Resumo: Este artigo apresenta um algoritmo rápido para estimar estados ocultos de modelos de espaço de estados Bayesianos. O algoritmo é uma variação dos algoritmos de inferência baseados em simulação amortizada, onde um grande número de conjuntos de dados artificiais é gerado no primeiro estágio e, em seguida, um modelo flexível é treinado para prever as variáveis de interesse. Ao contrário dos propostos anteriormente, o procedimento descrito neste artigo permite treinar estimadores para estados ocultos concentrando-se apenas em certas características das distribuições marginais posteriores e introduzindo viés indutivo. Ilustrações usando os exemplos do modelo de volatilidade estocástica, modelo de equilíbrio geral estocástico dinâmico não linear e procedimento de ajuste sazonal com quebras de sazonalidade mostram que o algoritmo tem precisão suficiente para uso prático. Além disso, após o pré-treinamento, que leva várias horas, encontrar a distribuição posterior para qualquer conjunto de dados leva de centésimos a décimos de segundo.
Histórico de envios De: Ramis Khabibullin [view email]
