9.3.6 贝叶斯VAR模型的经验表现

9.3.6 贝叶斯VAR模型的实证表现

Ni 和 Sun (2005) 对贝叶斯VAR估计在回归系数和协方差矩阵上的频率派风险进行了广泛的比较。在一项蒙特卡洛研究中，他们考虑了不同的先验、损失函数和数据分布。他们的结果表明，先验的选择对贝叶斯估计的影响强于损失函数选择的影响。然而，有趣的是，他们发现基于非对称Linex损失函数的斜率系数估计量的表现优于基于二次损失的估计量。

估计误差在实证研究中可能会产生非常大的差异。在联邦基金利率预测的背景下，Rudebusch (1998) 以及其他研究者发现，结构VAR产生的预测误差远大于基于联邦基金期货市场价格的预测误差。Robertson 和 Tallman (2001) 考察了这一发现是否可能源于参数估计误差。他们研究了平坦先验VAR（即通常的OLS估计）和基于更具信息性先验的贝叶斯方法的预测表现。他们的模型包含许多高度持续的水平变量，并且需要很多滞后期，因此需要估计大量的系数。从经验上看，他们发现基于OLS估计的VAR模型产生的一个月前预测均方误差（MSE）几乎是联邦基金期货基准的三倍。收缩VAR模型的表现远优于使用OLS估计的VAR模型，尽管其产生的MSE值仍比基准高出 $\frac{1}{3}$ 至60%。有趣的是，联邦基金利率变化的一个简单一阶自回归模型所产生的预测，与水平值下多元模型的最佳预测相当。

在区域预测中，VAR模型也已被用于生成增长预测。Kinal 和 Ratner (1986) 使用州特定变量和全国性变量，对纽约州的就业、产出、零售销售和消费者价格进行了预测。他们发现VAR的预测表现相对较差，并将其归因于过参数化。与此一致的是，贝叶斯VAR的表现更好。