[논문 리뷰] Sparse Bayesian vector autoregressions in huge dimensions

Gregor Kastner, Florian Huber|RePEc: Research Papers in Economics|2017. 04. 11.

Monetary Policy and Economic Impact인용 수 4

한 줄 요약

이 논문은 고차원 거시경제 설정에서 신뢰할 수 있는 추정과 예측을 가능하게 하기 위해 요인 스토하스틱 볼atility을 갖는 희소 베이지안 벡터 자기회귀(VAR) 모델을 제안한다. 계수 정규화를 위한 글로벌-로컬 수축 사전분포, 요인 스토하스틱 볼atility을 통한 방정정식별 추정, 고차원 정규분포에 대한 효율적인 MCMC 샘플링을 조합함으로써, 차원의 귀환 문제를 극복하고 큰 p와 중간 크기의 T에서도 완전한 베이지안 추론을 가능하게 한다.

ABSTRACT

We develop a Bayesian vector autoregressive (VAR) model with multivariate stochastic volatility that is capable of handling vast dimensional information sets. Three features are introduced to permit reliable estimation of the model. First, we assume that the reduced-form errors in the VAR feature a factor stochastic volatility structure, allowing for conditional equation-by-equation estimation. Second, we apply recently developed global-local shrinkage priors to the VAR coefficients to cure the curse of dimensionality. Third, we utilize recent innovations to efficiently sample from high-dimensional multivariate Gaussian distributions. This makes simulation-based fully Bayesian inference feasible when the dimensionality is large but the time series length is moderate. We demonstrate the merits of our approach in an extensive simulation study and apply the model to US macroeconomic data to evaluate its forecasting capabilities.

연구 동기 및 목표

• 변수의 수(p)가 표본 크기(T)에 비해 큰 고차원 VAR 모델의 추정 문제를 다루며, 이는 현대 거시경제 예측에서 흔한 문제이다.
• 과적합을 줄이고 예측 정확도를 향상시키기 위해 수축 사전분포를 적용하여 VAR 추정에서의 '차원의 귀환 문제'를 극복한다.
• 조건부 독립 구조와 고차원 다변량 정규분포에서의 샘플링 기술의 최근 발전을 활용하여 고차원 설정에서의 사후 계산을 효율적으로 수행한다.
• 대규모 거시경제 시스템에서의 불확실성 정량화와 모델 비교를 지원하는 완전한 베이지안 프레임워크를 개발한다.
• 실제 미국 거시경제 데이터를 활용하여 모델의 예측 성능을 시험하고, 고차원 환경에서의 강건성과 정확도를 입증한다.

제안 방법

• 감소형 오차에 대해 요인 스토하스틱 볼atility 구조를 도입하여 조건부로 각 방정식별 추정이 가능해지고 공분산 구조의 차원을 감소시킨다.
• 글로벌-로컬 수축 사전분포—특히 딜레트-랩라스 및 노멀-감마 사전분포—를 VAR 계수에 적용하여 희소성 유도 및 고차원 설정에서의 과적합 방지를 달성한다.
• 고차원 다변량 정규분포에 대한 MCMC 샘플링의 최근 발전을 활용하여 큰 p에서도 사후 분포를 효율적으로 시뮬레이션한다.
• 수축 사전분포와 요인 스토하스틱 볼atility을 조합한 완전한 베이지안 추론 체계를 구현하여 계산 가능성과 통계적 효율성을 유지한다.
• 조건부 켄논성과 블록 지그스 샘플링 전략을 활용하여 고차원 매개변수 공간에서의 혼합과 수렴을 향상시킨다.
• 요인 구조를 통해 전체 공분산 행렬 추정을 피함으로써 확장 가능성을 확보한다. 이는 볼륨 매개변수의 수를 O(p²)에서 O(kp)로 감소시켜 k ≪ p가 되도록 한다.

실험 결과

연구 질문

• RQ1 요인 스토하스틱 볼atility과 수축 사전분포를 갖는 베이지안 VAR 모델은 큰 p와 중간 크기의 T에서도 고차원 거시경제 시스템에서 신뢰할 수 있는 추정과 예측을 달성할 수 있는가?
• RQ2 제안된 모델은 미니스터리 우선분포와 같은 전통적 사전분포와 비교해 볼 때 예측 정확도와 변수 선택 성능에서 어떻게 다른가?
• RQ3 글로벌-로컬 수축 사전분포의 사용이 고차원 VAR에서 추정 효율성을 향상시키고 과적합을 줄이는 데 얼마나 기여하는가?
• RQ4 요인 스토하스틱 볼atility 구조는 예측 능력을 유지하면서도 공분산 추정 과정을 얼마나 효과적으로 단순화하는가?
• RQ5 제안된 방법을 사용할 경우 대규모 차원의 VAR에서 완전한 베이지안 추론의 계산 가능성이 어떻게 확보되는가?

주요 결과

• 제안된 모델은 표준 미니스터리 및 비희소 VAR보다 더 뛰어난 예측 정확도를 달성하며, 특히 중간 크기의 표본과 함께 고차원 설정에서 뛰어난 성능을 보인다.
• 특히 딜레트-랩라스를 포함한 글로벌-로컬 수축 사전분포의 사용은 불필요한 계수를 효과적으로 0에 수렴시키며, 이로 인해 변수 선택 성능과 외부 표본 성능이 향상된다.
• 요인 스토하스틱 볼atility 구조는 큰 공분산 행렬 추정의 계산 부담을 크게 줄여주며, 확장 가능한 MCMC 샘플링을 가능하게 한다.
• 모델은 미국 데이터 응용에서 GDP, 인플레이션, 금리와 같은 다수의 거시경제 변수에서 강건한 성능을 보였다.
• 효율적인 MCMC 샘플링 기법 덕분에 p가 100을 초월하는 경우에도 신뢰할 수 있는 사후 추론이 가능하며, 이는 기존의 베이지안 VAR에서는 흔히 불가능한 영역이다.
• 실증 결과는 모델이 양호한 예측 밀도 점수를 유지하고 있으며, 거시경제 데이터의 시간에 따라 변하는 볼륨 패턴을 효과적으로 포착함을 보여준다.