[论文解读] Bayesian Dynamic Quantile Model Averaging

Mauro Bernardi, Roberto Casarin+2 more|arXiv (Cornell University)|Feb 2, 2016

Statistical Methods and Inference参考文献 126被引用 4

一句话总结

本文提出了一种贝叶斯动态分位数模型平均（BDQMA）框架，通过马尔可夫链蒙特卡洛（MCMC）方法将动态模型平均与分位数回归相结合，以处理时变参数和潜变量。该方法在高维设置下实现了高效的顺序估计与模型选择，在宏观经济和金融预测应用中通过模拟和实证验证表现出色。

ABSTRACT

This article introduces a novel dynamic framework to Bayesian model averaging for time-varying parameter quantile regressions. By employing sequential Markov chain Monte Carlo, we combine empirical estimates derived from dynamically chosen quantile regressions, thereby facilitating a comprehensive understanding of the quantile model instabilities. The effectiveness of our methodology is initially validated through the examination of simulated datasets and, subsequently, by two applications to the US inflation rates and to the US real estate market. Our empirical findings suggest that a more intricate and nuanced analysis is needed when examining different sub-period regimes, since the determinants of inflation and real estate prices are clearly shown to be time-varying. In conclusion, we suggest that our proposed approach could offer valuable insights to aid decision making in a rapidly changing environment.

研究动机与目标

• 解决高维分位数回归中时变参数的模型选择与估计挑战。
• 通过引入贝叶斯推断与潜变量建模，将动态模型平均（DMA）扩展至分位数回归。
• 开发一种基于顺序MCMC（SMCMC）的计算可行的分位数回归模型顺序估计方法。
• 在非高斯误差、异方差性及结构突变存在的情况下，实现对条件分位数的稳健推断。
• 为回归变量数量较大时提供一种可扩展的替代方案，避免穷举所有模型比较。

提出的方法

• 通过引入潜变量表示分位数回归的非对称拉普拉斯似然，构建数据增广框架，实现共轭后验计算。
• 应用顺序MCMC（SMCMC）算法，随着新数据的到达高效更新后验分布，相比完整MCMC重新估计显著降低计算成本。
• 利用卡尔曼滤波与固定滞后平滑递推公式，计算时变回归系数的后验均值与方差。
• 通过基于各模型边际似然的时变模型权重实现动态模型平均，实现顺序更新。
• 利用潜态与参数的联合正态性，实现后部分布的高效模拟。
• 嵌入随机搜索机制以高效探索模型空间，避免需评估全部2^M个模型。

实验结果

研究问题

• RQ1 动态模型平均能否有效扩展至具有时变参数与潜变量的分位数回归？
• RQ2 所提出的贝叶斯DMA方法在预测准确率与计算效率方面，相较于传统频率学派与贝叶斯分位数回归方法表现如何？
• RQ3 基于SMCMC的顺序估计在高维分位数回归设置下，对可扩展性的提升程度如何？
• RQ4 该模型在捕捉宏观经济与金融时间序列的尾部行为及结构突变方面表现如何？
• RQ5 模型平均对不同分位数与数据状态下的预测性能有何影响？

主要发现

• 所提出的贝叶斯动态分位数模型平均（BDQMA）方法显著降低了全贝叶斯模型平均的计算负担，使其在具有时变系数的大规模分位数回归中成为可行方案。
• 模拟研究证实，SMCMC算法实现了准确的后验近似，具备快速收敛与自调参特性。
• 在通胀与房地产数据集的实证结果表明，该模型在多个分位数上的预测性能优于标准分位数回归与静态模型平均，尤其在尾部分位数表现更优。
• 该模型成功捕捉了时变关系与结构突变，尤其在波动性较大的金融与宏观经济序列中表现突出。
• 通过潜变量与数据增广方法，实现了在非高斯误差分布与异方差性下的稳健推断。
• 模型平均通过动态加权基于预测表现的模型，提升了预测准确性，从而获得更稳定可靠的分位数估计。