دانلود ترجمه مقاله خواص و کاربرد اتورگرسیون بردار مارکوف سوِئیچینگ تابع زمان – نشریه SSRN

مشخصات مقاله انگلیسی و ترجمه فارسی
سال انتشار	2005
تعداد صفحات مقاله انگلیسی	25 صفحه با فرمت pdf
تعداد صفحات ترجمه مقاله	27 صفحه با فرمت word به صورت تایپ شده با قابلیت ویرایش
رشته های مرتبط با این مقاله	مهندسی کامپیوتر و ریاضی
گرایش های مرتبط با این مقاله	ریاضی کاربردی و مهندسی نرم افزار
دانشگاه	گروه آمار، دانشگاه میلان، ایتالیا
کلمات کلیدی	مارکف سوئیچینگ، چرخه کسب و کار، نمونه گیری گیبز، وابسته به زمان، اتورگرسیون برداری
رفرنس	دارد
لینک مقاله در سایت مرجع	لینک این مقاله در سایت SSRN
نشریه SSRN

بخشی از ترجمه:

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.
مقدمه
از زمان بررسی های مقدماتی هامیلتون (١٩٨٩)، 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: ١) به صورت یک متغیره می باشد، ٢) احتمال تغییر از یک حالت به حالت دیگر ( یه به موارد دیگر) با گذشت زمان ثابت می باشد،
٣) 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 ١) به صورت نقطه ضعف قابل اقماض نمی باشد. تعمیم چندمتغیره مدل MS توسط کرولزینگ (١٩٩٧) در رساله ممتاز او در مورد مدل MS انجام شده است.
همان طور که در مورد ٢ 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 (١٩٩٠)، دیبولد و همکارانش (١٩٩٣) و واتسون (١٩٩۴) شواهدی را در مورد وابستگی در طول مدت در چرخه کسب و کار ایالات متحده یافته اند و بنابراین دیبولد و همکارانش (١٩٩٣) اشاره می کنند که، نتایج مدل MS استاندارد، در این چارچوب نامشخص می باشد. برای روبرو شدن با این محدودیت، دورلند، مک کاردی (١٩٩۴) 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(١٩٩۴) مشابه فیلتر هامیلتون می باشد که برای زنجیره مارکف کلی تر نشان داده شده است. درحالیکه دورلاند و مک کاردی (١٩٩۴) 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.
فرمت : zipحجم : 1.34مگابایتشماره ثبت : 411

بخشی از مقاله انگلیسی:

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.

Introduction and motivation

Since the path-breaking paper of Hamilton (1989), many applications of the Markov switching autoregressive model (MS-AR) to business cycle analysis have demonstrated its potential, particularly in dating the cycle in an “objective” way. The basic MS-AR model has, nevertheless, some limitations: (i) it is univariate, (ii) the probabilities of transition from one state to the other (or to the other ones) are constant over time, iii) it is not capable of generating spectra with peaks in the business cycle frequencies. Since business cycles are fluctuations of the aggregate economic activity, involving many macroeconomic variables at the same time, point (i) is not a negligible weakness. The multivariate generalization of the MS model was carried out by Krolzig (1997), in his excellent monograph on the MS-VAR model.

As far as point (ii) is concerned, it is reasonable to believe that the probability of exiting a contraction is not the same at the very beginning of this phase as after several months. Some authors, such as Diebold and Rudebusch (1990), Diebold et al. (1993) and Watson (1994) have found evidence of duration dependence in the U.S. business cycles, and therefore, as Diebold et al. (1993) point out, the standard MS model results, in this framework, miss-specified. In order to face this limitation, Durland and McCurdy (1994) introduced the univariate duration-dependent Markov switching autoregression, designing an alternative filter for the unobservable state variable. In the present article the duration-dependent switching model is generalized in a multivariate manner, and it is shown how standard tools related to the MS-AR model, such as Hamilton’s filter and Kim’s smoother (Kim, 1994) can be used to model duration dependence. Indeed, the filter proposed by Durland and McCurdy (1994) may be shown to be equivalent to Hamilton’s filter calculated for a more general Markov chain. While Durland and McCurdy (1994) carry out their inference on the model by exploiting maximum likelihood estimation, we relay on Bayesian inference using Markov chain Monte Carlo (MCMC) techniques. The advantages of this technique are at least threefold. It does not relay on asymptotics 2 , and in latent variable models, where the unknowns are many, asymptopia may be far away. Inference on the latent variables is not conditional on the estimated parameters (like in MLE). Furthermore, since inference on MS models is notoriously rather sensitive to the presence of outliers, the possibility of using prior distributions on the parameters may limit their damages, making the estimates more robust.

دانلود رایگان مقاله انگلیسی

خرید ترجمه فارسی مقاله