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

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

چکیده

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.

کلیدواژه: مارکف سوئیچینگ، چرخه کسب و کار، نمونه گیری گیبز، وابسته به زمان، اتورگرسیون برداری

1. مقدمه

از زمان بررسی های مقدماتی هامیلتون (1989)، بسیاری از کاربردهای مدل اتورگرسیون برداری مارکف سویچینگ (MS-AR) برای تحلیل چرخه کسب و کار به اثبات پتانسیل های خود، به ویژه در آشنایی این سیکل به صورت هدفمند، پرداخته است. با این وجود، مدل اصلی MS-AR محدودیت هایی دارد: 1) به  صورت یک متغیره می باشد، 2) احتمال تغییر از یک حالت به حالت دیگر ( یه به موارد دیگر) با گذشت زمان ثابت می باشد،

ص 2

3) قادر به ایجاد طیف هایی با نقطه ماکزیمم در فراوانی چرخه کسب و کار نمی باشد. از ان جایی که چرخه های کسب و کار بر مبنای نوسانات فعالیت های اقتصادی انبوه می باشد، مد نظر قرار دادن همزمان بسیاری از متغیرهای اقتصادی کلان  1) به صورت نقطه ضعف قابل اقماض نمی باشد. تعمیم چندمتغیره مدل MS توسط کرولزینگ (1997) در رساله ممتاز او در مورد مدل MS انجام شده است.

همان طور که در مورد 2 بیان شد، منطقی است تا بر این باور باشیم که احتمال خارج شدن از رکود مشابه ابتدای این فرایند بعد از چندین ماه نمی باشد. بعضی از محققان همانند دیبولد و رودباش (1990)، دیبولد و همکارانش (1993) و واتسون (1994) شواهدی را در مورد وابستگی در طول مدت در چرخه کسب و کار ایالات متحده یافته اند و بنابراین دیبولد و همکارانش (1993) اشاره می کنند که، نتایج مدل MS استاندارد، در این چارچوب نامشخص می باشد. برای روبرو شدن با این محدودیت، دورلند، مک کاردی (1994) به معرفی اتورگرسیون مارکف سوئیچینگ یک متغیری وابسته به مدت زمان پرداخته اند، و فیلترهای دیگری را برای متغیر حالت غیرقابل مشاهده طراحی کرده اند. در مقاله کنونی، مدل سوئیچینگ وابسته به مدت زمان به صورت چندمتغیره تعمیم داده شده است، و نشان داده شده است که چگونه ابزارهای استاندارد مربوط به مدل MS-AR همانند فیلتر هامیلتون و صافی کیم، برای مدل سازی وابستگی به مدت زمان مورد استفاده قرار می گیرند. در واقع فیلتر مطرح شده توسط دورلاند و مک کاردی(1994) مشابه فیلتر هامیلتون می باشد که برای زنجیره مارکف کلی تر نشان داده شده است. درحالیکه دورلاند و مک کاردی (1994) استنباط شان را در مورد مدل با بکارگیری براورد احتمالی حداکثر انجام داده اند، تکیه ما بر روی استنباط بیزی با استفاده از تکنیک مونت کارلو زنیره مارکف (MCMC) می باشد. مزایای این تکنیک حداقل سه گانه می باشد. این تکنیک تکیه ای بر روی مدل های مجانبیات و مدل های متغیر نهفته، یعنی جایی که مجهولات زیاد می باشند، و مجانبیات بعید می باشند، دارد. استنباط در مورد متغیرهای نهفته مشروط به پارامترهای تخمینی نمی باشد ( همانند MLE). علاوه بر این چون استنباط بر روی مدل های MS، نسبت به حضور بدون هشته ها به جای حساس بودن به صورت مجهول می باشد، احتمال استفاده از توزیع اولیه بر روی پارامترها، ضررها را کمتر کرده، و برآوردها را قوی تر می سازند.

تا آنجا که مربوط به مورد 3 می شود، تحلیل خصوصیات مرتبه دوم مدل های DDMS-VAR که در این مقاله به اجرا در میاید، اثبات می کند که این فرایندها طیف هایی را با نقطه ماکزیمم در فراوانی چرخه کسب و کار ایجاد می کند، که مشابه شکل طیف های معمولی بسیاری از متغیرهای اقتصادی می باشد.

این مقاله به صورت زیر بخش بندی شده است: مدل مدل اتورگرسیون برداری مارکف سویچینگ وابسته به مدت زمان (DDMS-VAR) در بخش 2 تعریف می گردد، خصوصیات مرتبه دوم  در بخش 3 نشان داده می شود، در حالیکه استنباط فازی مرتبط به MCMC در بخش 4 توضیح داده می شود؛ بخش 5 مختصرا مشخصه های نرم افزاری DDMSVAR را برای Ox نشان می دهد، توسط پژوهشگر برای مدلسازی مدل DDMS-VAR نوشته شده، و کاربرد مدل و نرم افزار برای چرخه های کسب و کار ایالات متحده در بخش 6 به اجرا در می آید.

Duration Dependent Markov-Switching
Vector Autoregression: Properties, Bayesian
Inference, Software and Application ?
Matteo M. Pelagatti 1
Department of Statistics, Universit`a di Milano–Bicocca, I-20126 Milan, Italy
Abstract
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.
Key words: Markov-switching, business cycle, Gibbs sampler, duration
dependence, vector autoregression.

این فایل ورد (word) ترجمه در 27 صفحه و فایل اصلی لاتین pdf مقاله در 25 صفحه به خدمتتون ارائه میشود.

300,000 ریال – خرید نهایی کردن خرید مورد به سبد خرید اضافه شد