04142ntm a22005177i 4500 000537268 CZ-PrVSE 20180203104636.0 m d cr n|||||||||| 180203s2017 xr fsbm 000 0 cze d NEZPRACOVANÝ IMPORT ABA006 cze ABA006 ABA006 rda Karel, Tomáš vse2015858033 dis Forecasting the growth of GDP using Bayesian vector autoregression eng Predikce vývoje hrubého domácího produktu pomocí bayesovských vícerozměrných autoregresních modelů / Tomáš Karel 2017 ?? stran : digital, PDF soubor Vedoucí práce: Dagmar Blatná Disertační práce (Ph.D.)—Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky, 2018 Obsahuje bibliografii Textový (vysokoškolská kvalifikační práce) Rok obhajoby 2018 Tato práce představuje přednosti využití bayesovského přístupu při predikci vývoje makroekonomického agregátu reálného HDP České republiky pomocí vícerozměrných autoregresních modelů. Bayesovský přístup umožňuje vnést pomocí apriorního rozdělení parametrů do jinak ateoretického modelu externí informaci charakteristickou pro danou ekonomiku. Predikce jsou provedeny na základě rozdílných apriorních rozdělení s využitím více uvažovaných modelů, které se liší jak počtem a typem vstupujících proměnných, tak počtem uvažovaných zpoždění. Dále je navržen vlastní systém ekonomicky motivovaných apriorních rozdělení zohledňující charakteristické rysy typické pro malou (velice) otevřenou ekonomiku České republiky. Tento navržený systém apriorních rozdělení je schopen pomocí vhodné volby apriorních (hyper)parametrů zohlednit cyklické chování uvažovaných časových řad s délkou cyklu odpovídající typické délce hospodářských cyklů. Popsaný proces tvorby vlastního systému ekonomicky motivovaných apriorních rozdělení tak ukazuje způsob, jakým bayesovský přístup umožňuje inkorporovat relevantní nedatové informace dané charakteristickými rysy ekonomiky, resp. stanovené tvůrcem hospodářské politiky v podobě uplatňovaných fiskálních či monetárních nástrojů. K vytvoření výsledného modelu je využito bayesovské dynamické průměrování všech uvažovaných modelů, které za pomoci postupu blízkému Kullback-Leiblerovu informačnímu kritériu dává jednotlivým modelům časově proměnné váhy dle jejich predikční schopnosti v předešlých obdobích. Umožňuje tak využít predikčních schopností všech modelů, které se mohou v průběhu různých fází hospodářského cyklu lišit. Závěrem je provedeno porovnání predikční schopnosti modelů s rozdílnými apriorními rozděleními ve třech vybraných časových ok Způsob přístupu: Internet statistika [obor disert. práce] disertace fd132024 czenas dissertations eczenas bayesovské dynamické průměrování modelů bayesovský vícerozměrný autoregresní model porovnání predikcí ekonomické rozdělení parametrů Blatná, Dagmar xx0016656 ths Bílková, Diana mzk2004248684 opn Vysoká škola ekonomická v Praze. Fakulta informatiky a statistiky kn20010709399 dgg https://insis.vse.cz/zp/47115/podrobnosti VŠKP v InSIS https://insis.vse.cz/zp/47115 Hlavní práce https://insis.vse.cz/zp/47115/posudek/vedouci Hodnocení vedoucího https://insis.vse.cz/zp/47115/posudek/oponent/54885 Oponentura https://insis.vse.cz/zp/47115/posudek/oponent/54886 Oponentura https://insis.vse.cz/zp/47115/podrobnosti dc:identifier NEPOSILAT VSKP vse47115 180203 47115