贝叶斯模型平均在 Zellner 的 g 先验下的线性模型。 选项包括：固定（BRIC、UIP、...）和灵活的g先验（经验贝叶斯、超g）、5种模型先验概念，以及通过模型枚举或MCMC采样器（Metropolis-Hastings plain or reversible jump）进行模型采样）。 后处理允许根据不同的概念（可能性与基于 MCMC）和绘图（后验模型大小和系数密度、最佳模型、模型收敛、BMA 比较）进行推理。
需要安装 R D-COM 接口或 RAndFriends。
适用于 Matlab 6.5 及更高版本
有关更多详细信息，请参阅： http://bms.zeugner.eu/matlab/
2021-08-22 14:05:07
56KB
1
hsi
matlab代码Spgarch-bma
“通过贝叶斯模型平均的半参数GARCH”代码。
数据
描述
本文的经验研究中使用的数据集包含对股票指数和单个股票的日末（EOD）百分比对数回报率的观察值：标准普尔500（SPX），富时100（FTSE），DAX，日经平均指数225
（Nikkei），恒生（HSI），Apple（AAPL），ARM（ARMH），Intel（INTC），Nvidia（NVDA）和SanDisk（SNDK）。
数据链接：
MATLAB二进制文件（MAT）返回系列：。
单个资产的EOD返回序列存储在data_.mat
，其中是资产的缩写代码。
每个文件包含以下变量：
D日期向量。
r返回。
注意：可以通过调用load函数（例如load('data_aapl.mat')将所有MAT文件直接加载到MATLAB中。
源代码
描述
所有源代码文件都在src目录下。
src下的子目录组织如下：
garch与参数GARCH模型关联的功能。
spgarch与SP-GARCH模型相关的功能，以及真实和模拟的数据集。
ppr高级功能和保存的结果，用于生成“特
2021-06-28 15:24:46
608.09MB
1
贝叶斯模型平均
提供用于贝叶斯模型平均（BMA）的例程。 BMA在模型空间（例如线性回归模型）中搜索有前途的模型，并计算该空间上的后验概率分布。 然后根据模型空间上的加权平均值估计系数。
运行BMA就像拟合回归模型一样简单。 估计将接近您通过拟合“真实的”嵌套模型所获得的估计，并且不需要该模型的知识。
目录
以下脚本与最终用户有关：
linear_regression.py包含用于贝叶斯线性回归的例程。
linear_averaging.py包含线性BMA的例程。
sim.py演示了线性BMA的基本用法。
如果要使BMA适应其他模型空间，以下脚本很有用：
core.py包含通用BMA的例程。
mcmc.py包含通用MCMC例程。
用法
我使用的特定贝叶斯回归模型期望2个超参数：
g是惩罚模型大小的参数。 我建议将其设置为max（n_obs，n_dim ^ 2）。
p是您对
2021-06-09 17:38:13
330KB
1
《Bayesian Face Revisited: A Joint Formulation》论文所用的数据集
2021-03-22 23:14:42
148.58MB
1
贝叶斯方法：该项目的内容包括使用贝叶斯方法对基本统计模型进行分析和结果解释，用于预测和决策的贝叶斯模型以及贝叶斯模型推断
2021-02-20 09:05:26
8.45MB
1