A comparative analysis of posterior simulation techniques in the estimation of bayesian regression model

• ADEDAYO A. ADEPOJU ^[1] ; OLUWADARE O. OJO ^[2]
  1. [1] University of Ibadan

     University of Ibadan

     Nigeria

     
  2. [2] Federal University of Technology

     Federal University of Technology

     Nigeria

     
• Localización: Estudios de economía aplicada, ISSN 1133-3197, ISSN-e 1697-5731, Vol. 37, Nº 1, 2019 (Ejemplar dedicado a: Turismo, movilidad y desarrollo sostenible), págs. 139-146
• Idioma: inglés
• Títulos paralelos:
  • Análisis comparativo de las técnicas de simulación posterior en la estimación del modelo de regresión bayesiana
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    En los últimos años, el desarrollo de varias técnicas de simulación posterior ha impulsado el campo de la econometría bayesiana, especialmente en trabajos aplicados. La distribución previa juega un papel dominante en el análisis bayesiano; los anteriores están destinados a reflejar la información que el investigador tiene antes de ver los datos. Esta investigación examinó la sensibilidad de los métodos de muestreo de Gibbs (GS) e Integración de Monte Carlo (MCI) a tres niveles diferentes de correlación en covarianza previa para conocer los efectos de la correlación variable en los métodos de simulación posterior al estimar los parámetros en un modelo de regresión lineal. Los tres niveles diferentes de correlación son: Correlación negativa (NC), correlación positiva (PC) y correlación cero (ZC). Los resultados mostraron que el MCI superó al GS en la mayoría de los casos y la precisión del MCI no depende del nivel de correlación, ya sea positivo o negativo, mientras que el GS se desempeñó mejor cuando se usó el nivel de correlación positivo como información en la covarianza previa que el uso de un nivel negativo de correlación. El uso de MCI en la inferencia bayesiana podría ser de importancia práctica para los profesionales.

  • English

    In recent years, the development of several posterior simulation techniques has boosted the field of Bayesian econometrics especially in applied works. Prior distribution plays a dominant role in Bayesian analysis; priors are meant to reflect information the researcher has before seeing the data. This research examined the sensitivity of the Gibbs sampler (GS) and Monte Carlo Integration (MCI) methods to three different levels of correlation in prior covariance to know the effects of varying correlation on posterior simulation methods in estimating the parameters in a linear regression model. The three different levels of correlation are; Negative Correlation (NC), Positive Correlation (PC) and Zero correlation (ZC). The results showed that MCI outperformed the GS in most cases and the accuracy of MCI does not depend on the level of correlation either positive or negative while GS performed better when positive level of correlation was used as information in the prior covariance than using negative level of correlation. The use of MCI in Bayesian inference might be of practical importance to practitioners.