贝叶斯向量自回归模型

利用多种先验模型进行后验估计和仿真，对VARX模型系数和协方差矩阵进行创新

贝叶斯向量自回归(VAR)模型假设所有模型系数(AR系数矩阵、模型常数向量、线性时间趋势向量和外生回归系数矩阵)和创新协方差矩阵具有先验概率分布。当与数据结合形成后验分布时，该框架可以导致更灵活的模型和直观的推断。

要开始贝叶斯VAR分析，请创建先验模型对象，该对象最好地描述了您对系数和创新协方差矩阵的联合分布的先验假设。bayesvarm创建具有明尼苏达先验正则化结构的贝叶斯VAR模型。然后，使用先验模型和数据，估计后验分布的特征，从后验分布进行模拟，或使用预测后验分布预测响应。

对象

`normalbvarm`	具有正常共轭先验和固定协方差的数据似然贝叶斯向量自回归(VAR)模型
`conjugatebvarm`	数据似然的共轭先验贝叶斯向量自回归模型
`semiconjugatebvarm`	基于半估计先验的贝叶斯向量自回归(VAR)模型
`diffusebvarm`	基于扩散先验的贝叶斯向量自回归(VAR)模型
`empiricalbvarm`	贝叶斯向量自回归(VAR)模型，样本来自先验或后验分布

bayesvarm 创建先验贝叶斯向量自回归(VAR)模型对象

`估计`	估计贝叶斯向量自回归模型参数的后验分布
`总结`	贝叶斯向量自回归(VAR)模型的分布摘要统计

`simsmooth`	贝叶斯向量自回归(VAR)模型的仿真平滑化
`模拟`	模拟贝叶斯向量自回归(VAR)模型的系数和创新协方差矩阵

`预测`	基于贝叶斯向量自回归(VAR)模型的响应预测