Распределение Миннесоты
Распределе́ние Миннесо́ты (Прайор Литтермана, англ. Minnesota prior, Litterman prior), априорное распределение для байесовской модели векторной авторегрессии (BVAR). Является одним из наиболее часто используемых априорных распределений для BVAR-моделей в байесовской эконометрике. Распределение предложено в работах Т. Доана, Р. Литтермана, К. Симса (Doan. 1984) и Р. Литтермана (Litterman. 1986).
Суть использования данного распределения заключается в следующем. Рассматривается модель BVARX():
где – число лагов, – вектор эндогенных переменных в период времени , содержащий эндогенных переменных, – матрица коэффициентов при -ом лаге эндогенных переменных, – вектор, включающий экзогенных переменных с учётом константы, – матрица коэффициентов экзогенных переменных, – вектор ошибок в период времени , имеющий многомерное нормальное распределение .
В более компактной форме эта модель записывается с помощью следующего уравнения:
где .
Матрица объясняющих переменных задаётся как:
,
где .
Предполагается, что рассматриваемые макроэкономические ряды являются независимыми, в том числе и от экзогенных переменных, и представляют собой некоторый AR(1)-процесс [в оригинальной работе Р. Литтермана («Forecasting with Bayesian vector autoregressions – five years of experience», 1986) предполагалось, что ряды представляют собой процесс случайного блуждания] с коэффициентом [в расширениях распределения Миннесоты AR(1)-коэффициенты также могут быть индивидуальными для рядов]. Это означает, что матрица коэффициентов – диагональная (диагональ заполнена используемым значением ), в то время как матрицы – нулевые. Структура априорной ковариационной матрицы коэффициентов в модели формируется с помощью гиперпараметров и МНК-оценок остаточных дисперсий авторегрессий эндогенных переменных.
Тогда реализация распределения Миннесоты с выбранным гиперпараметром перед первым лагом в матричной записи имеет вид:
Матрица является диагональной, а её элементы формируются с помощью гиперпараметров отдельно для трёх случаев:
Дисперсия собственных лагов эндогенной переменной:
,
где – гиперпараметр всеобщего стягивания, который корректирует величину дисперсии, – гиперпараметр, который регулирует скорость снижения дисперсии по отношению к коэффициентам более поздних лагов переменной, – номер лага.
Лаги других эндогенных переменных:
,
где – гиперпараметр кросс-переменной дисперсии, который регулирует дисперсию у параметров вне главной диагонали матриц и – МНК-оценки остаточных дисперсий авторегрессий переменных и соответственно.
Дисперсия при экзогенных переменных (включая константу):
,
где – гиперпараметр, регулирующий вариацию коэффициентов при экзогенных переменных.
Выбор значения коэффициента и гиперпараметров можно произвести с помощью алгоритма поиска по сетке, который заключается в следующем. Задаются границы интервала, в котором, по предположению, располагается оптимальное значение гиперпараметра, а также величина шага, с которым перебираются значения данного гиперпараметра. Для каждой комбинации рассчитывается функция правдоподобия. Оптимальный набор значений гиперпараметров выбирается посредством сравнения полученных значений функций (Giannone. 2015). В качестве альтернативы можно использовать наиболее апробированные, общепринятые значения из эмпирической литературы. Например, в работе Ф. Кановы («Methods for applied macroeconomic research», 2011) предлагается следующий набор значений: . Значение обычно варьируется от 100 до 10 тыс.
Тогда априорное распределение коэффициентов записывается следующим образом:
Преимущество распределения Миннесоты состоит в том, что апостериорное распределение параметров можно получить аналитически в виде теоретического многомерного нормального распределения. При этом ковариационная матрица остатков предполагается известной. Сформировать её можно тремя путями. Оценить AR(1)-процесс, получив дисперсии эндогенных переменных. Оценить стандартную VAR-модель с помощью обычного МНК можно при использовании только диагональных элементов ковариационной матрицы остатков или при её полном использовании. В первых двух случаях ковариационная матрица будет диагональной. Выбор способа зависит от априорных ожиданий относительно сохранения структуры и взаимосвязи остатков.
В соответствии с байесовской формулировкой:
где – априорное распределение коэффициентов и ковариационной матрицы, – функция правдоподобия, – апостериорное распределение коэффициентов и ковариационной матрицы. Тогда апостериорное распределение коэффициентов представляется в виде:
где
Предпосылка об известной ковариационной матрице остатков может восприниматься как изъян прайора Миннесоты, поскольку в действительности её фактическое значение не наблюдается. Для нивелирования данного недостатка могут быть использованы альтернативные априорные распределения с семплированием ковариационной матрицы остатков. Например, нормальное обратное распределение Уишарта (англ. normal-inverse-Wishart prior) или независимое нормальное обратное распределение Уишарта (англ. independent normal-inverse-Wishart prior).