Computing prior assumptions for the Bayesian TVC VAR approach for Finland

Show full item record



Permalink

http://urn.fi/URN:NBN:fi:hulib-202104282041
Title: Computing prior assumptions for the Bayesian TVC VAR approach for Finland
Author: Ahonen, Elena Venla Maria
Contributor: University of Helsinki, Faculty of Social Sciences
Publisher: Helsingin yliopisto
Date: 2017
Language: eng
URI: http://urn.fi/URN:NBN:fi:hulib-202104282041
http://hdl.handle.net/10138/329456
Thesis level: master's thesis
Degree program: Taloustieteen maisteriohjelma
Master's Programme in Economics
Magisterprogrammet i ekonomi
Specialisation: Taloustieteen yleinen opintosuunta
General track
Allmänna studieinriktningen
Abstract: Tutkielmani tarkoituksena on osoittaa, että hyperparametrien valinta on merkittävässä osassa Primicerin (2005) ja Del Negron ja Primicerin (2015) bayesialaisella ajassa liikkuvien kertoimien vektoriautoregressiivisellä mallilla (TVC VAR) mallintaessa. Tutkielmani tulokset korostavat hyperparametrien valinnassa käytettävän menetelmän tärkeyttä. TVC VAR -malli soveltuu muun muassa raha- tai talouspolitiikan muutosten mallintamiseen. Malli ottaa huomioon sekä muutokset talous- ja rahapolitiikassa että muutokset yksityisen sektorin käyttäytymisessä. Erityisesti yksityisen sektorin käyttäytymismuutosten sisällyttäminen malliin tekee siitä kiinnostavan, sillä yksityisellä sektorin käyttäytymisellä on suuri vaikutus kansantalouden reagointiin raha- ja talouspolitiikan muutoksiin. Haasteena TVC VAR -mallin kaltaisissa monimutkaisissa matemaattisissa malleissa on se, että mallien onnistunut soveltaminen saattaa tuottaa kompromisseja tulosten objektiivisuuden suhteen. Bayesilaisen lähestymistavan hyperparametreilla on merkittävä rooli TVC VAR -mallin sovelluksissa. Primicerin (2005) kuvaus hänen hyperparametriensä valitsemiseen käyttämästään lähestymistavasta ei ole yksiselitteisen selkeä. TVC VAR -mallin tuloksiin vaikuttavien hyperparametrien määrä on pieni, minkä vuoksi parametrien tietoinen valinta haluttujen ja ennalta päätettyjen tulosten saamiseksi saattaa olla mahdollista. Tutkimuskysymykseni voidaan tiivistää seuraavasti: onko tutkijan mahdollista tietoisesti säätää TVC VAR -mallin toimintaa siten, että malli tuottaa hänen ennakolta päättämiään tuloksia? Analysoin tutkimuksessani TVC VAR - mallin hyperparametrien tietoisen valinnan vaikutusta käyttämällä nykyaikaisia numeerisen optimoinnin menetelmiä. En analysoi hyperparametrien vaikutusta kattavasti vaan käytän idean toimivuuden osoittavaa osaratkaisua, eli niin sanottua proof-of-concept -todistusta. Käytän Suomen julkisen kulutuksen kerrointa esimerkkinä siksi, että Primicerin käyttämät hyperparametrien arvot on tarkoitettu Yhdysvaltojen aineiston tarkasteluun. Kansantalouksien erojen vuoksi Suomelle on valittava toisenlaiset parametrien arvot. Analyysini tulosten mukaan Suomen julkisen kulutuksen kerrointa on mahdollista muokata haluttuun suuntaan valitsemalla hyperparametrien arvot tietoisesti. Ensisilmäyksellä mielekkäiltä vaikuttavat hyperparametrien arvojen yhdistelmät tuottavat huomattavan erilaiset tulokset, joiden pohjalta tehtävät johtopäätökset olisivat erilaisia. Tutkimustulokseni osoittavat, että TVC VAR -malli voidaan säätää tuottamaan halutun suuntaisia tuloksia hyperparametrien tietoisella valinnalla. Tämä tarkoittaa sitä, että mallin luotettavuus ei ole optimaalinen ilman objektiivista ja huolellisesti dokumentoitua menetelmää hyperparametrien valinnalle. Tulokseni korostavat tarvetta kattavalle, objektiiviselle ja empiiriseen aineistoon perustuvalle menetelmälle TVC VAR -mallin hyperparametrien valitsemiseksi.The aim of this thesis is to demonstrate the importance of selecting feasible and, preferably data-based prior assumptions for the Bayesian time-varying coefficient vector autoregressive model (TVC VAR model for further reference) of Primiceri (2005) and Del Negro and Primiceri (2015). The TVC VAR model would be suitable for quantifying, for example, the impacts of different monetary policy or fiscal policy regimes. The biggest advantage of the TVC VAR model is that it takes into account both changes in economic policy and in the private sector behaviour. The latter feature makes the model very compelling to use, because the private sector plays an important role in facilitating mote stable change in monetary and fiscal policy regimes. In complex mathematical models, such as the TVC VAR model, the objectiveness of the model may be compromised by deliberate selection of parameters. The TVC VAR model uses the Bayesian approach, which means that the researcher’s choice for the prior assumptions for the model plays an important role in the estimation. Unfortunately, Primiceri’s (2005) approach for selecting hyperparameters for the model is poorly explained and difficult to follow. Given that the model depends only for a small number of hyperparameters, it might be possible that the model can be tuned in a predefined way. To investigate whether the TVC VAR model can be tuned according to a researcher’s preferences, I design a proof of concept approach for optimising the hyperparameters of the model according to a set of predefined results. In other words, my research question is: could one tune the TVC VAR model to produce results according to the researcher’s bias? In my proof of concept approach I tune the TVC VAR model for six different targets for the Finnish government consumption multiplier. Given that Finland is a small open economy, Primiceri’s (2005) original hyperparameter values for the United States are not feasible and other values have to be used. The results from my proof of concept analysis show that the TVC VAR model can be tuned for predefined results, which shows that the practical reliability of the model can be easily compromised. My findings highlight the need for a comprehensible, data-based approach for selecting the hyperparameters for the model.
Subject: macroeconometrics
bayesian statistics
government spending multiplier
optimisation
Subject (yso): makroekonometria
optimointi
bayesilainen menetelmä


Files in this item

Files Size Format View

There are no files associated with this item.

This item appears in the following Collection(s)

Show full item record