全文下載鏈接：http://tecdat.cn/?p=22617

最近我們被客戶要求撰寫關(guān)于MRS的研究報(bào)告，包括一些圖形和統(tǒng)計(jì)輸出。

本文提供了一個(gè)在統(tǒng)計(jì)模型中使用馬可夫轉(zhuǎn)換模型模型的例子，來復(fù)現(xiàn)Kim和Nelson（1999）中提出的一些結(jié)果。它應(yīng)用了Hamilton（1989）的濾波器和Kim（1994）的平滑器

%matplotlib?inlineimport?numpy?as?npimport?pandas?as?pdimport?statsmodels.api?as?smfrom?pandas_datareader.data?import?DataReaderfrom?datetime?import?datetime ?DataReader(start=datetime(1947,?1,?1),?end=datetime(2013,?4,?1))

相關(guān)視頻

**

拓端

，贊12

**

拓端

，贊8

**

拓端

，贊15

Hamilton (1989) 馬爾可夫轉(zhuǎn)換模型（Markov -switching?model）

這是對(duì)Hamilton(1989)介紹馬可夫轉(zhuǎn)換模型（Markov -switching?model）的開創(chuàng)性論文的復(fù)現(xiàn)。該模型是一個(gè)4階的自回歸模型，其中過程的平均值在兩個(gè)區(qū)制之間切換?？梢赃@樣寫。

每個(gè)時(shí)期，區(qū)制都根據(jù)以下的轉(zhuǎn)移概率矩陣進(jìn)行轉(zhuǎn)換。

其中 pij是從區(qū)制 i 轉(zhuǎn)移到區(qū)制 j 的概率。

該模型類別是時(shí)間序列部分中的MarkovAutoregression。為了創(chuàng)建這個(gè)模型，我們必須指定k_regimes=2的區(qū)制數(shù)量，以及order=4的自回歸階數(shù)。默認(rèn)模型還包括轉(zhuǎn)換自回歸系數(shù)，所以在這里我們還需要指定switch_ar=False。

創(chuàng)建后，模型通過極大似然估計(jì)進(jìn)行擬合。使用期望最大化（EM）算法的若干步驟找到好的起始參數(shù)，并應(yīng)用準(zhǔn)牛頓（BFGS）算法來快速找到最大值。

[2]:#獲取數(shù)據(jù)hamilton=?pd.read('gndata').iloc[1:]#?繪制數(shù)據(jù)hamilton.plot()#?擬合模型Markovreg(hamilton)

summary()

我們繪制了經(jīng)過過濾和平滑處理的衰退概率。濾波指的是基于截至并包括時(shí)間tt（但不包括時(shí)間t+1,...,Tt+1,...,T）的數(shù)據(jù)對(duì)時(shí)間t的概率估計(jì)。平滑化是指使用樣本中的所有數(shù)據(jù)對(duì)時(shí)間t的概率進(jìn)行估計(jì)。

fig,?axes?=?plt.subplots(2,?figsize=(7,7))ax?=?axes[0] ax.plot(margl_prob[0])ax?=?axes[1] ax.plot(smoomarginal_pro[0])

根據(jù)估計(jì)的轉(zhuǎn)移矩陣，我們可以計(jì)算出衰退與擴(kuò)張的預(yù)期持續(xù)時(shí)間。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

用機(jī)器學(xué)習(xí)識(shí)別不斷變化的股市狀況—隱馬爾科夫模型(HMM)股票指數(shù)預(yù)測(cè)實(shí)戰(zhàn)

左右滑動(dòng)查看更多

01

02

03

04

print(expected_du)

在這種情況下，預(yù)計(jì)經(jīng)濟(jì)衰退將持續(xù)約一年（4個(gè)季度），擴(kuò)張約兩年半。

Kim, Nelson, and Startz (1998) 三狀態(tài)方差轉(zhuǎn)換模型。

這個(gè)模型展示了帶有區(qū)制異方差（方差轉(zhuǎn)換）和無平均效應(yīng)的估計(jì)。

模型是:

由于沒有自回歸成分，這個(gè)模型可以用MarkovRegression類來擬合。由于沒有平均效應(yīng)，我們指定趨勢(shì)='nc'。假設(shè)轉(zhuǎn)換方差有三個(gè)區(qū)制，所以我們指定k_regimes=3和switching_variance=True（默認(rèn)情況下，方差被假定為在不同區(qū)制下是相同的）。

raw?=?pd.read_table(ew?,engine='python')#?繪制數(shù)據(jù)集plot(?figsize=(12,?3))

res_kns.summary()

