宏观经济预测（1）：VAR模型的贝叶斯估计（一）

宣添翼，青海大学，xuantianyi2022@163.com

「本篇讲稿的参考文献：Applied Bayesian Econometrics for Central Bankers」

先打个广告！（无兴趣勿点）

2022年7月4-22日举行的“【招生啦！】2022年暑期“效傲江湖”：社会科学因果推断讲习班”开始报名啦！

本次讲习班将于2022年7月4-8号、18-22日两个时间段，在线上（腾讯会议或其它在线平台）分别举办4-5天的“社会科学因果推断讲习班”课程。两个阶段的课程主要包括三大块内容：（1）DID应用，旨在向学员们讲解虚拟变量DID、连续型DID估计量的最新进展，案例讲解及其stata操作，包括但不限于双向固定效应TWFE的偏误、偏误诊断方法、Bacon分解、Callaway and Sant’ Anna（2021）估计量、dChD(2018,2019,2020,2021,2022)估计量、Gardner(2021)估计量等；（2）面板事件研究的应用，旨在向学员们讲解事件研究的控制组选取、时变混淆因子的应对处理方式与经济含义、可视化等；（3）合成控制法的应用，旨在向学员们讲解单一处理组的合成控制法规定动作、少量多处理个体的合成控制法规定动作，包括最新的堆叠合成控制估计量、HL估计量及其统计量、处理前合成控制偏误诊断、处理后合成控制偏误纠正等；（4）其它应用性问题与技巧。欢迎大家参加我们的2022年暑期“社会科学因果推断讲习班”！

我们分时段、分学习阶段和分学习内容采取阶梯价格，例如，越远离开班日期、越是费用依靠父母或其它亲戚朋友的学生和研究者，收费越便宜。

更多报名优惠和详细课程大纲和招生信息参见（点击）【招生啦！】2022年暑期“效傲江湖”：社会科学因果推断讲习班！

今天给大家介绍VAR模型的贝叶斯估计的理论部分

一、引言：

这一节给大家介绍向量自回归模型(VARs) 的贝叶斯估计方法。这一类模型的估计通常涉及大量参数。因此，在规模较大的模型中，对我们所要研究对象（如脉冲响应函数和预测）的估计可能变得不精确。这时候可以通过将先验信息纳入估计过程，使用贝叶斯方法获得的估计结果通常比使用标准经典方法获得的估计更精确。此外，Gibbs抽样等贝叶斯模拟方法提供了一种有效的方法，不仅可以获取点估计，还可以描述这些点估计周围的不确定性。因此，我们今天专注于学习通过Gibbs抽样来估计VAR模型的参数的理论部分。
一个p阶滞后的VAR模型可以表示为：
$Y_t=c+B_1Y_{t-1}+B_2Y_{t-2}...B_PY_{t-P}+v_t$
$E\left( v_{t}^{'}v_s \right) =\varSigma \,\, if\,\,t=s$
$E\left( v_{t}^{'}v_s \right) =0 if\,\,t=s$
$E\left( v_t \right) =0$
其中 $Y_t$ 是内生变量，c是一个常数项， $v_t$ 表示均值为0，方差为 $\varSigma$ 的正态分布
VAR模型方程可以简化为：
$Y_t=X_tB+v_t\,\,$
$X_t=\left\{ c_i,Y_{it-1},Y_{it-2}...,Y_{it-p} \right\}$
此外，由于VAR模型中的每个方程都有相同的回归系数，因此可以将其改写为
$y=\left( I_N\otimes X \right) b+V$
其中
$y=vec\left( Y_t \right) ,b=vec\left( B \right) ,V=vec\left( v_t \right)$

