Upload
others
View
0
Download
0
Embed Size (px)
Citation preview
'
&
$
%
Markov Switching Models
Profa. Airlane Alencar
Depto de Estatıstica - IME-USP
www.ime.usp.br/∼lane
Ref: Kim e Nelson (1999) e Hamilton (1990)
1
'
&
$
%
Objetivo
Mudanca nos parametros de um modelo de regressao definindodiferentes regimes.
• Datas conhecidas - Teste de Chow (1960);
• Quandt (1972): Regimes independentes;
• Goldfeld e Quandt (1973) - Regimes Markovianos;
• Hamilton (1989) - Mudanca Markoviana no modelo AR(p).
2
'
&
$
%
Modelo com mudanca de regime
yt = xtβSt + et, (1)
em que:
1. xt e um vetor de variaveis exogenas 1× k;
2. St define o regime;
3. et iid ∼ N(0, σ2St
).
Consideremos dois regimes St = 0, 1.
1. βSt= β0(1− St) + β1St;
2. σ2St
= σ20(1− St) + σ2
1St.
A funcao log-verossimilhanca e
3
'
&
$
%
lnL =T∑
t=1
lnf(yt|yt−1)
=T∑
t=1
ln
[1∑
St=0
f(yt|St, yt−1)P (St|yt−1)
]
4
'
&
$
%
Regimes independentes
Probabilidades de cada regime dependentes de Z usando a funcaode ligacao logıstica:
P (St = 1|yt−1) = pt =exp(γ0 + Ztγ1)
1 + exp(γ0 + Ztγ1)
P (St = 0|yt−1) = 1− pt =1
1 + exp(γ0 + Ztγ1)
ou usando alguma outra funcao de ligacao, como por exemplo aprobit, que facilita a obtencao da posteriori usando inferenciabayesiana.
5
'
&
$
%
Transicao Markoviana
P (St = 1|St−1 = 1, yt−1) = pt =exp(γ0 + Ztγ1)
1 + exp(γ0 + Ztγ1)
P (St = 1|St−1 = 0, yt−1) = qt =exp(δ0 + Ztδ1)
1 + exp(δ0 + Ztδ1)
6
'
&
$
%
Filtro de Probabilidades
Passo 1
P (St = j|yt−1) =1∑
i=0
P (St = j|St−1 = i)P (St−1 = i|yt−1)
Passo 2 - Atualizacao
P (St = j|yt) =f(St = j, yt|yt−1)
f(yt|yt−1)=
=f(yt|St = j, yt−1)P (St = j|yt−1)∑1
j=0 f(yt|St = j, yt−1)P (St = j|yt−1)
Para iniciar o filtro tem que inicializar P (S0|y0), por exemplousando a probabilidade invariante no caso de cadeia estacionaria.
7
'
&
$
%
Exemplo - AR(1)
yt − µSt = φ(yt−1 − µSt−1) + et, t = 1, . . . , T
et ∼ N(0, σ2St
)
St = 1, . . . ,M.
Agora a densidade de yt depende de St e St−1
f(yt|yt−1, St, St−1) =1√
2πσ2St
exp
[−
(yt − µSt − φ(yt−1 − µSt−1))2
2σ2St
]
8
'
&
$
%
e
lnL =T∑
t=1
lnf(yt|yt−1)
=T∑
t=1
ln
M∑St=1
M∑St−1=1
f(yt|St, St−1, yt−1)P (St, St−1|yt−1)
9
'
&
$
%
Filtro de Probabilidades
Passo 1
P (St = j, St−1 = i|yt−1) = P (St = j|St−1 = i)P (St−1 = i|yt−1)
Passo 2 - Atualizacao
P (St = j, St−1 = i|yt) =
= f(St=j,St−1=i,yt|yt−1)f(yt|yt−1)
=
= f(yt|St=j,St−1=i,yt−1)P (St=j,St−1=i|yt−1)∑Mi=1
∑Mj=1 f(yt|St=j,St−1=i,yt−1)P (St=j,St−1=i|yt−1)
Para iniciar o filtro tem que inicializar P (S0|y0).
10
'
&
$
%
Suavizacao e EM
A variancia assintotica dos estimadores de maxima verossimilhancapodem ser obtidos utilizando-se o inverso da matriz informacao deFisher (estimada usando a matriz hessiana no ponto de maximo).
