Újdonságok a -ben

Bayesi IRF és FEVD analízis

Az impulzus-válasz függvényeket (IRF), a dinamikus szorzó funkciókat és az előrejelzés-hiba variancia bontásokat (FEVD) általában használják a többváltozós idősoros modellek, például a VAR és a DSGE modellek eredményeinek leírására. Ezeknek a modelleknek sok paraméterük lehet, amelyek nehezen értelmezhetőek. Az IRF-ek és más funkciók több paraméter hatását egy összefoglalásba foglalják (időszakonként). Például az IRF-ek mérik a sokk (változás) hatását egy változóban, például az inflációs rátát egy adott kimeneti változóra, például a munkanélküliségi rátára.
A Stata 17-ben Bayes IRF-elemzést hajthat végre az új bayesirf paranccsal.
A Bayes-i IRF-eket (és egyéb funkciókat) az IRF-ek „pontos” hátsó eloszlásából számolják, amely nem támaszkodik az aszimptotikus normalitás feltételezésére. Stabilabb becsléseket is nyújthatnak a kis adatkészletekhez, mert előzetes információkat tartalmaznak a modell paramétereiről.
A Bayesi VAR modell illesztése után IRF-eket és egyéb funkciókat állíthat elő a bayes: var használatával. A Bayes-i lineáris és nemlineáris DSGE modellek illesztése után Bayes-i IRF-eket szerezhet be a bayes: dsge és a bayes: dsgenl használatával.
A bayesirf számos alparancsot kínál az IRF és a kapcsolódó funkciók létrehozásához, ábrázolásához és táblázatos megjelenítéséhez. Több IRF eredményt is létrehozhat, és táblázatokban és grafikonokban kombinálhatja őket. Összehasonlításképpen felveheti a klasszikus gyakoriak elemzéséből származó IRF eredményeket is.

Kiemelt

  • Impulzus-válasz funkciók
  • Dinamikus szorzók
  • Előrejelzési-hiba varianciabontások
  • Függvények ábrázolása és táblázata, valamint mentése az aktuális adatokba
  • Adja meg az előrejelzési horizontot
  • Utólagos funkciók vagy mediánok
  • Utólagos szórások
  • Utólagos hiteles intervallumok
  • Hozzon létre és kombináljon több IRF eredményt

Lássuk hogyan működiket

Bayesi VAR-modellekben az alapos Bayesi IRF-elemzést mutattuk be az Egyesült Államok makrodataival, amelyek 1954 első negyedévétől 2010 negyedik negyedévéig tartó negyedéves adatok. Itt további példákat mutatunk be a bayesi IRF és FEVD elemzésre.
Meg akarjuk vizsgálni az infláció, a kibocsátási rés és a szövetségi alapok arányának összefüggéseit. Különösen érdekel minket a szövetségi alapok arányának hatása a modell többi eredményére.
Itt van az adat.

. webuse usmacro
(Federal Reserve Economic Data - St. Louis Fed)

. tsset

Time variable: date, 1954q3 to 2010q4
        Delta: 1 quarter

. tsline inflation ogap fedfunds

Három lemaradással illesztünk egy Bayes-i VAR modellt. Itt elnyomjuk a kimenetet, de a parancsról Bayesian VAR modellben olvashat bővebben.

. quietly bayes, rseed(17) saving(bvarsim): var inflation ogap fedfunds, lags(1/3)

Az új bayesirf parancs számos alparancsot biztosít a bayesi IRF és FEVD elemzéshez. Három fő a bayesirf létrehozása, a bayesirf create, bayesirf graph, és bayesirf table. bayesirf create az IRF-eket és más függvényeket, és elmenti azokat egy IRF-adatkészletbe, a bayesirf graph ábrázolja őket, és a bayesirf table egy táblázatban jeleníti meg őket. Más alparancsok lehetővé teszik több függvény grafikonjainak és tábláinak kombinálását és az IRF eredmények kezelését; lásd [BAYES] bayesirf.
A klasszikus elemzésben az IRF (és más funkciók) egyetlen függvény az adott válasz- és impulzusváltozókhoz. A Bayes-analízis során egy teljes MCMC mintát kapunk a hátsó eloszlásból szimulált IRF-ekből. Ezt a mintát összefoglalva egyetlen statisztikát állítunk elő, mint például a posterior átlag IRF vagy a posterior medián IRF.
Az IRF-ek és más funkciók létrehozásával kezdjük. Az IRF eredményeinket birf nevezzük, és a birfex.irf Stata adatkészletbe mentjük.

. bayesirf create birf, set(birfex)
(file birfex.irf created)
(file birfex.irf now active)
(file birfex.irf updated)

Ezután az IRF-et ábrázoljuk fedfundokkal, mint impulzus változóval.

