مقاله ترجمه شده مدل اتورگرسیون برداری مارکف سویچینگ وابسته به طول زمان: خصوصیات، استنباط بیزی، نرم افزار و برنامه کاربردی

مدل های اتورگرسیون برداری مارکف سویچینگ VAR (DDMS-VAR) به عنوان مدل های سری زمانی با فرایند تولید داده، شامل ادغام دو فرایند VAR ( انورگرسیون برداری) می باشد. تغییر بین این دو فرایند VAR ، توسط دو حالت زنجیره مارکف با احتمالات انتقال کنترل می گردد که بستگی به این دارد که چه مدتی زنجیره در یک حالت قرار می گیرد. در این مقاله، به تجزیه و تحلیل خصوصیات مرتبه دوم چنین مدل هایی پرداخته و الگوریتم مونت کارلو زنجیره مارکف را برای انجام استنباط فازی بر روی موارد مجهول مدل، مطرح می کنیم. علاوه بر این، نرم افزار منبع باز که توسط محقق برای تحلیل سری زمانی به وسیله مدل های DDMS-VAR نوشته شده است، توضیح داده می شود. ای روش و نرم افزار برای تجزیه و تحلیل چرخه کسب و کار ایالات متخده امریکا کاربرد دارد.

Duration dependent Markov-switching VAR (DDMS-VAR) models are time series
models with data generating process consisting in a mixture of two VAR processes.
The switching between the two VAR processes is governed by a two state Markov
chain with transition probabilities that depend on how long the chain has been in
a state. In the present paper we analyze the second order properties of such models
and propose a Markov chain Monte Carlo algorithm to carry out Bayesian inference
on the model’s unknowns. Furthermore, a freeware software written by the author
for the analysis of time series by means of DDMS-VAR models is illustrated. The
methodology and the software are applied to the analysis of the U.S. business cycle.

تعداد صفحه های فارسی33
تعداد صفحه های انگلیسی25
سال انتشار2005

• مشخصات محصول
• دسته‌بندی محصول
• برچسب‌ها
• دیدگاه‌ها