论文部分内容阅读
本文致力于发展出具有更高统计效率和更低计算成本的适用于非线性/非高斯状态空间模型贝叶斯估计的粒子MCMC算法。文章使用多重尝试、延迟接收、边缘化、后向抽样等计算技术和策略对基准粒子MCMC算法进行拓展。一方面,这些技术和策略的使用能够拓宽粒子MCMC的应用范围。另一方面还能够提高基准粒子MCMC算法的统计和计算效率。具体而言,本文的研究内容和贡献主要有以下三点:第一,本文提出了多重尝试粒子Metropolis-Hastings(MH)算法。该算法使用多重尝试策略加速普通粒子MH算法的收敛性,同时通过使用非线性Kalman滤波对似然函数进行快速近似将算法的计算成本大幅降低。本文之后考虑了算法在独立抽样分布之下的特殊情形,并将算法与延迟接收策略结合以进一步提高计算效率,还提出了使用该算法计算模型边缘似然的方法。在数值试验中,对各个算法的收敛速率和计算成本进行了评估和比较。在实际应用部分,本文使用所提出的算法对非线性动态宏观经济模型进行估计和模型比较,对中国的货币政策进行了简要的分析。第二,本文提出了近似贝叶斯计算(ABC)粒子MCMC方法。该算法能够解决观测变量的条件分布非解析可得模型中的后验抽样问题。ABC粒子滤波通过抽取伪观测值对不可得的条件分布进行近似来完成滤波过程。ABC粒子MH算法使用ABC粒子滤波进行似然函数近似,而ABC粒子Gibbs抽样则使用ABC粒子滤波对平滑分布进行近似同时完成状态更新。本文进一步使用边缘化策略以提升ABC粒子滤波对似然函数的近似精度,并使用后验抽样解决粒子Gibbs算法中的退化问题。在数值实验中,所提出的两个改进算法都显示出了较高的效率:边缘化策略能够在相同的计算成本下实现更精确的似然函数近似,而后向抽样策略则能够在计算成本仅略微增加的情况下极大地提升状态更新的混合速率。第三,本文提出高效的后验抽样算法对Wishart动态期限结构模型进行贝叶斯参数估计和模型评估。所提出的后验抽样算法基于粒子Gibbs的框架交替地对状态变量和参数进行更新。在状态更新部分,使用带后向抽样的条件粒子滤波来进行。在参数更新部分,使用多重尝试独立MH算法依次对各组参数进行更新。多重尝试策略则有效地提高了参数更新中的接收概率和混合速率。数值实验验证了所提出算法的良好表现。最后,基于美国数据对Wishart期限结构模型进行贝叶斯估计和模型评估。考察了随机波动因子对债券收益率的影响,以及模型在横截面和时间序列方向的预测能力。