有/无随机波动的贝叶斯向量偏差估计。

实现了几个现代层次收缩先验，其中包括Dirichlet-Laplace先验（DL）、层次明尼苏达先验（HM）、马蹄先验（HS）、正常伽马先验（NG）、，R（右）²-诱导-虹膜分解先验（R2D2）和随机搜索变量选择先验（SSVS）。

关于错误项，用户可以指定一个序变因子结构或序变cholesky结构。

安装

安装.包(“贝叶斯VAR”)

直接从GitHub安装最新开发版本：

开发工具::安装github(“luisgruber/bayesianVAR”)

用法

在这个软件包中，对向量自回归模型进行贝叶斯推理的主要工作是函数bvar（）.

一些功能：

预测、绘制、提取模型参数以及使用常用通用函数提取拟合值预测（）,绘图（）,系数（）,vcov（）和已安装（）.
使用helper函数配置以前的发行版specify_prior_phi（）和specify_prior_sigma（）.

演示

设置种子(537)
#加载程序包
图书馆(贝叶斯VAR)

#加载数据
列车数据 <-100 * 美国宏观经济增长[1:237,c（c）(“GDPC1”,“PCECC96”,“GPDIC1”,“AWHMAN”（阿夫曼）,“GDPCTPI”,“CES2000000008x”,“联邦基金”,“GS10”,“EXUSUKx”,“标准普尔500指数”)]
测试_数据 <-100 * 美国宏观经济增长[238:241,c（c）(“GDPC1”,“PCECC96”,“GPDIC1”,“AWHMAN”（阿夫曼）,“GDPCTPI”,“CES2000000008x”,“联邦基金”,“GS10”,“EXUSUKx”,“标准普尔500指数”)]
                                   
#使用默认优先设置估算模型
国防部 <- 双变量向量自回归(列车数据，滞后= 2升，绘制= 2000，燃烧= 1000，sv_keep（保留）= “全部”)

#样本外预测和对数药物似然评价
pred（前） <- 预测(国防部，前面= 1:4、LPL= 真的，Y_obs（_O）= 测试_数据)

#可视化样本内拟合和样本外预测间隔
情节(国防部，预测= pred（前）)

文档

贝叶斯向量自回归的收缩先验