基于贝叶斯方法结构性突变模型优化.docVIP

基于贝叶斯方法结构性突变模型优化 　　摘 要：时间序列模型参数会由于各种原因而发生结构性变化，很多经济领域内的时间序列现实数据充分显示了参数可能在不同时间发生不同次数的结构性突变，因此，现有的结构性突变模型对参数在同一时间发生结构性突变的假设是不符合实际的。优化和改进结构性突变模型，引入新的参数估计流程和框架。该优化模型具有相当大的适用范围和应用价值，可以推广至很多学科领域的时间序列结构性突变研究，并且能够提高对历史事件解释的合理性以及对未来发展趋势预测的准确性。 　　关键词：时间序列模型 结构性突变 结构性突变模型 参数估计流程 　　中图分类号：F224 文献标识码：A 文章编号：1007-3973（2013）003-092-02 　　近年来，时间序列的结构突变研究有两种方法。第一种是经典方法，即通过检验统计量来进行关于结构突变的假设检验，如Andrews（1993）在零假设为无突变下提供了每一个时间点所对应的F统计量，Inclan和Tiao（1994）运用迭代累积平方和算法构造检验结构突变的统计量，Bai和Perron（1998，2003）对线性回归模型中的未知结构突变统计量极限分布进行了研究，栾惠德（2007）总结了带有结构突变的单位根检验研究的最新进展，并概况了该问题研究最新发展动向，梁琪和滕建州（2006）运用最小拉格朗日乘数单位根检验方法估计了中国实际GDP，人均GDP和名义GDP，周建（2008）运用最小二乘法残差检验，CUSUM平方和检验和Chow检验进行了中国GDP的结构突点检验。 　　第二种是贝叶斯方法，该方法主要运用潜变量来描述结构突变的发生，并运用马尔科夫链蒙特卡洛方法（MCMC）对潜变量和参数进行模拟。Chib（1998）运用离散的一阶马尔科夫链描述时间序列时段变化的过程，Wang和Zivot（2000）研究了类似的模型，并引入离散的均匀先验分布，通过吉布斯采样得到后验分布。王维国和王霞（2009）运用此模型研究上证月度指数序列的结构突变。董宇晴（2009）运用吉布斯抽样的贝叶斯突变点方法研究了我国的低碳问题。 　　由于经典预测方法不能模拟未来结构突变的发生，因此这种方法并不是真正意义上的基于未来结构突变的预测。运用贝叶斯方法进行基于未??结构突变的预测，具有着无可比拟的先天性优势，首先，贝叶斯方法借助潜变量描述突变发生，因此也能描述未来突变的发生，再次，潜变量的后验分布包含了已知样本的突变信息，因此基于潜变量和参数后验分布的未来结构突变模拟并不是完全随机的，最后，MCMC算法对后验分布进行抽样，可以有效的产生预测对象的预测样本，这比简单的点预测包含更多的信息。因此，贝叶斯方法真正意义上实现了基于未来结构突变的预测。贝叶斯方法进而也成了结构突变研究的热点和未来发展趋势。鉴于此原因，本研究也将采用贝叶斯方法。 　　本研究旨在开发一种新的模型及估计和选择方法，从而能够有效的推断出所研究的时间序列发生结构突变的具体突变信息，即结构突变模型中的各类参数（包括截距，各项系数以及残余方差）各自在何时发生突变，各自发生几次突变。 　　具体方法是，首先建立宽松条件下（即允许各类参数在不同时间独立突变不同次数）的结构突变模型，接着进行模型估计，最后进行模型选择。 　　（1）建立宽松条件的结构突变模型，即允许截距，各项系数以及残余方差这些参数可以在不同时间独立突变不同次数。设定G-1个系数参数和1个残余方差参数，总共G个参数，时间t=1，2，… T： 　　（1） 　　Sg，t∈{1，…，（Mg+1）}为第g个参数在t时刻的状态显示变量，其中，Mg为发生结构突变的次数，其中在g=1，…，G下的未知突变时间节点。因此，第g个系数参数 ，，（其中g=1，…，G-1）为： 　　残余方差为： 　　残余方差为： 　　（2）开发出一种新的马尔科夫蒙特卡洛（MCMC）流程对所建立的模型进行估计。 　　根据贝叶斯推断，联合后验分布与先验分布和YT=[y1，…，yT]似然函数的积成正比，即： 　　（ ，P|YT）∝ （ ，P）f（YT| ，P） 　　其中： （.）为密度函数， 为模型所有参数的集合，P为所有参数潜在状态显示变量Sg，t的转换概率矩阵的集合。 　　建立MCMC采样算法进行估计： 　　设定初始参数值为 =（ 1， 2，…， G），初始概率转换矩阵集合为P=（P1，P2，…，PG），其中G为参数总共个数，对任意一个参数g=1，2，…，G，为第g个参数在各个时间的潜在状态集合，其中Sg，t∈{1，…，（Mg+1）}为第g个参数在t时刻的状态显示变量，其中，Mg为发生结构突变的次数；YT=[y1，…，yT]为似然函数。 　　从第一个参数 1开始到最后一个参数 G，每个参数按照下列步骤进行抽样，