值得注意的是,Dickey-Savage检验对正确确定回归向量是敏感的:在密集设计中,当SSVS先验比马蹄先验表现更差时,在(0,0.5)和(0,0)情况下的DS检验显示错误支持信号στ9.6结论在本文中,我们通过改进的贝叶斯结构时间序列(BSTS)模型研究了一系列谷歌趋势搜索词在美国实际GDP增长中的附加收益。我们将Scott和Varian(2014)的BSTS扩展为一个非中心公式,该公式允许将状态方差缩小到零,以避免过度配置状态,从而让数据说明潜在结构。我们进一步扩展和比较了用于回归部分的先验,这些先验允许底层模型维度的不可知性,以适应稀疏和稠密解,以及Carvalho等人的广泛成功的horseshoe先验。(2010)。我们发现谷歌趋势改善点和密度现在实时播报,但我们不报告原始BSTS模型的DS测试。这是由于状态方差的先验在零上没有质量,因此是不可测的。稀疏稠密(στ,σα)(0.5,0)(0.0.5)(0.5,0.5)(0,0)(0.5,0)(0,0.5)(0.5,0.5)(0.5,0.5)(0.5,0.5)(0,0)(0.5,0)(0.5,0.5)(0,0)(0.5,0)(0.5,0)(0,0.5)(0.5,0)(0,0.5)(0.5,0.5)(0.5,0)(0,0.5)(0.5,0.5)(0.5,0.5)(0,0.5)(0.5,0.5)(0,0.5)(0.5,0.5)(0,0.5)(0.5,0.5)(0,0.5)(0.5,0.5)(0,0.5)(0.5,0.5)(0,0.5)(0.5,0.5)(0,0.5)(0.5,0.5)(0,0.5)(0.5,0.5)(0.5 3.804 1.402 DS(σα=0)DS(σα=0)HS 0.062 41.587 722.319 0.026 0.112 1772.907 96.015 0.068 SSVS 0.058 4.63E+10 1.05E+08 0.005 0.071 1.29E+10 7.56E+04 0.021表2:平均Dickey-Savage密度比和偏差结果。由于SAVS算法是在推论后的迭代基础上进行的,因此στ,α余数的后验值被插上,因此得到了与HS-BSTS模型相同的结果。在宏观信息滴入之前,所研究的样本可以期望有最大的改进。在所有模型中,后验包含概率最高的搜索词与GDP增长负相关,我们认为这源于它们发出的信号,可能是由于预期的大低谷而引起的特别关注。这一主张尤其应该通过更大的谷歌趋势样本和其他国家进行调查。仿真结果表明,在密集DGPS情况下,马蹄形先验BSTS模型在估计精度上有最大的提高。它进一步发现,非中心状态先验能够正确识别潜在结构,无论在从噪声中检测信号之前对回归的敏感性如何。本研究中尚未探讨的一个方面是,谷歌趋势可能在与Koop和Onorante(2019)所研究的宏观变量的关系中具有时间推算的重要性。搜索词可能高度符合上下文,因此可能能够预测某些时期的转折点,但不能预测其他时期的转折点。鉴于对谷歌趋势的有限的四分之四观察,这个研究问题的重要性将随着时间的推移而提高。参考Alexopoulos,M.和J.Cohen(2015)。印刷的力量:不确定性冲击,市场和经济。国际经济与金融评论40,8-28.Antolin-Diaz,J.,T.Drechsel,I.Petrella(2017).跟踪长期GDP增长放缓。《经济学与统计学评论》99(2),343-356,Askitas,N.和K.F.Zimmermann(2009)。谷歌计量经济学和失业预测。贝克,S.R,N.布鲁姆和S.J.戴维斯(2016)。衡量经济政策的不确定性。经济学季刊131(4),1593-1636。Ba\'nbura,M.,D.Giannone,M.Modugno,L.
|