下面我們繪制了處于每個(gè)區(qū)制中的概率；只有在少數(shù)時(shí)期，才有可能出現(xiàn)高_(dá)方差_區(qū)制。

fig,?axes?=?plt.subplots(3,?figsize=(10,7)) ax.plot(smoothed_proba[0]) ax.plot(smoothed_proba[2]) ax.plot(smoothed_proba[3])

Filardo (1994) 時(shí)變的轉(zhuǎn)移概率

這個(gè)模型展示了用時(shí)變的轉(zhuǎn)移概率進(jìn)行估計(jì)。

在上述模型中，我們假設(shè)轉(zhuǎn)移概率在不同時(shí)期是不變的。在這里，我們?cè)试S概率隨著經(jīng)濟(jì)狀況的變化而變化。否則，該模型就是Hamilton（1989）的馬爾可夫自回歸。
每個(gè)時(shí)期，區(qū)制現(xiàn)在都根據(jù)以下的時(shí)變轉(zhuǎn)移概率矩陣進(jìn)行轉(zhuǎn)移。

其中 pij,tipij,t 是在 t 期間從區(qū)制 i 轉(zhuǎn)移到區(qū)制 j 的概率，并定義為。

與其將轉(zhuǎn)移概率作為最大似然法的一部分進(jìn)行估計(jì)，不如估計(jì)回歸系數(shù)βij。這些系數(shù)將轉(zhuǎn)移概率與預(yù)先確定的或外生的變量xt-1向量聯(lián)系起來。

[9]:#?用標(biāo)準(zhǔn)差進(jìn)行標(biāo)準(zhǔn)化 data['p']['1960-01-01':].std()?/?data['dlip'][:'1959-12-01'].std() #?繪制數(shù)據(jù) data['dlip'].plot(?) ? data['dmdlleading'].plot(??figsize=(13,3));

時(shí)變的轉(zhuǎn)移概率是由exog_tvtp參數(shù)指定的。

這里我們展示了模型擬合的另一個(gè)特點(diǎn)--使用隨機(jī)搜索的MLE起始參數(shù)。因?yàn)轳R爾科夫轉(zhuǎn)換模型的特征往往是似然函數(shù)的許多局部最大值，執(zhí)行初始優(yōu)化步驟有助于找到最佳參數(shù)。

下面，我們規(guī)定對(duì)起始參數(shù)向量的20個(gè)隨機(jī)擾動(dòng)進(jìn)行檢查，并將最好的一個(gè)作為實(shí)際的起始參數(shù)。由于搜索的隨機(jī)性，我們事先設(shè)置了隨機(jī)數(shù)種子，以便結(jié)果復(fù)制。

markovreg(data,?k=2,?order=4)fit(search=20)summary()

下面我們繪制了經(jīng)濟(jì)運(yùn)行在低生產(chǎn)狀態(tài)下的平滑概率，并再次將NBER的衰退情況納入其中進(jìn)行比較。

ax.plot(smoo_marg_prob[0])

利用時(shí)間變化的轉(zhuǎn)移概率，我們可以看到低生產(chǎn)狀態(tài)的預(yù)期持續(xù)時(shí)間如何隨時(shí)間變化。

exp_dura[0].plot(?figsize=(12,3));

在經(jīng)濟(jì)衰退期間，低生產(chǎn)狀態(tài)的預(yù)期持續(xù)時(shí)間要比經(jīng)濟(jì)擴(kuò)張時(shí)高得多。

點(diǎn)擊文末?“閱讀原文”

獲取全文完整資料。

本文選自《PYTHON用時(shí)變馬爾可夫區(qū)制轉(zhuǎn)換（MARKOV REGIME SWITCHING）自回歸模型分析經(jīng)濟(jì)時(shí)間序列》。

