Модель авторегрессии байесовского вектора (VAR) предполагает предварительное распределение вероятности по всем модельным коэффициентам (матрицам коэффициентов AR, вектору констант модели, вектору линейного временного тренда и матрице коэффициентов экзогенной регрессии) и ковариационной матрице инноваций. В сочетании с данными для формирования заднего распределения эта структура может привести к более гибкой модели и интуитивным выводам.
Чтобы начать байесовский анализ VAR, создайте объект предыдущей модели, который наилучшим образом описывает ваши предыдущие предположения о совместном распределении коэффициентов и новшеств ковариационной матрицы. bayesvarm создает байесовские модели VAR с предшествующей структурой регуляризации Миннесоты. Затем, используя предыдущую модель и данные, оцените характеристики задних распределений, смоделируйте из задних распределений или прогнозируйте ответы, используя прогностическое заднее распределение.
normalbvarm | Модель авторегрессии байесовского вектора (VAR) с нормальной сопряженной предшествующей и фиксированной ковариацией для правдоподобия данных |
conjugatebvarm | Байесовская векторная модель авторегрессии (VAR) с сопряженной предшествующей для правдоподобия данных |
semiconjugatebvarm | Байесовская векторная модель авторегрессии (VAR) с полуконъюгатом до правдоподобия данных |
diffusebvarm | Байесовская векторная модель авторегрессии (VAR) с диффузной предшествующей для правдоподобия данных |
empiricalbvarm | Модель авторегрессии байесовского вектора (VAR) с образцами из предшествующего или заднего распределения |