. bayesirf graph irf, impulse(fedfunds)

A szövetségi alapok arányának sokkja pozitív hatással van önmagára, amely idővel csökken, de nyolc negyedév után is pozitív. A szövetségi alapok kamat-sokkja alig befolyásolja a kibocsátási rést, és kicsi pozitív hatással van az inflációra, amely két negyedév után eltűnik.
Az eredményeket egy táblázatban láthatjuk.

. bayesirf table irf, response(ogap) impulse(fedfunds)

Results from birf

(1) (1) (1)
Step irf Lower Upper
0 0 0 0
1 .018505 -.062511 .10086
2 -.013814 -.141146 .116743
3 -.038081 -.193427 .117507
4 -.060205 -.238349 .118354
5 -.078581 -.275435 .120713
6 -.093737 -.307345 .126362
7 -.105821 -.328061 .126226
8 -.115108 -.344162 .127231
Posterior means reported. 95% equal-tailed credible lower and upper bounds reported. (1) irfname = birf, impulse = fedfunds, and response = ogap.

A sokk hatásait hosszabb távon láthatjuk, ha több időtartamot határoz meg a bayesirf create step() opciójában. Cseréljük a jelenlegi eredményeket, és az IRF MCMC mintát a birfsim.dta fájlba mentjük. (Szükségünk van az IRF MCMC eredményekre, ha az alapértelmezett 95% -os egyenfarú intervallumoktól eltérő hiteles intervallumokat akarunk kiszámítani a bayesirf alparancsokkal, amelyeket később bemutatunk.) x

. bayesirf create birf, set(birfex) step(25) mcmcsaving(birfsim) replace
(file birfex.irf now active)
file birfsim.dta saved.
(file birfex.irf updated)

. bayesirf graph irf, impulse(fedfunds)

További időszakok hozzáadása lehetővé teszi számunkra, hogy tovább vizsgáljuk a szövetségi alapok kamatlábát. A szövetségi alapok arányának megrázkódtatása pozitív hatással van önmagára az első 14 negyedévben. Ezt a hatást az előző példában nem tudtuk megfigyelni rövidebb látóhatárral. A szövetségi alapok más változókra gyakorolt hatására vonatkozó következtetéseink ugyanazok maradnak.
A bayesirf cgraph. segítségével megnézhetünk más funkciókat, és egymás mellé rajzolhatjuk őket. Ábrázoljuk az ortogonális IRF-et és FEVD-t.

. bayesirf cgraph (birf fedfunds fedfunds oirf) (birf fedfunds fedfunds fevd)

Az ortogonális IRF-ek (OIRF-ek) leírják az impulzus választ egy standard deviációs sokkra. A FEVD méri a hiba szórásának azon részét, amelyet a szövetségi alapok arányának sokkja magyaráz. Az OIRF-ek alátámasztják az IRF-ekre alapozott korábbi következtetéseinket. A FEVD azt mutatja, hogy a fedfunds sokkja első lépésben elterjedt, de az idő múlásával csökken.
Több eredményt is megjeleníthetünk egy táblázatban a bayesirf ctable használatával. A rövidség kedvéért csak az első három lépést mutatjuk be.

. bayesirf ctable (birf fedfunds fedfunds oirf) (birf fedfunds fedfunds fevd), step(3)

(1) (1) (1)
Step oirf Lower Upper
0 .793208 .72369 .870942
1 .781637 .686623 .886267
2 .713651 .594886 .848175
3 .652003 .518588 .808557
(1) (1) (1)
Step fevd Lower Upper
0 0 0 0
1 .825878 .731612 .909342
2 .765772 .661851 .86463
3 .709687 .593096 .823202
Posterior means reported. 95% equal-tailed credible lower and upper bounds reported. (1) irfname = birf, impulse = fedfunds, and response = fedfunds.

Az alapértelmezett hátsó középértékek és az egyenlő farkú hiteles intervallumok helyett a hátsó mediánokat és a HPD hiteles intervallumokat jelenthetjük. (Megtehetjük, mert az IRF MCMC eredményeket már korábban elmentettük a bayesirf create -be.)

. bayesirf ctable (birf fedfunds fedfunds oirf) (birf fedfunds fedfunds fevd), step(3) median hpd

(1) (1) (1)
Step oirf Lower Upper
0 .79167 .720032 .86681
1 .780219 .686243 .884995
2 .7111 .590842 .842952
3 .648349 .512718 .799466
(1) (1) (1)
Step fevd Lower Upper
0 0 0 0
1 .827376 .737115 .913222
2 .766713 .664094 .865899
3 .710221 .593963 .823788
Posterior medians reported. 95% HPD credible lower and upper bounds reported. (1) irfname = birf, impulse = fedfunds, and response = fedfunds.

A clevel() opcióval módosíthatja az alapértelmezett 95% -os hiteles szintet is.
Elemzés után eltávolítjuk a bayes: var és bayesirf create fájlokat, ha már nincs rájuk szükség.

. erase bvarsim.dta
. erase birfsim.dta
. erase birfex.irf