' $
Markov Switching Models Profa. Airlane Alencar
Depto de Estat´ıstica - IME-USP www.ime.usp.br/∼lane
Ref: Kim e Nelson (1999) e Hamilton (1990)
' $
Objetivo
Mudan¸ca nos parˆametros de um modelo de regress˜ao definindo diferentes regimes.
• Datas conhecidas - Teste de Chow (1960);
• Quandt (1972): Regimes independentes;
• Goldfeld e Quandt (1973) - Regimes Markovianos;
• Hamilton (1989) - Mudan¸ca Markoviana no modelo AR(p).
' $
Modelo com mudan¸ ca de regime
yt = xtβSt + et, (1) em que:
1. xt ´e um vetor de vari´aveis ex´ogenas 1 × k;
2. St define o regime;
3. et iid ∼ N(0, σS2
t).
Consideremos dois regimes St = 0,1.
1. βSt = β0(1 − St) + β1St; 2. σS2
t = σ02(1 − St) + σ12St.
' $
lnL =
T
X
t=1
lnf(yt|yet−1)
=
T
X
t=1
ln
" 1 X
St=0
f(yt|St,yet−1)P(St|yet−1)
#
' $
Regimes independentes
Probabilidades de cada regime dependentes de Z usando a fun¸c˜ao de liga¸c˜ao log´ıstica:
P(St = 1|yet−1) = pt = exp(γ0 + Ztγ1) 1 + exp(γ0 + Ztγ1) P(St = 0|yet−1) = 1 − pt = 1
1 + exp(γ0 + Ztγ1)
ou usando alguma outra fun¸c˜ao de liga¸c˜ao, como por exemplo a probit, que facilita a obten¸c˜ao da posteriori usando inferˆencia bayesiana.
' $
Transi¸ c˜ ao Markoviana
P(St = 1|St−1 = 1,yet−1) = pt = exp(γ0 + Ztγ1) 1 + exp(γ0 + Ztγ1) P(St = 1|St−1 = 0,yet−1) = qt = exp(δ0 + Ztδ1)
1 + exp(δ0 + Ztδ1)
' $
Filtro de Probabilidades
Passo 1
P(St = j|yet−1) =
1
X
i=0
P(St = j|St−1 = i)P(St−1 = i|yet−1) Passo 2 - Atualiza¸c˜ao
P(St = j|yet) = f(St = j, yt|yet−1) f(yt|yet−1) =
= f(yt|St = j, yet−1)P(St = j|yet−1) P1
j=0 f(yt|St = j, yet−1)P(St = j|yet−1) Para iniciar o filtro tem que inicializar P(S0|ye0), por exemplo usando a probabilidade invariante no caso de cadeia estacion´aria.
' $
Exemplo - AR(1)
yt − µSt = φ(yt−1 − µSt−1) + et, t = 1, . . . , T et ∼ N(0, σS2t) St = 1, . . . , M.
Agora a densidade de yt depende de St e St−1 f(yt|yet−1, St, St−1) = 1
q
2πσS2
t
exp
−(yt − µSt − φ(yt−1 − µSt−1))2 2σS2
t
' $
e
lnL =
T
X
t=1
lnf(yt|yet−1)
=
T
X
t=1
ln
M
X
St=1
M
X
St−1=1
f(yt|St, St−1,yet−1)P(St, St−1|yet−1)
' $
Filtro de Probabilidades
Passo 1
P(St = j, St−1 = i|yet−1) = P(St = j|St−1 = i)P(St−1 = i|yet−1) Passo 2 - Atualiza¸c˜ao
P(St = j, St−1 = i|yet) =
= f(St=j,Sf(yt−1=i,yt|yet−1)
t|yet−1) =
= PM f(yt|St=j,St−1=i,yet−1)P(St=j,St−1=i|yet−1)
i=1
PM
j=1 f(yt|St=j,St−1=i,yet−1)P(St=j,St−1=i|yet−1)
Para iniciar o filtro tem que inicializar P(S0|ye0).
' $
Suaviza¸ c˜ ao e EM
A variˆancia assint´otica dos estimadores de m´axima verossimilhan¸ca podem ser obtidos utilizando-se o inverso da matriz informa¸c˜ao de Fisher (estimada usando a matriz hessiana no ponto de m´aximo).
O algoritmo de suaviza¸c˜ao proposto por Kim permite obter uma aproxima¸c˜ao para P(St = j|yeT).
Pode ser utilizado o algoritmo EM para realizar a estima¸c˜ao, escrevendo-se a log-verossimilhan¸ca completa, ou seja, usando a densidade das observa¸c˜oes e as vari´aveis n˜ao observadas que nesse caso s˜ao os regimes.
' $
Hamilton - GDP
Hamilton (1989) modelou o crescimento do PIB real como um
modelo AR(4) com dois regimes para a m´edia. A seguir, yt ´e o log do PIB real.
' $
∆ 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
' $
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 estacion´ario, sujeito a φ(B) = (1 − φ1B − . . . − φL4) = 0 com ra´ızes fora do c´ırculo unit´ario.
E poss´ıvel distinguir dois regimes: recess˜´ ao e expans˜ao (m´edia
' $
' $
' $
Quando Kim e Nelson inclu´ıram os dados de 1985 a 1995, o modelo n˜ao consegue detectar dois regimes. Por isso, foi proposto o modelo para as m´edias:
µSt = (µ0 + µ∗0St)(1 − Dt) + (µ1 + µ∗1Dt)St,
com Dt igual a 1 no per´ıodo 1983:I-1995:III e zero no per´ıodo anterior.
' $
' $
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 variˆancias de uit.
' $
• Estima¸c˜ao: m´axima verossinilhan¸ca e r, k estimados por grid search.
• Pode ter mais que dois regimes e diferentes vari´aveis para definir os regimes.
• Pode ser usado algum crit´erio tipo AIC para escolher o melhor modelo.
' $
Dados simulados de yt =
0,2yt−1 + 0,5et, se yt−1 > 0,5 0,8yt−1 + et, se yt−1 ≤ 0,5
' $
y = 0.479x ‐0.161 R² = 0.191 y = 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
' $
Valores verdadeiros e estimativas obtidas pelo m´etodo de M´axima Verossimilhan¸ca
parˆametros verdadeiro estimativa
φ1 0.20 0.35
φq 0.80 0.82
σ12 0.50 0.51
σ22 1.00 1.01
r 0.50 0.52
' $
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
' $
Referˆ encias
[1] Kim, C. J. e Nelson, C. R. (1999). State-space models with regime 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 Dynamical System Approach. New York: Oxford University Press.