[論文レビュー] A Flexible Mixed-Frequency Vector Autoregression with a Steady-State Prior

Sebastian Ankargren, Måns Unosson+1 more|arXiv (Cornell University)|Nov 20, 2019

Monetary Policy and Economic Impact参考文献 52被引用数 4

ひとこと要約

本稿では、無条件平均の定常状態事前分布と自己回帰的変動性（stochastic volatility）を組み込んだベイジアン混合頻度ベクトル自己回帰（VAR）モデルを提案する。月次と四半期の変数を欠損値補完を伴う状態空間枠組みでモデル化することで、特に四半期変数の予測精度が向上し、長期的平均と時間的に変化する変動性に関する事前知識を効果的に活用する。

ABSTRACT

We propose a Bayesian vector autoregressive (VAR) model for mixed-frequency data. Our model is based on the mean-adjusted parametrization of the VAR and allows for an explicit prior on the 'steady states' (unconditional means) of the included variables. Based on recent developments in the literature, we discuss extensions of the model that improve the flexibility of the modeling approach. These extensions include a hierarchical shrinkage prior for the steady-state parameters, and the use of stochastic volatility to model heteroskedasticity. We put the proposed model to use in a forecast evaluation using US data consisting of 10 monthly and 3 quarterly variables. The results show that the predictive ability typically benefits from using mixed-frequency data, and that improvements can be obtained for both monthly and quarterly variables. We also find that the steady-state prior generally enhances the accuracy of the forecasts, and that accounting for heteroskedasticity by means of stochastic volatility usually provides additional improvements, although not for all variables.

研究の動機と目的

• 標準的なVARモデルでは、高頻度データを四半期頻度に集約する際に情報損失が生じる問題に対処する。
• マクロ経済変数の長期的無条件平均（定常状態）に関する事前知識を組み込むことで、予測の安定性と正確性を向上させる。
• 自己回帰的変動性モデルを用いることで、時間的に変化する変動性を許容する柔軟性を向上させる。
• 実世界のマクロ経済環境下で、混合頻度データを用いた予測性能を、標準的なVARと比較して評価する。

提案手法

• 欠損四半期観測値を伴う混合頻度データを扱うために、状態空間表現を用いた平均補正VARを構築する。
• 各変数の無条件平均を明示的にモデル化する定常状態事前分布を導入し、理論的または経験的長期期待値の直接的組み込みを可能にする。
• 定常状態パラメータに階層的縮小事前分布を適用し、ハイパーパラメータへの自動的縮小を可能にしつつ柔軟性を維持する。
• Carrieroら（2016）のモデルを応用して共通の自己回帰的変動性を組み込み、時間的に変化する誤差共分散行列を許容する。
• ベイジアン枠組み下での後確率分布が解析的に求められないため、マルコフ連鎖モンテカルロ（MCMC）法、特にギブスサンプリングを用いて推定する。
• 10つの月次および3つの四半期の米国マクロ経済変数からなるデータセットを用いてモデルを推定し、複数の予測期間における性能を比較する。

実験結果

リサーチクエスチョン

• RQ1 欠損値補完を伴う状態空間モデルを用いて混合頻度データを統合することで、単一頻度VARと比較して予測精度が向上するか？
• RQ2 定常状態事前分布を組み込むことで、特に四半期変数の予測性能はどの程度向上するか？
• RQ3 定常状態パラメータに階層的縮小事前分布を適用した場合、標準的な定常状態事前分布と比較して、予測精度にどのような差が生じるか？
• RQ4 自己回帰的変動性モデルによる時間的変動性の取り扱いは、予測密度および点予測の両方の精度を向上させるか？
• RQ5 提案モデルの利点は、異なるデータバージョンおよび予測期間にわたり一貫して成立するか？

主な発見

• 欠損値補完を伴う混合頻度VARは、単一頻度のベンチマークと比較して、月次および四半期変数の両方の予測精度を顕著に向上させる。
• 定常状態事前分布は一貫して予測精度を向上させ、全期間および評価指標において、この事前分布を組み込んだモデルが組み込まないモデルを常に上回る。
• 自動的縮小を許容する階層的定常状態事前分布は、ほとんどの場合、標準的な定常状態事前分布と同等またはそれ以上の性能を示す。
• 自己回帰的変動性は、特に失業率および連邦基金レートの予測密度精度を向上させるが、点予測への影響はより多様である。
• 混合頻度処理、定常状態事前分布、自己回帰的変動性の3要素を併せ持つモデルが、全体として最も優れた性能を示し、すべての代替モデルを上回る予測能力を発揮する。
• 第二の利用可能なデータバージョンでも同様の結果が得られることから、データ改定の影響によって結果が歪められていないことが確認され、結果の頑健性が裏付けられる。