相关视频
Hamilton (1989) 马尔可夫转换模型(_Markov -switching_ _model_)
这是对Hamilton(1989)介绍马可夫转换模型(_Markov -switching_ _model_)的开创性论文的复现。该模型是一个4阶的自回归模型,其中过程的平均值在两个区制之间切换。可以这样写。
每个时期,区制都根据以下的转移概率矩阵进行转换。
其中 pij是从区制 i 转移到区制 j 的概率。
该模型类别是时间序列部分中的MarkovAutoregression。为了创建这个模型,我们必须指定k\_regimes=2的区制数量,以及order=4的自回归阶数。默认模型还包括转换自回归系数,所以在这里我们还需要指定switch\_ar=False。
创建后,模型通过极大似然估计进行拟合。使用期望最大化(EM)算法的若干步骤找到好的起始参数,并应用准牛顿(BFGS)算法来快速找到最大值。
我们绘制了经过过滤和平滑处理的衰退概率。滤波指的是基于截至并包括时间tt(但不包括时间t+1,...,Tt+1,...,T)的数据对时间t的概率估计。平滑化是指使用样本中的所有数据对时间t的概率进行估计。
根据估计的转移矩阵,我们可以计算出衰退与扩张的预期持续时间。
在这种情况下,预计经济衰退将持续约一年(4个季度),扩张约两年半。
Kim, Nelson, and Startz (1998) 三状态方差转换模型。
这个模型展示了带有区制异方差(方差转换)和无平均效应的估计。
模型是:
由于没有自回归成分,这个模型可以用MarkovRegression类来拟合。由于没有平均效应,我们指定趋势='nc'。假设转换方差有三个区制,所以我们指定k\_regimes=3和switching\_variance=True(默认情况下,方差被假定为在不同区制下是相同的)。
下面我们绘制了处于每个区制中的概率;只有在少数时期,才有可能出现高_方差_区制。
Filardo (1994) 时变的转移概率
这个模型展示了用时变的转移概率进行估计。
在上述模型中,我们假设转移概率在不同时期是不变的。在这里,我们允许概率随着经济状况的变化而变化。否则,该模型就是Hamilton(1989)的马尔可夫自回归。
每个时期,区制现在都根据以下的时变转移概率矩阵进行转移。
其中 pij,tipij,t 是在 t 期间从区制 i 转移到区制 j 的概率,并定义为。
与其将转移概率作为最大似然法的一部分进行估计,不如估计回归系数βij。这些系数将转移概率与预先确定的或外生的变量xt-1向量联系起来。
时变的转移概率是由exog_tvtp参数指定的。
这里我们展示了模型拟合的另一个特点--使用随机搜索的MLE起始参数。因为马尔科夫转换模型的特征往往是似然函数的许多局部最大值,执行初始优化步骤有助于找到最佳参数。
下面,我们规定对起始参数向量的20个随机扰动进行检查,并将最好的一个作为实际的起始参数。由于搜索的随机性,我们事先设置了随机数种子,以便结果复制。
下面我们绘制了经济运行在低生产状态下的平滑概率,并再次将NBER的衰退情况纳入其中进行比较。
利用时间变化的转移概率,我们可以看到低生产状态的预期持续时间如何随时间变化。
在经济衰退期间,低生产状态的预期持续时间要比经济扩张时高得多。
领取专属 10元无门槛券
私享最新 技术干货