A large Bayesian vector autoregression model for Russia
advertisement
A large Bayesian vector autoregression model for Russia Авторы: Elena Deryugina Alexey Ponomarenko Отзыв подготовил: Н. Г. Арефьев 14 декабря 2014 г. Общее впечатление Общее впечатление I Выглядит убедительно: I БВАРы стоит рассматривать как один из инструментов для построения прогнозов по России Общее впечатление I Выглядит убедительно: I I БВАРы стоит рассматривать как один из инструментов для построения прогнозов по России Неубедительно: Общее впечатление I Выглядит убедительно: I I БВАРы стоит рассматривать как один из инструментов для построения прогнозов по России Неубедительно: I Имеет смысл рассматривать настолько большие БВАРы для России Общее впечатление I Выглядит убедительно: I I БВАРы стоит рассматривать как один из инструментов для построения прогнозов по России Неубедительно: I I Имеет смысл рассматривать настолько большие БВАРы для России Построенная БВАР лучше предсказывает будущее, чем стандартная ВАР или lasso Общее впечатление I Выглядит убедительно: I I БВАРы стоит рассматривать как один из инструментов для построения прогнозов по России Неубедительно: I I I Имеет смысл рассматривать настолько большие БВАРы для России Построенная БВАР лучше предсказывает будущее, чем стандартная ВАР или lasso Анализ функций импульс-распространение и “counterfactual scenario” позволяют сделать какие-то содержательные выводы Общее впечатление I Выглядит убедительно: I I БВАРы стоит рассматривать как один из инструментов для построения прогнозов по России Неубедительно: I I I I Имеет смысл рассматривать настолько большие БВАРы для России Построенная БВАР лучше предсказывает будущее, чем стандартная ВАР или lasso Анализ функций импульс-распространение и “counterfactual scenario” позволяют сделать какие-то содержательные выводы Модель достаточно регуляризована Размер БВАР Размер БВАР I В каждом уравнении оценивается 5 × 14 = 70 параметров по 45 наблюдениями Размер БВАР I В каждом уравнении оценивается 5 × 14 = 70 параметров по 45 наблюдениями I Байесовский метод регуляризирует оценку, однако достаточна ли эта регуляризация? Размер БВАР I В каждом уравнении оценивается 5 × 14 = 70 параметров по 45 наблюдениями I Байесовский метод регуляризирует оценку, однако достаточна ли эта регуляризация? I Сократить число лгов или объясняющих переменных – тоже способ регуляризации, чем он хуже? Размер БВАР I В каждом уравнении оценивается 5 × 14 = 70 параметров по 45 наблюдениями I Байесовский метод регуляризирует оценку, однако достаточна ли эта регуляризация? I Сократить число лгов или объясняющих переменных – тоже способ регуляризации, чем он хуже? -> Возможно, 14 переменных и 5 лагов – слишком много для 45 наблюдений? Сравнение c VAR Сравнение c VAR I Оцененная модель сравнивается с VAR c 5 лагами и 6 переменными Сравнение c VAR I Оцененная модель сравнивается с VAR c 5 лагами и 6 переменными I 30 оцениваемых параметров на каждое уравнение при 45 наблюдениях Сравнение c VAR I Оцененная модель сравнивается с VAR c 5 лагами и 6 переменными I I 30 оцениваемых параметров на каждое уравнение при 45 наблюдениях В чем смысл сравнения с такой моделью? Сравнение c VAR I Оцененная модель сравнивается с VAR c 5 лагами и 6 переменными I I I 30 оцениваемых параметров на каждое уравнение при 45 наблюдениях В чем смысл сравнения с такой моделью? Если оценивать уравнения одно за одним, почему не использовать lasso? Конкурент N 1 для БВАРов. Функции импульс-распространение и сценарные расчеты Функции импульс-распространение и сценарные расчеты I Correlation does not imply causation Функции импульс-распространение и сценарные расчеты I Correlation does not imply causation I Изменение идентификационных гипотез может сменить выводы на противоположные Функции импульс-распространение и сценарные расчеты I Correlation does not imply causation I Изменение идентификационных гипотез может сменить выводы на противоположные I “Обобщенные” функции импульс-распространение не позволяют делать выводы об адекватности модели Функции импульс-распространение и сценарные расчеты I Correlation does not imply causation I Изменение идентификационных гипотез может сменить выводы на противоположные I “Обобщенные” функции импульс-распространение не позволяют делать выводы об адекватности модели I Сценарные расчеты – пециальный случай функций импульс-распространение Функции импульс-распространение и сценарные расчеты I Correlation does not imply causation I Изменение идентификационных гипотез может сменить выводы на противоположные I “Обобщенные” функции импульс-распространение не позволяют делать выводы об адекватности модели I Сценарные расчеты – пециальный случай функций импульс-распространение I Все оценки смещенные Функции импульс-распространение и сценарные расчеты I Correlation does not imply causation I Изменение идентификационных гипотез может сменить выводы на противоположные I “Обобщенные” функции импульс-распространение не позволяют делать выводы об адекватности модели I Сценарные расчеты – пециальный случай функций импульс-распространение I Все оценки смещенные I Нестационарность не учтена Регуляризация Регуляризация I Нет гарантии, что the model does not overfit the data Регуляризация I Нет гарантии, что the model does not overfit the data I Предсказание роста и падения фондового рынка – больше похоже на overfitting, чем на робастный результат Регуляризация I Нет гарантии, что the model does not overfit the data I Предсказание роста и падения фондового рынка – больше похоже на overfitting, чем на робастный результат Что было причиной падения выпуска в 2008 г? I Регуляризация I Нет гарантии, что the model does not overfit the data I Предсказание роста и падения фондового рынка – больше похоже на overfitting, чем на робастный результат Что было причиной падения выпуска в 2008 г? I I Обнаруженный вклад ВВП ЕС в падение ВВП России тоже выглядит как overfitting. Выводы Выводы I БВАРы для России – перспективная область исследований I Конкретная БВАР не убедительна
