贝叶斯向量自回归模型

使用VARX模型系数和协方差矩阵的各种先验模型进行后验估计和仿真

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）具有先验概率分布当与数据结合形成后验分布时，该框架可以产生更灵活的模型和直观的推断。

要开始贝叶斯VAR分析，请创建Previor model对象，该对象最好地描述了您先前对系数和协方差矩阵联合分布的假设。贝斯瓦姆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，根据后验分布进行模拟，或使用预测后验分布预测响应。

物体

`正常臂`	具有正态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
`共轭波瓦姆`	数据似然的共轭先验贝叶斯向量自回归（VAR）模型
`半共轭臂`	数据似然的半共轭先验贝叶斯向量自回归（VAR）模型
`扩散臂`	数据似然的扩散先验贝叶斯向量自回归（VAR）模型
`经验主义者`	具有先验或后验分布样本的贝叶斯向量自回归（VAR）模型

贝斯瓦姆 创建先验贝叶斯向量自回归（VAR）模型对象

`估计`	贝叶斯向量自回归（VAR）模型参数的后验分布估计
`总结`	贝叶斯向量自回归（VAR）模型的分布汇总统计

`西姆斯穆思`	贝叶斯向量自回归（VAR）模型的仿真平滑器
`模拟`	模拟贝叶斯向量自回归（VAR）模型的系数和新息协方差矩阵

`预测`	贝叶斯向量自回归（VAR）模型的预测响应

下载电子书