二、VAR模型的Gibbs抽样算法

VAR模型的Gibbs抽样算法包括以下步骤:
Step1: 为VAR系数和协方差矩阵设置先验。设定VAR模型的先验系数b是服从正态分布的，分布函数为 $p\left( b \right) ~N\left( \tilde{b}_0,H \right)$ ，残差协方差矩阵 $\varSigma$ 的先验是服从逆Wishart分布的，并使用最小二乘法估计出 $\varSigma$ 的初始值
Step2：从条件后验分布函数 $H\left( b|\varSigma ,Y_t \right) \sim N\left( M^{\ast},V^{\ast} \right)$ 中抽样VAR系数
$\underset{\left( N\times \left( N\times P+1 \right) \right) \times 1}{M^{\ast}}=\left( H^{-1}+\sum\nolimits_{}^{-1}{\otimes X_{t}^{'}}X_t \right) ^{-1}\left( H^{-1}\hat{b}_0+\sum\nolimits_{}^{-1}{\otimes X_{t}^{'}}X_t\hat{b} \right) ^{-1}$
$\underset{\left( N\times \left( N\times P+1 \right) \right) \times \left( N\times \left( N\times P+1 \right) \right)}{V^{\ast}}=\left( H^{-1}+\sum\nolimits_{}^{-1}{\otimes X_{t}^{'}}X_t \right) ^{-1}$
当 $M^{\ast}$ 和 $V^{\ast}$ 算出来了以后，VAR系数就能从正态分布中提取出来。
$\underset{\left( N\times \left( N\times P+1 \right) \right) \times 1}{b^1}=\underset{\left( N\times \left( N\times P+1 \right) \right) \times 1}{M^{\ast}}+\left[ \underset{\left( 1\times N\times \left( N\times P+1 \right) \right)}{\bar{b}}\times \underset{\left( N\times \left( N\times P+1 \right) \right) \times \left( N\times \left( N\times P+1 \right) \right)}{\left( V^{\ast} \right) ^{1/2}} \right]$
Step3: 从条件分布函数 $H\left( \varSigma |b,Y_t \right) \sim IW\left( \bar{\varSigma},T+\alpha \right)$ 中提取 $\varSigma$ 。其中 $\bar{\varSigma}=\bar{S}+\left( Y_t=X_tB^1 \right)^\left( Y_t=X_tB^1 \right)$ 。 $B^1$ 为之前提取的VAR系数矩阵重组为 $\left( N\times P+1 \right) \times N$ 的矩阵。
Algorithm 1：为了从自由度为v，尺度参数为S的IW分布中提取出 $\hat{\varSigma}$ ，首先要从多元正态分布 $N\left( 0,S^{-1} \right)$ 中提取出矩阵 $\underset{\left( v\times n \right)}{Z}$ ，然后通过以下变换从逆Wishart分布中提取 $\hat{\varSigma}$ ：
$\hat{\varSigma}=\left( \sum_{i=1}^v{Z_iZ_{i}^{'}} \right) ^{-1}$
重复step2 和step3，执行M次以后获得 $B^1...B^M$ 以及 $\varSigma ^1...\varSigma ^M$ 。通过M次迭代后取得的 $B$ 和 $\varSigma$ 的终值用于形成这些参数的经验分布。请注意，模型参数的提取（在老化期之后）通常用于计算预测或脉冲响应函数，并对收集要处理的统计数据构建分布函数。
总体来说，VAR模型的Gibbs抽样算法与线性回归模型所采用的算法非常相似。事实证明，关键区别在于，在 VAR 模型中设置先验是一个跟线性回归案例相比更结构化的过程。
下一节，我们来学习一些关于VAR模型的经典文献中所提出的先验分布，以及使用Gibbs抽样算法来提取参数是如何通过MATLAB来实现的。后续我们将使用双变量VAR(2)模型作为示例，具体表达式如下所示：
$\left( \begin{array}{c} y_t\\ x_t\\ \end{array} \right) =\left( \begin{array}{c} c_1\\ c_2\\ \end{array} \right) +\left( \begin{matrix} b_{11} b_{12}\\ b_{21} b_{22}\\ \end{matrix} \right) \left( \begin{array}{c} y_{t-1}\\ x_{t-1}\\ \end{array} \right) +\left( \begin{matrix} d_{11}& d_{12}\\ d_{21}& d_{22}\\ \end{matrix} \right) \left( \begin{array}{c} y_{t-2}\\ x_{t-2}\\ \end{array} \right) +\left( \begin{array}{c} v_1\\ v_2\\ \end{array} \right)$
$var\left( \begin{array}{c} v_1\\ v_2\\ \end{array} \right) =\varSigma =\left( \begin{matrix} \varSigma _{11}& \varSigma _{12}\\ \varSigma _{21}& \varSigma _{22}\\ \end{matrix} \right)$

