Duration Dependent Markov-Switching[taliem.ir]
اطلاع رسانی-Notices

Duration Dependent Markov-Switching Vector Autoregression: Properties, Bayesian Inference, Software and Application

ارسال شده در ژوئن 19, 2018 در 7:48 ب.ظ توسط / بدون دیدگاه

ABSTRACT

Duration dependent Markov-switching VAR (DDMS-VAR) models are time series models with data generating process consisting in a mixture of two VAR processes. The switching between the two VAR processes is governed by a two state Markov chain with transition probabilities that depend on how long the chain has been in a state. In the present paper we analyze the second order properties of such models and propose a Markov chain Monte Carlo algorithm to carry out Bayesian inference on the model’s unknowns. Furthermore, a freeware software written by the author for the analysis of time series by means of DDMS-VAR models is illustrated. The methodology and the software are applied to the analysis of the U.S. business cycle.

INTRODUCTION

Since the path-breaking paper of Hamilton (1989), many applications of the Markov switching autoregressive model (MS-AR) to business cycle analysis have demonstrated its potential, particularly in dating the cycle in an “objective” way. The basic MS-AR model has, nevertheless, some limitations: (i) it is univariate, (ii) the probabilities of transition from one state to the other  (or to the other ones) are constant over time, iii) it is not capable of generating spectra with peaks in the business cycle frequencies. Since business cycles are fluctuations of the aggregate economic activity, involving many macroeconomic variables at the same time, point (i) is not a negligible weakness. The multivariate generalization of the MS model was carried out by Krolzig (1997), in his excellent monograph on the MS-VAR model.  As far as point (ii) is concerned, it is reasonable to believe that the probability of exiting a contraction is not the same at the very beginning of this phase as after several months. Some authors, such as Diebold and Rudebusch (1990), Diebold et al. (1993) and Watson (1994) have found evidence of duration dependence in the U.S.  business cycles, and therefore, as Diebold et al. (1993) point out, the standard MS model results, in this framework, miss-specified. In order to face this limitation, Durland and McCurdy (1994) introduced the univariate duration-dependent Markov switching autoregression, designing an alternative filter for the unobservable state variable.  

چکیده

مدل VAR متغیر Markov-switching (DDMS-VAR) وابسته به زمان، مدل های سری زمانی با فرآیند تولید داده ها است که شامل مخلوطی از دو فرآیند VAR می باشد. تعویض بین دو فرآیند VAR توسط یک زنجیره مارکوف دولتی با احتمال انتقال امکان پذیر است که بستگی به چگونگی زنجیره ای در یک حالت دارد. در مقاله حاضر، ویژگی های مرتبه دوم چنین مدل هایی را تجزیه و تحلیل می کنیم و الگوریتم مونت کارلو زنجیره مارکف را پیشنهاد می دهیم تا استنتاج بیزی را در ناشناخته های مدل انجام دهد. علاوه بر این، یک نرم افزار نرم افزار رایگان نوشته شده توسط نویسنده برای تجزیه و تحلیل سری زمانی با استفاده از مدل های DDMS-VAR نشان داده شده است. روش و نرم افزار برای تجزیه و تحلیل چرخه تجاری ایالات متحده استفاده می شود.

مقدمه

از آنجا که مقاله مسیر Hamilton (1989)، بسیاری از برنامه های مدل Autoregressive سوئیچ Markov (MS-AR) به تجزیه و تحلیل چرخه کسب و کار نشان داده است پتانسیل آن، به ویژه در قدمت چرخه در یک “هدف”. مدل پایه MS-AR، با این وجود، برخی از محدودیت ها: (i) آن یکسان نیست؛ (ii) احتمال انتقال از یک حالت به دیگری (یا به دیگر آن ها) در طول زمان ثابت است؛ iii) قادر به تولید طیف با قله در فرکانس چرخه کسب و کار. از آنجایی که چرخه های تجاری نوسانات فعالیت اقتصادی را شامل می شوند، در حالی که در بسیاری از متغیرهای اقتصاد کلان، در یک زمان متغیر هستند، نقطه (i) ضعف ناچیز نیست. تعمیم چند متغیری از مدل MS توسط Krolzig (1997)، در تکملی عالی خود در مدل MS-VAR انجام شد. تا آنجا که به نقطه (ii) مربوط می شود، منطقی در نظر است که احتمال خروج انقباض در همان ابتدای این مرحله همانند چند ماه پس از آن یکسان نیست. برخی از نویسندگان، مانند Diebold و Rudebusch (1990)، Diebold et al. (1993) و واتسون (1994) شواهدی از وابستگی به دوره در چرخه های تجاری ایالات متحده پیدا کرده اند و بنابراین، به عنوان Diebold و همکاران. (1993) اشاره می کند، نتایج مدل استاندارد MS، در این چارچوب، مشخص نشده است. به منظور مقابله با این محدودیت، Durland و McCurdy (1994) Autoregression سوئیچینگ Markov وابسته به مدت زمان وابسته به زمان، طراحی یک فیلتر جایگزین برای متغیر حالت غیر قابل مشاهده معرفی کرد.

Year: 2005

Publisher : ELSEVIER

By : Matteo M. Pelagatti

File Information: English Language/ 25 Page / size: 245 KB

Download

سال : 1384

ناشر : ELSEVIER

کاری از : ماتئو م. پلگاتتی

اطلاعات فایل : زبان انگلیسی / 25 صفحه / حجم : KB 245

لینک دانلود

پاسخ دهید