорошо подходит для вычисления безусловных прогнозов из выборки модели Bayesian VAR (p), которая не содержит внешний компонент регрессии. Для усовершенствованных приложений, таких как условное прогнозирование из выборки, прогнозирование модели VARX(p), видят обвинение отсутствующего значения и спецификация сэмплера Гиббса для следующей прогнозирующей оценки распределения, simsmooth
.
возвращает путь предсказанных ответов YF
= forecast(PriorMdl
,numperiods
,Y
)YF
по длине numperiods
предскажите горизонт. Каждый период в YF
среднее значение следующего прогнозирующего распределения, которое выведено из апостериорного распределения предшествующей модели Bayesian VAR (p)
PriorMdl
учитывая данные об ответе Y
. Выход YF
представляет продолжение Y
.
NaN
s в данных указывают на отсутствующие значения, который forecast
удаляет использующее мудрое списком удаление.
Симуляция Монте-Карло подвергается изменению. Если forecast
симуляция Монте-Карло использования, затем оценивает, и выводы могут варьироваться, когда вы вызываете forecast
многократно при на вид эквивалентных условиях. Чтобы воспроизвести результаты оценки, установите seed случайных чисел при помощи rng
перед вызовом forecast
.
Если следующее прогнозирующее распределение аналитически тяжело (верный для большинства случаев), forecast
реализации выборка Цепи Маркова Монте-Карло (MCMC) с Байесовым увеличением данных, чтобы вычислить среднее и стандартное отклонение следующего прогнозирующего распределения. Для этого forecast
вызовы simsmooth
, который использует в вычислительном отношении интенсивную процедуру.
Большая часть Econometrics Toolbox™ forecast
функции принимают предполагаемый или следующий объект модели, от которого можно сгенерировать прогнозы. Такая модель охватывает параметрическую структуру и данные. Однако forecast
функция моделей Bayesian VAR требует, чтобы выборочные данные предварительной выборки и оценки сделали следующее:
Выполните Байесов параметр, обновляющийся, чтобы оценить апостериорные распределения. forecast
MCMC реализаций, производящий с Байесовым увеличением данных, которое включает шаг сглаживания Фильтра Калмана, который требует целого наблюдаемого ряда.
Предскажите будущие ответы в присутствии двух источников неопределенности:
ε шума оценки 1, …, ε T, который вызывает неопределенность параметра
Предскажите шум периода ε T +1, …, ε T +numperiods
[1] Литтермен, Роберт Б., "Предсказывающий с Байесовыми Векторными Авторегрессиями: Пять Лет опыта". Журнал Бизнес-и Экономической статистики 4, № 1 (январь 1986): 25–38. https://doi.org/10.2307/1391384.