Reference

Applied Bayesian Econometrics for Central Bankers

最后编辑于：2022.05.27 14:56:05

人面猴
序言：七十年代末，一起剥皮案震惊了整个滨河市，随后出现的几起案子，更是在滨河造成了极大的恐慌，老刑警刘岩，带你破解...
沈念sama阅读 212,222评论 6赞 493
死咒
序言：滨河连续发生了三起死亡事件，死亡现场离奇诡异，居然都是意外死亡，警方通过查阅死者的电脑和手机，发现死者居然都...
沈念sama阅读 90,455评论 3赞 385
救了他两次的神仙让他今天三更去死
文/潘晓璐我一进店门，熙熙楼的掌柜王于贵愁眉苦脸地迎上来，“玉大人，你说我怎么就摊上这事。” “怎么了？”我有些...
开封第一讲书人阅读 157,720评论 0赞 348
道士缉凶录：失踪的卖姜人
文/不坏的土叔我叫张陵，是天一观的道长。经常有香客问我，道长，这世上最难降的妖魔是什么？我笑而不...
开封第一讲书人阅读 56,568评论 1赞 284
港岛之恋（遗憾婚礼）
正文为了忘掉前任，我火速办了婚礼，结果婚礼上，老公的妹妹穿的比我还像新娘。我一直安慰自己，他们只是感情好，可当我...
茶点故事阅读 65,696评论 6赞 386
恶毒庶女顶嫁案：这布局不是一般人想出来的
文/花漫我一把揭开白布。她就那样静静地躺着，像睡着了一般。火红的嫁衣衬着肌肤如雪。梳的纹丝不乱的头发上，一...
开封第一讲书人阅读 49,879评论 1赞 290
城市分裂传说
那天，我揣着相机与录音，去河边找鬼。笑死，一个胖子当着我的面吹牛，可吹牛的内容都是我干的。我是一名探鬼主播，决...
沈念sama阅读 39,028评论 3赞 409
双鸳鸯连环套：你想象不到人心有多黑
文/苍兰香墨我猛地睁开眼，长吁一口气：“原来是场噩梦啊……” “哼！你这毒妇竟也来了？” 一声冷哼从身侧响起，我...
开封第一讲书人阅读 37,773评论 0赞 268
万荣杀人案实录
序言：老挝万荣一对情侣失踪，失踪者是张志新（化名）和其女友刘颖，没想到半个月后，有当地人在树林里发现了一具尸体，经...
沈念sama阅读 44,220评论 1赞 303
护林员之死
正文独居荒郊野岭守林人离奇死亡，尸身上长有42处带血的脓包…… 初始之章·张勋以下内容为张勋视角年9月15日...
茶点故事阅读 36,550评论 2赞 327
白月光启示录
正文我和宋清朗相恋三年，在试婚纱的时候发现自己被绿了。大学时的朋友给我发了我未婚夫和他白月光在一起吃饭的照片。...
茶点故事阅读 38,697评论 1赞 341
活死人
序言：一个原本活蹦乱跳的男人离奇死亡，死状恐怖，灵堂内的尸体忽然破棺而出，到底是诈尸还是另有隐情，我是刑警宁泽，带...
沈念sama阅读 34,360评论 4赞 332
日本核电站爆炸内幕
正文年R本政府宣布，位于F岛的核电站，受9级特大地震影响，放射性物质发生泄漏。R本人自食恶果不足惜，却给世界环境...
茶点故事阅读 40,002评论 3赞 315
男人毒药：我在死后第九天来索命
文/蒙蒙一、第九天我趴在偏房一处隐蔽的房顶上张望。院中可真热闹，春花似锦、人声如沸。这庄子的主人今日做“春日...
开封第一讲书人阅读 30,782评论 0赞 21
一桩弑父案，背后竟有这般阴谋
文/苍兰香墨我抬头看了看天上的太阳。三九已至，却和暖如春，着一层夹袄步出监牢的瞬间，已是汗流浃背。一阵脚步声响...
开封第一讲书人阅读 32,010评论 1赞 266
情欲美人皮
我被黑心中介骗来泰国打工，没想到刚下飞机就差点儿被人妖公主榨干…… 1. 我叫王不留，地道东北人。一个月前我还...
沈念sama阅读 46,433评论 2赞 360
代替公主和亲
正文我出身青楼，却偏偏与公主长得像，于是被迫代替她去往敌国和亲。传闻我的和亲对象是个残疾皇子，可洞房花烛夜当晚...
茶点故事阅读 43,587评论 2赞 350

宏观经济预测（1）：VAR模型的贝叶斯估计（一）

一、引言：

二、VAR模型的Gibbs抽样算法

Reference

推荐阅读更多精彩内容