The subjective Bayesian approach to

The subjective Bayesian approach to the treatment of several models begins by assigning
a prior probability to each model, with the prior probabilities summing to one.
Since each model is already endowed with a prior probability distribution for its parameters
and for the probability distribution of observable data conditional on its parameters,
there is then a complete probability distribution over the space of models, parameters,
and observable data. (No particular problems arise from non-nesting of models in this
framework.) This probability space can then be augmented with the distribution of an
object or vector of objects of interest. For example, in a macroeconomic policy setting the
models could include VARs,. DSGEs, and traditional large-scale macroeconomic models,
and the vector of interest might include future output growth, interest rates, inflation and
unemployment, whose distribution is implied by each of the models considered. Implicit
in this formulation is the conditional distribution of the vector of interest conditional on
the observed data. Technically, this requires the integration (or marginalization) of parameters
in each model as well as the models themselves. As a practical matter this usually
proceeds by first computing the probability of each model conditional on the data, and
then using these probabilities as weights in averaging the posterior distribution of the
vector of interest in each model. It is not necessary to choose one particular model, and
indeed to do so would be suboptimal. The ability to actually carry out this simultaneous
consideration of multiple models has been enhanced greatly by recent developments
in simulation methods, surveyed in Section 15 below; recent texts by Koop (2003), Lan-

ผลลัพธ์ (ไทย) 1:

วิธีทฤษฎีตามอัตวิสัยรักษาหลายรุ่นเริ่มต้น โดยการกำหนดความทราบน่าเป็นแต่ละรุ่น กับกิจกรรมก่อนหน้ารวมไปเนื่องจากแต่ละรุ่นจะมาแล้วกับการแจกแจงความน่าเป็นก่อนสำหรับพารามิเตอร์และการกระจายความน่าเป็นของข้อมูลตามเงื่อนไขบนพารามิเตอร์ observableมีแล้วแจกแจงความน่าเป็นที่สมบูรณ์กว่าขนาดของแบบจำลอง พารามิเตอร์และข้อมูล observable (ไม่มีปัญหาใดเกิดขึ้นจากไม่เนสติ้งรุ่นนี้กรอบ) จากนั้นถูกขยายพื้นที่นี้น่าเป็นกับการแจกแจงของตัววัตถุหรือเวกเตอร์ของวัตถุที่น่าสนใจ ตัวอย่าง ในการตั้งค่านโยบายเศรษฐกิจมหภาคแบบจำลองอาจรวม VARs DSGEs และรุ่นใหญ่เศรษฐกิจมหภาคแบบดั้งเดิมและเวกเตอร์อันอาจมีผลในอนาคตเติบโต อัตราดอกเบี้ย อัตราเงินเฟ้อ และว่างงาน กระจายที่เป็นนัย โดยแต่ละรุ่นถือว่า นัยกำหนดนี้เป็นการแจกแจงแบบมีเงื่อนไขของเวกเตอร์น่าสนใจตามเงื่อนไขในข้อมูลที่สังเกต เทคนิค การรวม (หรือ marginalization) ของพารามิเตอร์ในแต่ละรุ่นรวมทั้งรุ่นตัวเอง เป็นเรื่องจริงนี้โดยทั่วไปดำเนินการ โดยการคำนวณความน่าเป็นของแต่ละรูปแบบตามเงื่อนไขกับข้อมูล แรก และแล้ว กิจกรรมเหล่านี้ใช้เป็นน้ำหนักในการหาค่าเฉลี่ยการกระจายหลังการเวกเตอร์น่าสนใจในแต่ละรุ่น ไม่จำเป็นต้องเลือกรูปแบบหนึ่งโดยเฉพาะ และแน่นอนดังกล่าวจะเป็นสภาพ สามารถจะ ดำเนินการนี้พร้อมกันพิจารณาหลายรุ่นได้ถูกปรับปรุงอย่างมาก โดยการพัฒนาล่าสุดในการจำลองวิธี สำรวจใน 15 ส่วนด้านล่าง ข้อความล่าสุด โดย Koop (2003), Lan-

ผลลัพธ์ (ไทย) 3:

ส่วนอัตนัยคชกรรมวิธีการรักษาหลายรุ่นเริ่มต้นด้วยการกำหนด
ความน่าจะเป็นก่อนแต่ละแบบมีความน่าจะเป็นข้อสรุปก่อนหนึ่ง .
เพราะแต่ละรุ่นมี endowed กับการแจกแจงความน่าจะเป็นก่อนสำหรับพารามิเตอร์
และความน่าจะเป็นการแจกแจงของข้อมูลขึ้นอยู่กับพารามิเตอร์ที่สังเกต
,มีแล้วที่สมบูรณ์กว่าพื้นที่ของการแจกแจงความน่าจะเป็นแบบพารามิเตอร์
และข้อมูลที่สังเกตได้ ( ไม่เฉพาะปัญหาเกิดขึ้นจากโนนรัง โมเดลนี้
กรอบ ) นี้น่าจะเป็นพื้นที่แล้วสามารถเติมกับการกระจายของวัตถุหรือวัตถุ
เวกเตอร์ที่น่าสนใจ ตัวอย่างเช่น ในการกำหนดนโยบายเศรษฐกิจมหภาค
รุ่นอาจรวมถึง VARs , . dsges ,และแบบดั้งเดิมขนาดใหญ่เศรษฐกิจมหภาคแบบ
และเวกเตอร์ที่น่าสนใจ อาจรวมถึงอนาคตการเติบโตของผลผลิต อัตราดอกเบี้ย อัตราเงินเฟ้อ และการว่างงานที่กระจาย
, โดยนัย โดยแต่ละรุ่นถือว่า ความนัยในสูตรนี้คือการกระจาย
ตามเงื่อนไขของเวกเตอร์ของดอกเบี้ยเงื่อนไข
และข้อมูล ในทางเทคนิคนี้ต้องใช้ รวม ( หรือคนชายขอบ ) ของพารามิเตอร์
ในแต่ละรุ่น รวมทั้งรุ่นตัวเอง เป็น เรื่องการปฏิบัตินี้มักจะ
รายได้ครั้งแรกโดยการคำนวณความน่าจะเป็นของแต่ละรุ่น ขึ้นอยู่กับข้อมูลและความน่าจะเป็นเหล่านี้เช่นน้ำหนัก
แล้วใช้เฉลี่ยกระจายด้านหลังของ
เวกเตอร์ที่น่าสนใจในแต่ละรุ่นไม่จําเป็นต้องเลือกรุ่นหนึ่งโดยเฉพาะ และการทำเช่นนั้นจะแน่นอน
suboptimal . ความสามารถในการจริงดำเนินการพิจารณานี้พร้อมกัน
หลายรุ่นได้รับการปรับปรุงอย่างมากโดย
ล่าสุดในการพัฒนาวิธีการจำลองแบบในมาตรา 15 ดังนี้ ข้อความล่าสุดโดยคูป ( 2003 ) , LAN -