时变参数向量自回归。
很好的做tvp-var的代码,内有说明,很容易上手
补充
在实际应用中,随机波动的假定会由于参数过多而使得似然函数难以估计:
一方面,对高维度的似然函数求其偏导数获得其解析解是十分困难的;
另外一方面,即使求出了解析解,也会由于似然函数存在多个概率峰值,而使得估计出的参数所对应的峰值可能处在不合理的区域(黄威、陆懋祖,2011)。
为解决这一难题,学者们普遍采用贝叶斯估计方法,并将马尔可夫蒙特卡洛方法(MCMC)引入到了该模型中以方便估计后验概率密度函数。
采用贝叶斯估计的优势主要有如下三点:
第一,贝叶斯估计可以通过对先验概率的合理选择避免不合理区域产生的峰值的影响;
第二,贝叶斯估计中观测数据被看成是唯一的,模型的参数作为随机变量以某种概率分布的形式与似然函数相结合;
第三,贝叶斯估计方法可以将复杂的问题简化,有效估计含有高维参数空间和非参数性质的模型。