O algoritmo de suavizacao proposto por Kim permite obter umaaproximacao para P (St = j|yT ).
Pode ser utilizado o algoritmo EM para realizar a estimacao,escrevendo-se a log-verossimilhanca completa, ou seja, usando adensidade das observacoes e as variaveis nao observadas que nessecaso sao os regimes.
11
'
&
$
%
Hamilton - GDP
Hamilton (1989) modelou o crescimento do PIB real como ummodelo AR(4) com dois regimes para a media. A seguir, yt e o logdo PIB real.
12
'
&
$
%
∆ Log do PIB real
0.01
0.02
0.03
0.04
‐0.03
‐0.02
‐0.01
0.00
mar/52
mar/54
mar/56
mar/58
mar/60
mar/62
mar/64
mar/66
mar/68
mar/70
mar/72
mar/74
mar/76
mar/78
mar/80
mar/82
mar/84
mar/86
mar/88
mar/90
mar/92
mar/94
13
'
&
$
%
Modelo
(∆yt − µSt) = φ1(∆yt−1 − µSt−1) + . . .+ φ4(∆yt−4 − µSt−4) + et
et ∼ N(0, σ2)
µSt= µ0(1− St) + µ1St
P (St = 1|St−1 = 1) = p, P (St = 0|St−1 = 0) = q
Modelo estacionario, sujeito a φ(B) = (1− φ1B − . . .− φL4) = 0com raızes fora do cırculo unitario.
E possıvel distinguir dois regimes: recessao e expansao (medianegativa e positiva para o crescimento do PIB real)
14
'
&
$
%15
'
&
$
%16
'
&
$
%
Quando Kim e Nelson incluıram os dados de 1985 a 1995, o modelonao consegue detectar dois regimes. Por isso, foi proposto o modelopara as medias:
µSt= (µ0 + µ∗0St)(1−Dt) + (µ1 + µ∗1Dt)St,
com Dt igual a 1 no perıodo 1983:I-1995:III e zero no perıodoanterior.
17
'
&
$
%18
'
&
$
%
Modelo Threshold Auto-regressivo
TAR
yt =
µ1 + φ1yt−1 + u1t, se st−k < r
µ2 + φ2yt−1 + u2t, se st−k ≥ r
SETAR = Self-exciting TAR
yt =
µ1 + φ1yt−1 + u1t, se yt−k < r
µ2 + φ2yt−1 + u2t, se yt−k ≥ r
Tem que estimar µ1, µ2, φ1, φ2, k, r e as variancias de uit.
19
'
&
$
%
• Estimacao: maxima verossinilhanca e r, k estimados por gridsearch.
• Pode ter mais que dois regimes e diferentes variaveis paradefinir os regimes.
• Pode ser usado algum criterio tipo AIC para escolher o melhormodelo.
20
'
&
$
%
Dados simulados de
yt =
0, 2yt−1 + 0, 5et, se yt−1 > 0, 5
0, 8yt−1 + et, se yt−1 ≤ 0, 5
21
'
&
$
%
y = 0.479x ‐ 0.161R² = 0.191y = 0.787x ‐ 0.088
R² = 0.489
1
0
1
2
3
‐6 ‐5 ‐4 ‐3 ‐2 ‐1 0 1 2 3
yt
yt‐1
‐6
‐5
‐4
‐3
‐2
‐1
regime 1
regime 2
22
'
&
$
%
Valores verdadeiros e estimativas obtidas pelo metodo de MaximaVerossimilhanca
parametros verdadeiro estimativa
φ1 0.20 0.35
φq 0.80 0.82
σ21 0.50 0.51
σ22 1.00 1.01
r 0.50 0.52
23
'
&
$
%
0 5
0.6
0.7
0.8
0.9
1.0
‐1
0
1
2
3
1 9 17 25 33 41 49 57 65 73 81 89 97 105
113
121
129
137
145
153
161
169
177
185
193
0.0
0.1
0.2
0.3
0.4
0.5
‐6
‐5
‐4
‐3
‐2
reg1 série
24
'
&
$
%
Referencias
[1] Kim, C. J. e Nelson, C. R. (1999). State-space models withregime switching. MIT Press.
[2] Hamilton, J. D. (1994). Time series analysis. Princeton, N.J.:Princeton University Press.
[3] Tong, H. (1990). Non-Linear Time Series: A DynamicalSystem Approach. New York: Oxford University Press.
25