Het Bayesiaanse Vector Autoregressive met Minnesota Prior (BVAR) model is een Bayesiaanse versie van het Vector Autoregressive (VAR) -model (Advanced: VAR) met een Minnesota voorafgaand.
Klassieke statistische modellen volgen een frequentistische benadering, waarbij wordt aangenomen dat er een onderliggende waar model. Als het model wordt geschat op basis van meerdere willekeurige steekproeven, zal de schatting van het model op basis van gegevens dichterbij zijn dan een constante αα naar het echte model voor een bepaald deel van de monsters.
Bayesiaanse statistieken beginnen met een prior die een bepaalde eerdere overtuiging beschrijft van het onderliggende proces dat de gegevens genereert. Nadat de gegevens zijn geobserveerd, worden de eerdere overtuiging en de gegevens gecombineerd door middel van de stelling van Bayes, en een posterieure verdeling die de kans beschrijft om verschillende waarden te krijgen, gegeven zowel de eerdere overtuigingen als de gegevens.
De eerder door Litterman en Sims ontwikkelde Minnesota verkleint de parameterschattingen tot een willekeurige wandeling. Het eerdere gemiddelde van de eerste coëfficiënt van een niet-stationaire variabele wordt ingesteld op een waarde die dicht bij 1 ligt, en voor een stationaire variabele wordt het voorgaande gemiddelde op 0 gezet. De eerdere variantie is ingesteld op een zeer grote waarde voor de eerste vertraging, en is ingesteld op exponentieel kleinere waarden voor langere vertragingen. Dit impliceert een eerdere overtuiging dat kortere vertragingen een grotere impact hebben dan langere vertragingen.
Elke variabele wordt getest op stationariteit, een stationaire variabele krijgt een vooraf gemiddelde van de eerste vertraging van 0, en een niet-stationaire variabele heeft 0,9.
Het model wordt vervolgens aan de gegevens aangepast door monsters te nemen in een Markov Chain Monte Carlo (MCMC) bemonsteringsalgoritme. Deze steekproeven worden genomen in verhouding tot hoe waarschijnlijk het is dat ze de gegevens en de eerdere gegevens hebben gekregen. Op deze manier wordt een grote steekproef van parametersets verkregen, die de dichtheid van de parameterruimte weergeven. Deze monsters worden vervolgens gebruikt om een steekproef van voorspellingen te maken, die de dichtheid van de voorspelling weergeven op basis van de prioriteiten, gegevens en het model.
We bieden geautomatiseerde voorspellingssoftware die geavanceerde academische methoden combineert met marktspecifieke toonaangevende indicatoren. Dit helpt uw organisatie om het hoogste niveau van voorspellingsnauwkeurigheid te bereiken.
© 2025 Indicio Technologies Alle rechten voorbehouden
