Bootstrapový filtr požitý pro estimaci parametrů makroekonomického modelu.

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F68407700%3A21230%2F05%3A03108705" target="_blank" >RIV/68407700:21230/05:03108705 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Bootstrap Filtering for Czech Macro-economic Model Estimation

Popis výsledku v původním jazyce

Implementing direct Bayesian inference using Monte Carlo methods (Bootstrap filter) we identified Czech macro-economic model based on the work (Clarida et al. 1999). The main concern was to identify model parameters for the prediction of model behavior,which is essential for taking proper economical decisions. Simultaneous estimation of model parameters led to non-linear model. Commonly used Extended Kalman filter failed in this case, therefore we used bootstrap filter, which can handle non-linear and/or non-gaussian systems. The posterior probability density function of states and parameters were obtained from the prior probabilities (represented as a large set of samples), which were updated from measured data according to Bayesian inference. Givenonly limited data set (quarterly data from 1994) at disposal we incorporated smoothing (backward filtration) into bootstrap filter to maximize the use of information from the data.

Název v anglickém jazyce

Bootstrap Filtering for Czech Macro-economic Model Estimation

Popis výsledku anglicky

Implementing direct Bayesian inference using Monte Carlo methods (Bootstrap filter) we identified Czech macro-economic model based on the work (Clarida et al. 1999). The main concern was to identify model parameters for the prediction of model behavior,which is essential for taking proper economical decisions. Simultaneous estimation of model parameters led to non-linear model. Commonly used Extended Kalman filter failed in this case, therefore we used bootstrap filter, which can handle non-linear and/or non-gaussian systems. The posterior probability density function of states and parameters were obtained from the prior probabilities (represented as a large set of samples), which were updated from measured data according to Bayesian inference. Givenonly limited data set (quarterly data from 1994) at disposal we incorporated smoothing (backward filtration) into bootstrap filter to maximize the use of information from the data.

Druh

D - Stať ve sborníku

CEP obor

BC - Teorie a systémy řízení

OECD FORD obor

—

Projekt

<a href="/cs/project/GA402%2F05%2F2172" target="_blank" >GA402/05/2172: Měnová politika a makroekonomická stabilizace : identifikace a aplikace modelů všeobecné rovnováhy</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2005

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

15th International Conference on Process Control 05

ISBN

80-227-2235-9

ISSN

—

e-ISSN

—

Počet stran výsledku

5

Strana od-do

—

Název nakladatele

Slovak University of Technology

Místo vydání

Bratislava

Místo konání akce

Štrbské Pleso

Datum konání akce

7. 6. 2005

Typ akce podle státní příslušnosti

WRD - Celosvětová akce

Kód UT WoS článku

—