蒙特卡罗模拟是从指定的概率模型生成独立随机抽取的过程。在模拟时间序列模型时,一次抽取(或实现)是指定长度的整个样本路径N,Y1.,Y2.,...,YN. 当生成大量绘图时,例如M,您生成M采样路径,每种长度N.
笔记
蒙特卡罗模拟的一些扩展依赖于生成相关的随机图,如马尔可夫链蒙特卡罗(MCMC)。这个模拟
函数在计量经济学工具箱™生成独立的实现。
蒙特卡罗模拟的一些应用包括:
说明理论结果
预测未来事件
估计未来事件的概率
条件均值模型通过条件均值结构描述过程随时间的动态演化。要对条件平均模型进行蒙特卡罗模拟:
指定预采样数据(或使用默认预采样数据)。
从指定的创新分布生成不相关的创新序列。
通过递归应用指定的AR和MA多项式运算符生成响应。AR多项式运算符可以包括差分。
例如,考虑AR(2)过程,
给定样本前响应Y0和Y–1,以及模拟创新 过程的实现是递归生成的:
对于MA(12)工艺,例如:
您需要12个采样前创新来初始化模拟。默认情况下,模拟
设定样品创新等于零。剩下的N创新是从创新过程中随机抽取的。
使用许多模拟路径,可以估计模型的各种特征。然而,蒙特卡罗估计是基于有限数量的模拟。因此,蒙特卡罗估计会有一定的误差。通过增加采样路径的数量,可以减少模拟研究中的蒙特卡罗误差,M,从模型生成的。
例如,估计未来事件的概率:
生成M模型中的示例路径。
使用事件发生的样本比例估计未来事件的概率M模拟,,
计算估计的蒙特卡罗标准误差,
您可以通过增加实现的数量来减少概率估计的蒙特卡罗误差。如果您知道所需的估计精度,则可以计算实现该精度所需的实现数量。