Новое в 
Байесовская эконометрика
Stata делает эконометрику. Stata делает байесовскую статистику. Stata 17 сочетает оба этих метода для создания байесовской эконометрики.
Байесовская эконометрика использует принципы Байеса для изучения экономических отношений. Насколько вероятно, что дополнительный год обучения в школе увеличит заработную плату? Больше ли вероятность того, что те, кто участвует в программе профессиональной подготовки, останутся на работе в течение следующих пяти лет? Какова вероятность дефолта для портфеля с низким уровнем дефолта? На такие вопросы можно ответить естественным образом в рамках байесовской парадигмы, которая позволяет оценить вероятность любой интересующей гипотезы. См. раздел «Что такое байесовский анализ?», чтобы узнать больше.
Один из призывов к использованию байесовских методов в эконометрическом моделировании — это включение внешней информации о параметрах модели, часто доступной на практике. Эта информация может поступать из исторических данных или естественным путем из знаний об экономическом процессе. Например, может быть известно, что эластичность дохода для некоторых стран меньше 1, или известно, что автокорреляция находится в диапазоне от -1 до 1. В любом случае, байесовский подход позволяет нам объединить эту внешнюю информацию с тем, что мы наблюдаем в текущих данных, чтобы сформировать более реалистичное представление об интересующем нас экономическом процессе.
Вы можете спросить: а что если у меня нет никакой внешней информации? Нет проблем. Без каких-либо информативных предварительных знаний результаты будут похожи на те, которые вы получили бы, используя классические методы эконометрики. Но их интерпретация может быть более интуитивной. Например, 95%-ный доверительный интервал — байесовский аналог доверительного интервала — можно интерпретировать как диапазон, в котором параметр лежит с вероятностью 0,95.
Есть еще одна причина, по которой байесовская эконометрика может быть привлекательной в отсутствие сильных внешних знаний. Модели эконометрики часто описывают сложные экономические теории и, следовательно, имеют много параметров — часто настолько много, что становится невозможным подгонять модели без учета некоторой информации о параметрах модели. В таких ситуациях байесовское эконометрическое моделирование может обеспечить баланс между тем, что наблюдается в данных, и тем, что разумно предположить о параметрах модели для получения надежных выводов.
Например, известно, что модели векторной авторегрессии (VAR) имеют много параметров относительно объема данных. Байесовский анализ этих моделей вводит специализированные прайоры, которые позволяют получить более стабильные оценки параметров.
Также известно, что модели динамического стохастического общего равновесия (DSGE) имеют параметры, которые имеют прямую экономическую интерпретацию и часто имеют логические границы, которые могут быть легко включены различными распределениями приоритетов.
Основные моменты
Оценка
- Встроенные модели с более чем 60 вероятностями и более чем 30 приоритетами
- Пользовательские вероятности и приоритеты
- Одномерные, многомерные и модели с множественными уравнениями
- Линейные, обобщенные линейные и нелинейные модели
- Случайные эффекты и латентные факторы
- Гибкое управление выборкой MCMC
- Многочисленные цепи
Пост-оценка
- Диагностика конвергенции
- Постериорные средние, медианы и стандартные отклонения
- Равнохвостые и доверительные интервалы HPD
- Проверка гипотезы об интервале
- Сравнение моделей с помощью DIC и коэффициентов Байеса
- Предсказания
Среди новых возможностей байесовской эконометрики в Stata 17 вы найдете байесовские VAR-модели, байесовские линейные и нелинейные DSGE-модели и многое другое:
Байесовские VAR-модели
Байесовский анализ IRF и FEVD
Байесовское динамическое прогнозирование
Байесовские модели продольных/панельных данных
Байесовские линейные и нелинейные DSGE модели
Вас также могут заинтересовать другие существующие функции, в том числе
Байесовские линейные модели
Байесовские обобщенные линейные модели
Байесовские модели с нулевым надувом
Байесовские модели выживания (продолжительности)
Байесовские модели выборочного отбора
Байесовские многоуровневые модели
Байесовские модели авторегрессии
и многое другое.
После оценки доступен обширный байесовский вывод, включая диагностику с помощью цепи Маркова Монте-Карло (MCMC), апостериорные сводки линейных и нелинейных функций параметров, проверку интервальных гипотез и сравнение моделей с помощью коэффициентов Байеса; полный список возможностей см. в [BAYES] Байесовская постоценка.