通过Sylvain巴德肯特开云体育主頁(欢迎您)大学。开云体育app客服讨论文件KDPE 19082019年6月。
非技术简介:
本文提出并检验了马尔可夫信息准则(MIC)的多元扩展。
最初开发于巴德(2017)。MIC的主要动机是比较问题
当用传统方法估计模型不可用时，一组模型与一些经验数据之间的距离。这通常是模拟模型的情况，例如基于代理的模型。MIC通过将模拟数据映射到底层数据生成过程的马尔可夫转换矩阵来执行该测量，并被证明对所有可简化为马尔可夫过程的模型执行最优(即测量在预期中是无偏的)。因此，MIC不仅可以仅根据模拟数据提供距离度量，而且可以为非常广泛的数据生成过程提供距离度量。Barde(2016)阐述了这一点，它在金融市场的三个基于代理的模型(ABM)和一组类似arch的模型之间进行了比较练习，以便根据经验表现对它们进行排名。
MIC在其原始形式中的主要缺点是对信息的测量
只有对单变量模型，如上面提到的金融系列的ABM模型，才能进行与数据的距离。原则上，将MIC扩展到多元模型在概念上没有问题，因为马尔可夫过程的状态可以用变量向量来描述，而不是单个变量。然而，在实践中，增加描述系统状态所需的变量数量会导致Willems等人(1995)的上下文树加权(CTW)算法对内存需求的组合爆炸，这形成了MIC的基础。因此，对多元测量的naïve扩展是不可能的。相反，本文使用三种策略的组合来克服这种维度诅咒，并将MIC扩展到多个变量。
- 第一种方法使用了上下文观察的最高有效位(MSB)比最低有效位(LSB)信息更丰富的事实。因此，我们从排列上下文的位开始，以便msb首先处理，lsb最后处理。
- 在此基础上，第二种策略是截断上下文以保留内存
要求限定在一个可处理的水平，并根据Willems和Tjalkens(1997)的建议修剪上下文树的单个观察分支，以保持树尽可能小。 - 最后，由于这种截断预计会恶化测量的准确性，最终
策略是取多个测量值的平均值，以提高性能。
至关重要的是，这可以通过改变变量的顺序来实现，而不需要额外的模拟或经验数据。
通过运行两个蒙特卡罗模型对VAR和VAR进行比较，验证了扩展的方法
为了评估多元MIC相对于传统方法对这些数据生成过程进行排名的能力，DSGE模型。这些验证表明，尽管状态空间大幅增加，数据量更小，但可以保留单变量MIC的理想属性。最后，我们进行了宏观经济模型的概念验证比较，以证明MIC可以实现ABM和DSGE模型的直接比较，这是提高ABM政策相关性的关键一步
你可以下载完整的论文在这里．