中央财经大学博士论文.docxVIP

4.3参数估计与推断 基于上述模型设定和识别条件选择，可以依据极大似然原则对 SVAR 模型进行参 数估计与推断。在以下各小节中，我们将给出具体实施步骤。 4.3.1 贝叶斯条件先验分布 首先，需要由（4.4）至（4.6）式得到关于、的贝叶斯条件先验分布： （4.7）令为维矩阵，其列向量构成的零空间（Null Space）的一组正交基，类似地， 为 维矩阵，其列向量构成的零空间的一组正交基。则对于满足约束条件（4.4） 和（4.5）的、，必存在唯一的向量（维）和维），使得 （4.8） 由假设（4.6）易知， （4.9） 根据（4.8）和（4.9）式，、的贝叶斯条件先验分布（4.7）等价于、的贝叶斯先 验分布： 其中， 显然，、 的贝叶斯先验分布分别为 （4.10） 因此，后文均基于、进行讨论。 4.3.2 条件似然函数 记，，（4.3）可表示为多变量回归形式（Multivariate Regression）： （4.11） 其条件似然函数为 （4.12） 注意到 以及（4.8），记，，可知关于 b 、 g 的条件似然函数正比于 （4.13） 4.3.3 贝叶斯联合后验分布 结合（4.10）和（4.13），可以得到 b 、 g 的贝叶斯联合后验分布 其中，表示正态分布累计概率密度 化简可得 （4.14） 其中， （4.15） （4.16） 其中， 值得指出的是，当、 的贝叶斯先验分布的方差（、中对角线上的元素）趋于无 穷大时，（4.13）同（4.15）、（4.16）完全相同， b 、 g 的贝叶斯联合后验分布退化为似然 函数。 4.3.4 Gibbs 抽样 至此，最大化（4.14）式，能够求得参数 b 、 g （进而、）的贝叶斯估计。进一 步地，通过模拟 b 、 g 的贝叶斯联合后验分布，可以推断 b 、 g ，以及它们的函数（例如， 脉冲响应、方差分解）的有限样本性质。 对贝叶斯后验分布的模拟分为如下两步：首先，利用边缘后验分布（4.15）得到 b 的 实现值；然后，对于给定的 b ，从条件后验分布（4.16）中抽取 g 的实现值。由于（4.16） 为多元正态分布，因此，模拟的第二步相对简单。对于第一步，我们采用 Waggoner and Zha（2003）提出的 Gibbs 抽样法实现，这一方法适用于系数矩阵含有的约束条件个数大于时的情形。 具体来说，给定，令W为维列向量，满足,由于 前文我们已假设存在非奇异矩阵满足约束条件（4.4），所以几乎必然线性 无关，且 。由此，可以定义 （4.17） 其中，（维）满足,依次选取,使得构成空间的一组正交基。由于，则存在满足 （4.18） 由此可得， （4.19） 根据、的定义，可知上式中第二个等号成立。此外，， 因此， （4.20） 由（4.15）可知 结合（4.19）和（4.20），有 注意到： （4.21） （4.22） 不难看出，依据条件后验分布对进行随机抽样，等价 于相互独立地从正态分布中随机抽取，从条件后验分布中随机抽取 ，然后利用（4.18）得到 至此，我们可以给出关于参数 b 的 Gibbs 随机抽样算法，如下所示： Gibbs 抽样 算法 给参数 b 赋初始值：通常为贝叶斯点估计值； 对于s=1, ,,给定 对于 依据独立随机生成 依据正态分布，独立随机生成 依据、和（4.17），构造 由（4.18），得到 3、对于随机序列只保留，的部分。 为有效实现以上算法，我们需要注意以下两个问题： 模仿 的 条件后验分布 从(4.21)可知，属于如下分布函数族： （4.23） 其中，为标准 Gamma 分布。当 k=T时，即为 的累积概率密度。 令，则，由（4.23）式知， r 的累积概率密度正比于 （4.24） 对于，（4.24）式为 Wishart 分布的累积概率密度，记为。同时，r也服从参数为和的 Gamma 分布。 根据以上分析，可以利用 Wishart 分布随机生成 。具体来说，分为以下 3 步： 由正态分布生成独