利用马蹄铁先验实现贝叶斯向量自回归模型的稀疏性
应用统计
2017-09-25 v1
摘要
在向量自回归(VAR)模型或任何多元回归模型的背景下，相对于可用于构建预测方程的信息集，相关预测变量的数量可能较少。众所周知，基于（无惩罚的）最小二乘估计的预测可能会对数据产生过拟合，从而导致较差的预测结果。自提出 Minnesota 先验（Doan 等（1984））以来，已发展出许多旨在提高预测性能的方法。在本文中，我们在贝叶斯 VAR 的背景下提出了马蹄铁先验（horseshoe prior）（Carvalho 等（2010），Carvalho 等（2009））。马蹄铁先验是一种独特的收缩先验方案，它将无关信号严格收缩至 0，同时允许大信号保持较大且几乎不被收缩。在一项实证研究中，我们表明马蹄铁先验与贝叶斯 VAR 模型中常用的收缩方案以及在系数向量上施加真实稀疏性的先验相比，均表现出良好的竞争力。此外，我们提出使用带后向模拟的粒子 Gibbs 采样（particle Gibbs with backwards simulation）（Lindsten 等（2012），Andrieu 等（2010））来估计时变波动率参数。我们在在线提供的补充材料中详细描述了所使用的所有 MCMC 方法。
引用
@article{arxiv.1709.07524,
title = {Achieving Parsimony in Bayesian VARs with the Horseshoe Prior},
author = {Lendie Follett and Cindy Yu},
journal= {arXiv preprint arXiv:1709.07524},
year = {2017}
}