Estimation of VECM Parameter Using Bayesian Approach: An Application to Analysis of Macroeconomic Variables
Notice bibliographique
Résumé
This study uses Bayesian approach to estimate Vector Error Correction Model (VECM). The aims of this study is to analyze the relationship between macroeconomic variables in Indonesia. To analyze the best method to influence government targets or policies on economic growth by studying the relationships of many macroeconomic variables. Previous studies in analyzing the relationship between macroeconomic variables with VECM analysis, using the Maximum Likelihood Estimation. However this estimation method cannot solve the problem of overparameterization in VECM model. The variables used in this study are six macroeconomic variables in Indonesia in 2010 quarter 1 to 2019 quarter 4 are GDP, the money supply, exchange rate of rupiah to US dollar, exports, imports and interest rates. The number of data in this study is less than the number of estimated parameters causing overparameterization problems. Therefore, this study uses the Bayesian parameter estimation method to avoid overparameterization problems in economic data. The model obtained from this study is the BVECM(3) and it has been proven that the model is suitable (the model diagnostic test). Based on the parameter estimation results of BVECM(3), the significant variables affecting GDP are GDP itself, the money supply, exchange rate of rupiah to US Dollar, exports, imports and the interest rate for Bank Indonesia Certificates. In addition, there is a two-way relationship that affects each other, namely the relationship between GDP and the money supply, exports and imports, exports and interest rates, and between imports and interest rates.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,005 | 0,029 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,002 |
| Bibliométrie | 0,003 | 0,003 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».