Bayesian Estimation Tools für GAUSS Das GAUSS-Paket "Bayesian Estimation Tools" beinhaltet sowohl vorgefertigte Modellschätzungen als auch Werkzeuge zum benutzerdefinierten Modellieren nach Bayes. Funktionen Beispiel Systemvoraussetzungen Posteriori-Verteilung von Lambda Posteriori-Verteilung von Sigma Vorgefertige Bayes-Analysen von Standard- und erweiterten Modellen univariate und multivariate lineare Modelle lineare Modelle mit autoregressiven Fehlertermen Hierarchische Bayes-Schätzung von Interaktionsmodelleln und gemischten Modellen Probit-Modelle Logit-Modelle Dynamische Faktormodelle mit zwei Faktoren SVAR-Modelle mit Optionen zu Beschränkungen der Vorzeichen (SVAR steht für Structural Vector Autogegressive). Werkzeuge zur benutzerdefinierten Anpassung individueller Modelle Anzahl gespeicherter Iterationen Anzahl der zu übergehenden Iterationen Länge der Anlaufperioden Gesamtzahl der Iterationen Inklusion eines Intercepts Laden und Erzeugen von Daten Anwender können Daten zur Schätzung und Analyse in GAUSS mit den standardmäßig in GAUSS enthaltenen Prozeduren laden. Zusätzlich beinhaltet das Modul für die Bayes'sche Analyse jedoch eine Funktion zur Erzeugung von Daten, die es dem Anwender erlaubt, echte Datenparameter zu spezifizieren, um hypothetische Datensätze für die Analyse zu erzeugen. Interpretation der gespeicherten Ergebnisse Die Bayes Estimation Tools speichern die Ergebnisse in einer einzigen Ausgabestruktur. Zusätzlich können alle Parameter und die Poseriori-Verteilungen für alle Parameter grafische dargestellt werden. Draws aller Parameter in jeder Iteration Posteriori-Mittelwert für alle Parameter Posteriori-Standardabweichung für alle Parameter Progostizierte Werte Residuen Korrelationsmatrix der prognostizierten und der beobachteten Werte Wahrscheinlichkeitsdichtefunktion und entsprechende Wahrscheinlichkeitsdichtefunktions-Gitter für alle Posteriori-Verteilungen Log-Likelihood (sofern anwendbar) Beispiel: Bericht für ein Probit-Modell Model Type: Probit regression model ************************************************************* Possible underlying (unobserved) choice generation: Agent selects one alternative: Y[ij] = X[j]*beta_i + epsilon[ij] epsilon[ij]~N(0,Sigma) ************************************************************* Y[ij] is mvar vector Y[ij] is utility from subject i, choice set j, alternative k where i = 1, ..., numSubjects j = 1, ..., numChoices k = 1, ..., numAlternatives - 1 ************************************************************* X[j] is numAlternative x rankX for choice j ************************************************************* Pick alternative k if: Y[ijk] > max( Y[ijl] ) for all k < mvar+1 and l not equal to k Select base alternative if max(Y)<0 ************************************************************* Observed model: ************************************************************* Choice vector C[ij] is a numAlternative vector of 0/1 beta_i = Theta'Z[i] + delta[i] delta[i]~N(0,Lambda) ************************************************************* Summary stats of independent data ***************************************** Summary stats for X variables ***************************************** Variable Mean STD MIN MAX X1 0.33333 0.47538 0 1 X2 0.33333 0.47538 0 1 X3 0.33333 0.47538 0 1 X4 0.28648 0.20641 -0.083584 0.71157 X5 0.083333 0.59065 -1 1 ***************************************** Summary stats for Z variables ***************************************** Variable Mean STD MIN MAX Y1 -0.10328 1.1582 -6.1714 3.7266 Y2 -0.23821 1.1428 -6.1295 3.2853 Y3 -0.28473 1.2776 -5.4752 4.58 ***************************************** Summary stats for dependent variables ***************************************** Variable Mean STD MIN MAX Y1 -0.10328 1.1582 -6.1714 3.7266 Y2 -0.23821 1.1428 -6.1295 3.2853 Y3 -0.28473 1.2776 -5.4752 4.58 *********************************** MCMC Analysis Setup *********************************** Total number of iterations: 1100.0 Total number of saved iterations: 1000.0 Number of iterations in transition period: 100.00 Number of iterations between saved iterations: 0.0000 Number of obs: 60.000 Number of independent variables: 5.0000 (excluding deterministic terms) Number of dependent variables: 3.0000 ******************************** MCMC Analysis Results ******************************** *********************************** Error Standard Deviation *********************************** Variance-Covariance Means(Sigma) Equation Y1 Y2 Y3 Y1 0.20831 0.078641 -0.12772 Y2 0.078641 0.26217 -0.078051 Y3 -0.12772 -0.078051 1 *********************************** Error Standard Deviation *********************************** Variance-Covariance Means (Lambda) Equation Beta1 Beta2 Beta3 Beta4 Beta5 Beta1 0.038024 0.0084823 0.0050414 -0.010463 -0.0044786 Beta2 0.0084823 0.038058 0.0061952 -0.0098521 0.0017846 Beta3 0.0050414 0.0061952 0.080755 -0.0086755 0.016158 Beta4 -0.010463 -0.0098521 -0.0086755 0.10271 -0.010493 Beta5 -0.0044786 0.0017846 0.016158 -0.010493 0.046216 *********************************** Theta for Z Equation 1.0000 *********************************** Variable PostMean PostSTD Theta1 0.53176 0.43012 Theta2 0.43195 0.35411 Theta3 -0.011848 0.00015526 Theta4 -2.0511 -1.9772 Theta5 1.0605 1.1038 *********************************** Theta for Z Equation 2.0000 *********************************** Variable PostMean PostSTD Theta1 0.90016 0.79037 Theta2 0.37388 0.19278 Theta3 -0.32424 -0.37066 Theta4 0.69154 0.85307 Theta5 -0.26623 -0.19126 *********************************** Theta for Z Equation 3.0000 *********************************** Variable PostMean PostSTD Theta1 -0.24998 -0.2454 Theta2 -0.22883 -0.19728 Theta3 -0.043585 0.026509 Theta4 -0.29718 -0.30046 Theta5 0.52032 0.50741 Systemvoraussetzungen Betriebssysteme Windows Mac Linux Voraussetzungen GAUSS ab Version 13.1 Systemvoraussetzungen für GAUSS
