Novinky ve 
Bayesovská analýza IRF a FEVD
K popisu výsledků vícerozměrných modelů časových řad, jako jsou modely VAR a DSGE, se běžně používají funkce impulzní odezvy (IRF), dynamické multiplikační funkce a rozklady rozptylu prognózy a chyby (FEVD). Tyto modely mohou mít mnoho parametrů, jejichž interpretace může být obtížná. IRF a další funkce spojují vliv více parametrů do jednoho souhrnu (za časové období). IRF například měří vliv šoku (změny) v jedné proměnné, jako je míra inflace, na danou výslednou proměnnou, jako je míra nezaměstnanosti.
V programu Stata 17 můžete provádět bayesovskou analýzu IRF pomocí nového příkazu bayesirf.
Bayesovské IRF (a další funkce) se počítají z „přesného“ posteriorního rozdělení IRF, které se nespoléhá na předpoklad asymptotické normality. Mohou také poskytovat stabilnější odhady pro malé soubory dat, protože zahrnují předběžné informace o parametrech modelu.
IRF a další funkce můžete získat po fitování bayesovského VAR modelu pomocí bayes: var. A bayesovské IRF můžete získat po fitování bayesovských lineárních a nelineárních DSGE modelů pomocí bayes: dsge a bayes: dsgenl.
bayesirf poskytuje několik dílčích příkazů pro vytváření, vykreslování grafů a tabelování IRF a souvisejících funkcí. Můžete vytvořit více výsledků IRF a kombinovat je v tabulkách a grafech. Můžete dokonce zahrnout výsledky IRF z klasické frekvenční analýzy pro srovnání.
Nejdůležitější informace
- Funkce impulzní odezvy
- Dynamické multiplikátory
- Rozklady rozptylu předpovědi a chyby
- Vytváření grafů a tabulek funkcí a jejich ukládání do aktuálních dat
- Zadejte horizont předpovědi
- Posteriorní průměry nebo mediány funkcí
- Posteriorní směrodatné odchylky
- Posteriorní věrohodné intervaly
- Vytváření a kombinování více výsledků IRF
Podívejme se, jak to funguje
V Bayesovských modelech VAR jsme ukázali základní Bayesovskou analýzu IRF s použitím makrodat USA, což jsou čtvrtletní údaje od prvního čtvrtletí roku 1954 do čtvrtého čtvrtletí roku 2010. Zde si ukážeme další příklady bayesovské IRF a FEVD analýzy.
Chceme studovat vztahy mezi inflací, mezerou výstupu a sazbou federálních fondů. Zejména nás zajímá vliv sazby federálních fondů na ostatní výsledky v modelu.
Zde jsou data.
. webuse usmacro (Federal Reserve Economic Data - St. Louis Fed) . tsset Time variable: date, 1954q3 to 2010q4 Delta: 1 quarter . tsline inflation ogap fedfunds

Použili jsme bayesovský VAR model se třemi zpožděními. Výstup z něj zde potlačíme, ale více informací o příkazu si můžete přečíst v části Bayesian VAR model.
. quietly bayes, rseed(17) saving(bvarsim): var inflation ogap fedfunds, lags(1/3)
Nový příkaz bayesirf poskytuje několik dílčích příkazů pro bayesovskou analýzu IRF a FEVD. Tři hlavní jsou bayesirf create, bayesirf graph, a bayesirf table. bayesirf create vypočítá IRF a další funkce a uloží je do datové sady IRF, bayesirf graph je vykreslí a bayesirf table je zobrazí v tabulce. Další dílčí příkazy umožňují kombinovat grafy a tabulky více funkcí a spravovat výsledky IRF; viz [BAYES] bayesirf.
V klasické analýze je IRF (a další funkce) jedinou funkcí pro dané proměnné odezvy a impulsu. V bayesovské analýze získáme celý MCMC vzorek IRF simulovaný z posteriorního rozdělení. Tento vzorek je shrnut tak, aby vznikla jediná statistika, například posteriorní střední IRF nebo posteriorní medián IRF.
Začneme vytvořením IRF a dalších funkcí. Naše výsledky IRF pojmenujeme jako birf a uložíme je do datové sady Stata birfex.irf.
. bayesirf create birf, set(birfex) (file birfex.irf created) (file birfex.irf now active) (file birfex.irf updated)
Dále vykreslíme IRF s fedfunds jako impulsní proměnnou.
. bayesirf graph irf, impulse(fedfunds)

Šok na sazbu federálních fondů má sám o sobě pozitivní vliv, který se v čase snižuje, ale po osmi čtvrtletích je stále pozitivní. Šok ze sazby federálních fondů má malý vliv na mezeru výstupu a malý pozitivní vliv na inflaci, který po dvou čtvrtletích mizí.
Výsledky si můžeme prohlédnout v tabulce.
. 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 | |
Účinky šoku můžeme sledovat v delším časovém horizontu zadáním více časových období v parametru step() příkazu bayesirf create. Nahradíme aktuální výsledky a navíc uložíme vzorek IRF MCMC do souboru birfsim.dta.. (Výsledky IRF MCMC potřebujeme, pokud chceme vypočítat jiné věrohodné intervaly než výchozí 95% intervaly s rovným chvostem pomocí dílčích příkazů bayesirf, což si ukážeme později).
. 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)

Přidání dalších časových období nám umožňuje dále zkoumat dynamiku sazby federálních fondů. Šok na sazbu federálních fondů má sám o sobě pozitivní vliv po dobu prvních 14 čtvrtletí. V předchozím příkladu s kratším horizontem jsme tento efekt nemohli pozorovat. Naše závěry o vlivu sazby federálních fondů na ostatní proměnné zůstávají stejné.
Můžeme se podívat na další funkce a vykreslit je vedle sebe pomocí bayesirf cgraph. Vykreslíme ortogonální IRF a FEVD.
. bayesirf cgraph (birf fedfunds fedfunds oirf) (birf fedfunds fedfunds fevd)

Ortogonální IRF (OIRF) popisují impulzní odezvu na šok o jedné standardní odchylce. FEVD měří podíl rozptylu chyby, který je vysvětlen šokem sazby federálních fondů. OIRF podporují naše předchozí závěry založené na IRF. FEVD ukazuje, že šok fedfunds převažuje v prvním kroku, ale pak se v průběhu času snižuje.
Více výsledků můžeme také zobrazit v tabulce pomocí bayesirf ctable. Pro stručnost uvádíme pouze první tři kroky.
. 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 | |
Místo výchozích posteriorních průměrů a rovnoměrných věrohodných intervalů můžeme uvádět posteriorní mediány a HPD věrohodné intervaly. (Můžeme to udělat, protože jsme již dříve uložili výsledky IRF MCMC pomocí bayesirf create.)
. 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 | |
Pomocí volby clevel() můžete také změnit výchozí 95% hladinu věrohodnosti.
Po analýze odstraníme soubory vytvořené pomocí bayes: var a bayesirf create, pokud je již nepotřebujeme.
. erase bvarsim.dta . erase birfsim.dta . erase birfex.irf