Aplicación de la modelización por conjuntos a los modelos VAR

Question

¿Se puede aplicar la modelización por conjuntos a los modelos VAR? Es decir, utilizar varias especificaciones del modelo VAR en lugar de una sola especificación. Así, por ejemplo, si se quiere comprobar que $x_{t-1},...,x_{t-p}$ causas de granger $y_t$ , se comparan los resultados entre las diferentes especificaciones. Si tienes 5 especificaciones y 4 de ellas dicen que sí, y 1 dice que no, entonces concluimos que $x_{t-1},...,x_{t-p}$ Causa de Granger $y_t$ . Si 4 de las especificaciones dicen que no, y 1 dice que sí, concluimos que $x_{t-1},...,x_{t-p}$ no son causa de granger $y_t$ . Esta idea proviene del aprendizaje automático. No estoy seguro de que haya un documento que haya utilizado algo similar.

Answer 1

El aprendizaje por conjuntos es beneficioso en la previsión, donde la adecuación estadística de cualquier modelo del conjunto tiene una importancia limitada. Sin embargo, cuando los modelos se utilizan para la inferencia, la adecuación estadística es bastante importante. La corrección de la supuesta distribución nula de la estadística de prueba depende (en mayor o menor grado) de la adecuación estadística del modelo. La violación de algunos supuestos del modelo puede provocar distorsiones en los valores críticos y, por tanto, en el tamaño de la prueba, lo que hace que la inferencia sea irrealizable. Este es un problema común conocido en la literatura de promediación de modelos. Sólo se pueden promediar los modelos estadísticamente adecuados cuando el objetivo es la inferencia (y no la previsión), ya que, de lo contrario, la inferencia no es fiable. Mi explicación es un poco simplista, pero espero que transmita la idea principal.

Answer 2

Estoy totalmente de acuerdo con la respuesta anterior. Sin embargo, sólo añadiría que hay enfoques que sí intentan llevar a cabo la inferencia en un contexto de promediación de conjuntos/modelos. En particular, véase Granger y Jeon (2004) "Thick Modeling" ( https://www.sciencedirect.com/science/article/abs/pii/S0264999303000178 ) donde se realiza la selección de modelos mediante la combinación de múltiples modelos y se discute cómo llevar a cabo la inferencia mediante técnicas de bootstrap. Véase también un análisis más detallado de esto en Castle (2017) ( https://ejpam.com/index.php/ejpam/article/view/2954/492 ) que señala que esto se deriva del trabajo de Clive Granger sobre las combinaciones de modelos en la previsión que se remonta al menos a Bates y Granger (1969).