Estimación Bayesiana de un modelo TAR multivariado cuando el proceso de ruido sigue una distribución t-student
Cargando...
Archivos
Autores
Romero Orjuela, Lizet Viviana
Director
Tipo de contenido
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
En este trabajo se presenta una metodología Bayesiana para realizar la estimación de los parámetros no estructurales (matrices autoregresivas, matrices de covarianzas y los grados de libertad) de un modelo TAR multivariado (MTAR) cuando los errores siguen una distribución t-student multivariada. Para ello se propone el uso de distribuciones a priori no informativas con las cuales se obtienen las distribuciones condicionales completas de los parámetros. Los métodos Monte Carlo de cadenas de Markov serán empleados para extraer muestras de dichas distribuciones. El desempeño de la estimación se pondrá a prueba a través de simulaciones. Finalmente se aplicará el modelo a los datos de los retornos de los índices Bovespa, Colcap y Standard and Poor's
Abstract: In this paper we introduce a Bayesian methodology for the estimation of non - structural parameters (autoregressive matrices, covariance matrices and degrees of freedom) of a multivariate TAR model (MTAR) when the noise process follows a multivariate t-student distribution. For this, the use of non-informative prior distributions is proposed to obtain the full conditional distributions. Markov chain Monte Carlo methods are used to obtain samples of such distributions. The performance of the estimation is evaluated through simulations. Finally, the model is applied to the data of the returns of the Bovespa, Colcap and Standard and Poor’s indexes.
Abstract: In this paper we introduce a Bayesian methodology for the estimation of non - structural parameters (autoregressive matrices, covariance matrices and degrees of freedom) of a multivariate TAR model (MTAR) when the noise process follows a multivariate t-student distribution. For this, the use of non-informative prior distributions is proposed to obtain the full conditional distributions. Markov chain Monte Carlo methods are used to obtain samples of such distributions. The performance of the estimation is evaluated through simulations. Finally, the model is applied to the data of the returns of the Bovespa, Colcap and Standard and Poor’s indexes.