尺度混合正态误差下带外生变量的自回归模型的贝叶斯估计

《Mathematics》：Bayesian Estimation of Autoregressive Models with Exogenous Variables Under Scale-Mixtures of Normal Errors

　　

带外生变量的自回归模型（ARX）构成了一个基本的动态回归模型类别，广泛应用于各种领域的时间序列分析。现有贝叶斯分析ARX模型的一个普遍局限是它们几乎完全依赖高斯误差假设，而在展示重尾创新、分布异常值或超额峰度的实证应用中，这一假设经常被违反。为解决这一缺陷，研究人员为这些误差来自正态尺度混合（SMN）族（一个丰富、对称、重尾的分布类）的模型开发了一个严谨的贝叶斯估计框架。利用SMN族通过观测特定的潜在尺度混合变量的分层随机表示，ARX模型被嵌入一个增强的数据结构中，该结构恢复了高斯条件结构。在三种不同的先验公式下——即正态-伽马、Zellner的g先验和Jeffreys先验——研究人员推导了ARX系数向量和误差尺度参数的闭式全条件后验分布，它们分别服从多元正态分布和逆伽马分布。此外，对于SMN特定的形状参数，研究人员推导了该族中每个分布的全条件后验，其中一些是非标准分布，通过将Metropolis-Hastings步骤嵌入Gibbs采样器来处理。由此产生的混合MCMC算法通过一个涵盖三种ARX模型配置和所有三种SMN特例的综合模拟研究进行了验证。一个对美国消费者价格通胀的真实宏观经济应用展示了该框架的实用性，确认了重尾残差并产生了精确、校准良好的后验估计。

本文针对带外生变量的自回归模型（ARX）在尺度混合正态（SMN）误差体系下的贝叶斯估计问题提出完整框架。研究背景方面，ARX模型作为动态回归基础类型，广泛应用于宏观经济学、金融和工程等领域，但现有贝叶斯分析几乎全部假设高斯误差，在重尾创新、分布异常值和超额峰度等常见非高斯特征下此假设经常被违反，导致后验推断产生系统性偏差。为此，研究人员开展了该研究，开发一套能够自动识别并自适应降权重尾创新的鲁棒贝叶斯估计方法，填补SMN误差下ARX模型闭式贝叶斯估计的空白。研究得出：通过引入观测特定潜在尺度混合变量，所提混合马尔可夫链蒙特卡罗（MCMC）算法能高效采样，模拟中后验均值接近真值，95%可信区间覆盖概率接近名义水平，实际应用中SMN-t规格显著优于高斯模型。论文发表在《Mathematics》。

方法上，研究人员利用SMN族的分层随机表示构造增强似然，将ARX模型嵌入经潜在变量修正的加权高斯条件结构；在正态-伽马、Zellner的g先验和Jeffreys先验三种先验下推导ARX系数向量与误差尺度参数的闭式全条件后验；对SMN-t、SMN-sl、SMN-cn三种特例的形状参数分别推导后验，非标准分布通过Metropolis-Hastings（MH）嵌入Gibbs采样器处理；模拟使用500次独立重复验证，实际数据来自联邦储备经济数据（FRED）的月度美国消费者价格指数（CPI）通胀（1985年1月至2024年12月，468个观测值）。

研究结果包括两个子部分：
**7.1 Simulation Study**：通过三个ARX模型配置（模型I：SMN-t，自由度；模型II：SMN-cn，；模型III：SMN-sl，）的500次重复模拟，采用Jeffreys先验和标准MCMC设置（总迭代25,000，燃烧10,000，每15保留一次），计算平均后验均值、后验标准差、均方根误差（RMSE）和经验覆盖概率（CP）。所有参数的后验均值与真值接近，RMSE相对后验标准差较小，CP在93.0%至97.5%之间，接近名义95%水平；短链与长链结果高度一致，MCMC混合良好，Geweke和Raftery–Lewis诊断通过。
**7.2 Real Application**：对美国CPI通胀建立BIC最优的ARX(3;0,0)模型，以SMN-t误差（Jeffreys先验，自由度参数超先验）进行贝叶斯估计。后验系数显示显著通胀惯性、货币政策传导效应和需求拉动通胀渠道；自由度后验均值7.502（95%可信区间[4.476,23.690]），确认重尾创新；偏差信息准则（DIC）比较中SMN-t模型（2170.1）比高斯模型（2263.6）低93.5点，优于SMN-cn和SMN-sl；后验预测检查验证SMN-t准确捕捉尾部尖峰。

总结讨论部分，研究人员翻译研究结论为：本文提出了一个完整的带外生变量的自回归模型（ARX）在尺度混合正态（SMN）误差分布类下的贝叶斯估计框架。利用ARX模型的线性结构与SMN族通过潜在尺度混合变量的分层随机表示，研究人员在三种先验族（正态-伽马、g先验和Jeffreys先验）下推导了所有模型参数的闭式全条件后验分布。具体地，ARX系数向量的条件后验为多元正态分布，其后验均值简化为具有精度权重的加权最小二乘估计，直接形式化了SMN框架的自适应异常值降权机制；尺度参数的条件后验为逆伽马分布，其尺度参数吸收了先验惩罚和加权残差平方和。对于SMN形状参数，研究人员推导了学生t分布、slash分布和污染正态分布的条件后验，其中一些后验需要Metropolis–Hastings校正。由此产生的MCMC算法通过涵盖三种ARX配置和所有三种SMN特例的广泛模拟研究进行了验证。平均后验均值与真值密切匹配，95%可信区间的经验覆盖概率接近名义值，且估计器在所探测的链长范围内表现出不敏感的快速MCMC混合，证实了所提MCMC算法的效率。对美国月度CPI通胀的宏观经济应用展示了该框架的实用价值。SMN-t规格产生了具有经济解释意义的系数估计，并提供了重尾创新的有力证据。基于DIC的模型比较确立了SMN-t ARX模型相对于高斯规格和其他SMN成员的绝对优越性，后验预测检查证实SMN-t模型准确捕捉了CPI通胀创新的重尾峰度。未来工作值得探讨若干拓展，如将SMN框架与状态空间表示或允许ARX系数向量随时间演化同时保持对非高斯创新鲁棒性的局部自适应收缩先验相结合。