Professional Documents
Culture Documents
6 Bayesi
6 Bayesi
• Frekventista:
• Ha sokszor megismételnénk egy kísérletet, hányszor ismétlődne meg egy
adott kimenet
• Bayesi
• Nem feltétlenül ismétlődnek az események
• Mekkora esélyt tulajdonítunk az adott kimenetnek (szubjektív)
Példa: lineáris regresszió
•• A modell:
• Klasszikus/frekventista becslés:
• A likelihood:
• Adott mintán maximalizálva visszakapjuk a jól ismert OLS becslést:
• A becslés csak az adatban rejlő információt használja fel
•
1. Előzetes (prior) vélekedést alakítunk ki a paraméterrel
kapcsolatban
• A priort eloszlás formájában adjuk meg:
Először
• tegyük fel, hogy ismert!
1. A prior eloszlás legyen normális:
3.
• A Bayes tétel alkalmazásával a feltételes poszterior eloszlást:
(folyt.)
•
•• Legyen
T független, azonos normális eloszlású számból álló
mintánk:
• A sűrűségfüggvény:
2. A likelihood T megfigyelésre:
(folyt.)
3.
• A poszterior eloszlás:
==
Mit kaptunk?
•• A
variancia reciprokának poszteriorja is gamma eloszlású:
Az együttes sűrűségfüggvény:
Az inverz gamma eloszlás különböző
szabadságfokok és skálázó paraméterek mellett
(folyt.)
2.
• A likelihood
• Az
marginális eloszlásának átlaga pl.
• Mire kell ügyelni?
• A konvergencia lassú lehet, ezért a minta elejét el
kell dobni
• Az egymás után vett minták autokorreláltak lehetnek,
ezért lehet, hogy csak minden n-edik mintavételt
tartjuk meg
Példa: lineáris regressziós modell becslése
Gibbs-mintavétellel
•
1. Prior választás:
Tekintsük
• az alábbi modellt:
•Írjuk
át a VAR-t az alábbi alakba:
• A
konjugált prior a paraméterekre
• A konjugált prior a kovarianciamátrixra
• Inverz Wishart eloszlás: az inverz gamma
többváltozós változata
• Ha n x n-es pozitív definit mátrix, akkor IW eloszlású
az alábbi sűrűségfüggvénnyel:
BVAR poszterior számítása
• A
feltételes poszterior
• A feltételes kovarianciamátrix
Gibbs-mintavétel BVAR-ban
• A hiperparaméterek:
• szabályozza a prior szorosságát a változó saját késleltetésein, ha 0-hoz tart,
akkor a modell RW
• szabályozza a többi változó paramétereinek szórását
• szabályozza, hogy a magasabb késleltetéseket mennyire szorítjuk 0 felé
• A változók szórásainak arányát egyváltozós AR modellekból becsülhetjük
• Külön paraméter szabályozza a konstanst
Megjegyzések
-.002 -.005
5 10 15 20 5 10 15 20
A BVAR előrejelzései
CPI (év/év) Kiskereskedelmi forgalom volumene (szint) Brent (USD/hordó)
16% 230 140
14%
220 120
12%
100
10% 210
8% 80
200
6% 60
4% 190 40
2% 180 20
12 13 14 15 16 17 12 13 14 15 16 17 12 13 14 15 16 17
70
20%
60
16%
50
12%
40
8% 30
4% 20
12 13 14 15 16 17 12 13 14 15 16 17
Tanulságok