二阶自回归模型自相关矩阵_随机搜索变量选择SSVS估计贝叶斯向量自回归（BVAR）模型...

原文链接：

http://tecdat.cn/?p=9390​tecdat.cn

---

介绍
向量自回归（VAR）模型的一般缺点是，估计系数的数量与滞后的数量成比例地增加。因此，随着滞后次数的增加，每个参数可用的信息较少。在贝叶斯VAR文献中，减轻这种所谓的维数诅咒的一种方法是随机搜索变量选择（SSVS），由George等人提出（2008）。SSVS的基本思想是将通常使用的先验方差分配给应包含在模型中的参数，将不相关参数的先验方差接近零。这样，通常就可以估算出相关参数，并且无关变量的后验值接近于零，因此它们对预测和冲激响应没有显着影响。这是通过在模型之前添加层次结构来实现的，其中在采样算法的每个步骤中评估变量的相关性。
这篇文章介绍了使用SSVS估计贝叶斯向量自回归（BVAR）模型。它使用Lütkepohl（2007）的数据集E1，其中包含有关1960Q1至1982Q4十亿德国马克的西德固定投资，可支配收入和消费支出的数据。加载数据并生成数据：

1. 
   library(bvartools) # install.packages("bvartools")
3. 
   # Load and transform data
4. 
   data("e1")
5. 
   e1 <- diff(log(e1))
7. 
   # Generate VAR
8. 
   data <- gen_var(e1, p = 4, deterministic = "const")
10. 
    # Get data matrices
11. 
    y <- data$Y[, 1:71]
12. 
    x <- data$Z[, 1:71]

估算值
根据George等人所述的半自动方法来设置参数的先验方差（2008）。对于所有变量，先验包含概率设置为0.5。误差方差-协方差矩阵的先验信息不足。

1. 
   # Reset random number generator for reproducibility
2. 
   set.seed(1234567)