Markov Chain Monte Carlo metody a konvergenční diagnostiky s aplikací v ekonomii
Cílem práce je popsat a analyzovat konvergenční diagnostiky vztahující se k MCMC metodám, jakými jsou Gibbsův vzorkovač a Metropolis-Hastings algoritmus. Součástí práce je také algoritmické zpracování těchto diagnostik v programovém prostředí Matlabu. Prvně otestujeme diagnostiky na simulaci vzorků...
Uloženo v:
| Hlavní autor: | |
|---|---|
| Další autoři: | |
| Typ dokumentu: | VŠ práce nebo rukopis |
| Jazyk: | Čeština |
| Vydáno: |
2008.
|
| Témata: | |
| On-line přístup: | http://is.muni.cz/th/106111/prif_m/ |
| Shrnutí: | Cílem práce je popsat a analyzovat konvergenční diagnostiky vztahující se k MCMC metodám, jakými jsou Gibbsův vzorkovač a Metropolis-Hastings algoritmus. Součástí práce je také algoritmické zpracování těchto diagnostik v programovém prostředí Matlabu. Prvně otestujeme diagnostiky na simulaci vzorků z trojrozměrného normálního rozdělení s vysokou vzájemnou korelací. Pak se znalostí chování těchto metod je implementujeme na odhady parametrů modelu reálných ekonomických cyklů. Tento model je odhadnut pomocí Dynare programu. The main goal of this diploma thesis is to describe and analyze convergence diagnostics which incline to MCMC methods (like Gibbs sampler and Metropolis-Hastings Algorithm). The part of this diploma thesis is also algorithmic process of these diagnostics in program ground of Matlab. At first, we have tested diagnostics methods on simulation samples from trivariate normal with high correlations. Then with the knowledge of behavior of methods we implemented them to estimate parameters of the real business cycle model. This model was estimated using the Dynare toolbox. |
|---|---|
| Popis jednotky: | Vedoucí práce: Daniel Němec. |
| Fyzický popis: | 69 l. |