Bayesian Inference in Spatial Stochastic Volatility Models: An Application to House Price Returns in Chicago
Bayesian Inference in Spatial Stochastic Volatility Models: An Application to House Price Returns in Chicago
复制标题
空间随机波动模型中的贝叶斯推理：在芝加哥房价回报中的应用
DOI：
10.2139/ssrn.3104611
复制
发表时间：
2019
期刊：
影响因子：
--
通讯作者：
Anil K. Bera
中科院分区：
文献类型：
--
作者：
Suleyman Taspinar;Osman Doğan;Jiyoung Chae;Anil K. Bera
在这项研究中，我们提出了一个空间随机波动率模型，在该模型中，潜在的对数波动率项服从空间自回归过程。虽然在结果方程(均值方程)中没有空间相关性，但为对数波动率项定义的空间自回归过程在结果方程中引入了空间相关性。为了引入贝叶斯马尔可夫链蒙特卡罗(MCMC)估计算法，我们对模型进行了变换，使结果方程采用对数平方项的形式。我们用正态分布的有限混合来近似结果方程中的对数平方误差项的分布，从而使变换后的模型变成线性高斯状态空间模型。模拟结果表明，贝叶斯估计具有令人满意的有限样本性质。我们使用更广泛的芝加哥大都市区的住宅物业的价格回报来研究我们所提出的模型和估计方法的实际有用性。
In this study, we propose a spatial stochastic volatility model in which the latent log-volatility terms follow a spatial autoregressive process. Though there is no spatial correlation in the outcome equation (the mean equation), the spatial autoregressive process defined for the log-volatility terms introduces spatial dependence in the outcome equation. To introduce a Bayesian Markov chain Monte Carlo (MCMC) estimation algorithm, we transform the model so that the outcome equation takes the form of log-squared terms. We approximate the distribution of the log-squared error terms in the outcome equation with a finite mixture of normal distributions so that the transformed model turns into a linear Gaussian state-space model. Our simulation results indicate that the Bayesian estimator has satisfactory finite sample properties. We investigate the practical usefulness of our proposed model and estimation method by using the price returns of residential properties in the broader Chicago Metropolitan area.
影响因子：
6.3
作者：
Omori, Yasuhiro;Chib, Siddhartha;Nakajima, Jouchi
通讯作者：
Nakajima, Jouchi
影响因子：
1.9
作者：
Kelejian, HH;Prucha, IR
通讯作者：
Prucha, IR