點(diǎn)擊標(biāo)題查閱往期內(nèi)容

R語(yǔ)言馬爾可夫MCMC中的METROPOLIS HASTINGS，MH算法抽樣（采樣）法可視化實(shí)例
python貝葉斯隨機(jī)過程：馬爾可夫鏈Markov-Chain，MC和Metropolis-Hastings，MH采樣算法可視化
Python貝葉斯推斷Metropolis-Hastings（M-H）MCMC采樣算法的實(shí)現(xiàn)
Metropolis Hastings采樣和貝葉斯泊松回歸Poisson模型
Matlab用BUGS馬爾可夫區(qū)制轉(zhuǎn)換Markov switching隨機(jī)波動(dòng)率模型、序列蒙特卡羅SMC、M H采樣分析時(shí)間序列R語(yǔ)言RSTAN MCMC：NUTS采樣算法用LASSO 構(gòu)建貝葉斯線性回歸模型分析職業(yè)聲望數(shù)據(jù)
R語(yǔ)言BUGS序列蒙特卡羅SMC、馬爾可夫轉(zhuǎn)換隨機(jī)波動(dòng)率SV模型、粒子濾波、Metropolis Hasting采樣時(shí)間序列分析
R語(yǔ)言Metropolis Hastings采樣和貝葉斯泊松回歸Poisson模型
R語(yǔ)言貝葉斯MCMC：用rstan建立線性回歸模型分析汽車數(shù)據(jù)和可視化診斷
R語(yǔ)言貝葉斯MCMC：GLM邏輯回歸、Rstan線性回歸、Metropolis Hastings與Gibbs采樣算法實(shí)例
R語(yǔ)言貝葉斯Poisson泊松-正態(tài)分布模型分析職業(yè)足球比賽進(jìn)球數(shù)
R語(yǔ)言用Rcpp加速M(fèi)etropolis-Hastings抽樣估計(jì)貝葉斯邏輯回歸模型的參數(shù)
R語(yǔ)言邏輯回歸、Naive Bayes貝葉斯、決策樹、隨機(jī)森林算法預(yù)測(cè)心臟病
R語(yǔ)言中貝葉斯網(wǎng)絡(luò)（BN）、動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)、線性模型分析錯(cuò)頜畸形數(shù)據(jù)
R語(yǔ)言中的block Gibbs吉布斯采樣貝葉斯多元線性回歸
Python貝葉斯回歸分析住房負(fù)擔(dān)能力數(shù)據(jù)集
R語(yǔ)言實(shí)現(xiàn)貝葉斯分位數(shù)回歸、lasso和自適應(yīng)lasso貝葉斯分位數(shù)回歸分析
Python用PyMC3實(shí)現(xiàn)貝葉斯線性回歸模型
R語(yǔ)言用WinBUGS 軟件對(duì)學(xué)術(shù)能力測(cè)驗(yàn)建立層次（分層）貝葉斯模型
R語(yǔ)言Gibbs抽樣的貝葉斯簡(jiǎn)單線性回歸仿真分析
R語(yǔ)言和STAN,JAGS：用RSTAN,RJAG建立貝葉斯多元線性回歸預(yù)測(cè)選舉數(shù)據(jù)
R語(yǔ)言基于copula的貝葉斯分層混合模型的診斷準(zhǔn)確性研究
R語(yǔ)言貝葉斯線性回歸和多元線性回歸構(gòu)建工資預(yù)測(cè)模型
R語(yǔ)言貝葉斯推斷與MCMC：實(shí)現(xiàn)Metropolis-Hastings 采樣算法示例
R語(yǔ)言stan進(jìn)行基于貝葉斯推斷的回歸模型
R語(yǔ)言中RStan貝葉斯層次模型分析示例
R語(yǔ)言使用Metropolis-Hastings采樣算法自適應(yīng)貝葉斯估計(jì)與可視化
R語(yǔ)言隨機(jī)搜索變量選擇SSVS估計(jì)貝葉斯向量自回歸（BVAR）模型
WinBUGS對(duì)多元隨機(jī)波動(dòng)率模型：貝葉斯估計(jì)與模型比較
R語(yǔ)言實(shí)現(xiàn)MCMC中的Metropolis–Hastings算法與吉布斯采樣
R語(yǔ)言貝葉斯推斷與MCMC：實(shí)現(xiàn)Metropolis-Hastings 采樣算法示例
R語(yǔ)言使用Metropolis-Hastings采樣算法自適應(yīng)貝葉斯估計(jì)與可視化
視頻：R語(yǔ)言中的Stan概率編程MCMC采樣的貝葉斯模型
R語(yǔ)言MCMC:Metropolis-Hastings采樣用于回歸的貝葉斯估計(jì)