Odhad bayesovského vektorového autoregresního modelu

Abstract

Tato práce se zabývá metodami odhadu vektorového autoregresního modelu. Je zde použita varianta klasického odhadu i varianta využívající bayesovský přístup. Při bayesovském přístupu je využito apriorní hustoty Minnesota. Odhady jsou dále aplikovány ke konstrukci funkcí odezvy a klasických prognóz. V případě bayesovského přístupu je pro analýzu využit Gibbsův vzorkovač. Jedním z hlavních přínosů práce je návrh a implementace funkcí pro (bayesovskou) vektorovou autoregresi v Matlabu. Implementované funkce jsou aplikovány k analýze makroekonomických dat - HDP, inflace, M2 a PRIBOR. Analýza je doplněna o zkoumání existence Grangerových kauzalit.

This thesis deals with estimation methods used for vector autoregressive model. Classical method of estimation is used as well as estimation via Bayesian approach. Bayesian approach utilises prior density Minnesota. Estimates are then applied to the construction of impulse-response functions and classical predictions. In the case of Bayesian approach Gibbs Sampler is applied. One of the main contributions of this thesis is an implementation of Matlab toolbox used for (Bayesian) vector autoregressive analysis. The implemented functions are then applied to the analysis of real macroeconomic data - GDP, inflation, M2 and PRIBOR. The analysis is complemented by an examination of the existence of Granger causalities.