Модель Байесовской векторной авторегрессии (VAR) принимает априорное распределение вероятностей на всех коэффициентах модели (матрицы коэффициентов AR, вектор константы модели, вектор линейного временного тренда и экзогенная матрица коэффициента регрессии) и инновациях ковариации матрице. В сочетании с данными для формирования апостериорного распределения эта среда может привести к более гибкой модели и интуитивно понятным выводам.
Чтобы начать байесовский анализ VAR, создайте объект предыдущей модели, который лучше всего описывает ваши предыдущие допущения о совместном распределении коэффициентов и инновационной ковариационной матрицы. bayesvarm создает байесовские модели VAR с предшествующей структурой регуляризации Миннесоты. Затем, используя предыдущую модель и данные, оцените характеристики апостериорных распределений, симулируйте из апостериорных распределений или прогнозирующих ответов, используя прогнозирующее апостериорное распределение.
normalbvarm | Байесовская модель вектора авторегрессии (VAR) с нормальной сопряженной предшествующей и фиксированной ковариацией для вероятности данных |
conjugatebvarm | Байесовская модель вектора авторегрессии (VAR) с сопряженной предшествующей для вероятности данных |
semiconjugatebvarm | Байесовская модель вектора авторегрессии (VAR) с полуконъюгатной предшествующей для вероятности данных |
diffusebvarm | Байесовская модель вектора авторегрессии (VAR) с диффузной априорной для вероятности данных |
empiricalbvarm | Байесовская модель вектора авторегрессии (VAR) с выборками из предыдущего или апостериорного распределения |
