全文下载链接：http://tecdat.cn/?p=22617
最近我们被客户要求撰写关于MRS的研究报告，包括一些图形和统计输出。
本文提供了一个在统计模型中使用马可夫转换模型模型的例子，来复现Kim和Nelson（1999）中提出的一些结果。它应用了Hamilton（1989）的滤波器和Kim（1994）的平滑器
%matplotlib inline
import numpy as np
import pandas as pd
import statsmodels.api as sm
from pandas_datareader.data import DataReader
from datetime import datetime
DataReader(start=datetime(1947, 1, 1), end=datetime(2013, 4, 1))相关视频
**
拓端
，赞12
**
拓端
，赞8
**
拓端
，赞15
Hamilton (1989) 马尔可夫转换模型（_Markov -switching_ _model_）
这是对Hamilton(1989)介绍马可夫转换模型（_Markov -switching_ _model_）的开创性论文的复现。该模型是一个4阶的自回归模型，其中过程的平均值在两个区制之间切换。可以这样写。
每个时期，区制都根据以下的转移概率矩阵进行转换。
其中 pij是从区制 i 转移到区制 j 的概率。
该模型类别是时间序列部分中的MarkovAutoregression。为了创建这个模型，我们必须指定k\_regimes=2的区制数量，以及order=4的自回归阶数。默认模型还包括转换自回归系数，所以在这里我们还需要指定switch\_ar=False。
创建后，模型通过极大似然估计进行拟合。使用期望最大化（EM）算法的若干步骤找到好的起始参数，并应用准牛顿（BFGS）算法来快速找到最大值。
[2]:
#获取数据
hamilton= pd.read('gndata').iloc[1:]
# 绘制数据
hamilton.plot()
# 拟合模型
Markovreg(hamilton)
summary()
我们绘制了经过过滤和平滑处理的衰退概率。滤波指的是基于截至并包括时间tt（但不包括时间t+1,...,Tt+1,...,T）的数据对时间t的概率估计。平滑化是指使用样本中的所有数据对时间t的概率进行估计。
fig, axes = plt.subplots(2, figsize=(7,7))
ax = axes[0]
ax.plot(margl_prob[0])
ax = axes[1]
ax.plot(smoomarginal_pro[0])
根据估计的转移矩阵，我们可以计算出衰退与扩张的预期持续时间。
点击标题查阅往期内容
用机器学习识别不断变化的股市状况—隐马尔科夫模型(HMM)股票指数预测实战
左右滑动查看更多
01
02
03
04
print(expected_du)
在这种情况下，预计经济衰退将持续约一年（4个季度），扩张约两年半。
Kim, Nelson, and Startz (1998) 三状态方差转换模型。
这个模型展示了带有区制异方差（方差转换）和无平均效应的估计。
模型是:
由于没有自回归成分，这个模型可以用MarkovRegression类来拟合。由于没有平均效应，我们指定趋势='nc'。假设转换方差有三个区制，所以我们指定k\_regimes=3和switching\_variance=True（默认情况下，方差被假定为在不同区制下是相同的）。
raw = pd.read_table(ew ,engine='python')
# 绘制数据集
plot( figsize=(12, 3))
res_kns.summary()
下面我们绘制了处于每个区制中的概率；只有在少数时期，才有可能出现高_方差_区制。
fig, axes = plt.subplots(3, figsize=(10,7))
ax.plot(smoothed_proba[0])
ax.plot(smoothed_proba[2])
ax.plot(smoothed_proba[3])
Filardo (1994) 时变的转移概率
这个模型展示了用时变的转移概率进行估计。
在上述模型中，我们假设转移概率在不同时期是不变的。在这里，我们允许概率随着经济状况的变化而变化。否则，该模型就是Hamilton（1989）的马尔可夫自回归。
每个时期，区制现在都根据以下的时变转移概率矩阵进行转移。 
其中 pij,tipij,t 是在 t 期间从区制 i 转移到区制 j 的概率，并定义为。
与其将转移概率作为最大似然法的一部分进行估计，不如估计回归系数βij。这些系数将转移概率与预先确定的或外生的变量xt-1向量联系起来。
[9]:# 用标准差进行标准化
data['p']['1960-01-01':].std() / data['dlip'][:'1959-12-01'].std()
# 绘制数据
data['dlip'].plot( )
data['dmdlleading'].plot( figsize=(13,3));
时变的转移概率是由exog_tvtp参数指定的。
这里我们展示了模型拟合的另一个特点--使用随机搜索的MLE起始参数。因为马尔科夫转换模型的特征往往是似然函数的许多局部最大值，执行初始优化步骤有助于找到最佳参数。
下面，我们规定对起始参数向量的20个随机扰动进行检查，并将最好的一个作为实际的起始参数。由于搜索的随机性，我们事先设置了随机数种子，以便结果复制。
markovreg(data, k=2, order=4)
fit(search=20)
summary()
下面我们绘制了经济运行在低生产状态下的平滑概率，并再次将NBER的衰退情况纳入其中进行比较。
ax.plot(smoo_marg_prob[0])
利用时间变化的转移概率，我们可以看到低生产状态的预期持续时间如何随时间变化。
exp_dura[0].plot( figsize=(12,3));
在经济衰退期间，低生产状态的预期持续时间要比经济扩张时高得多。
点击文末 “阅读原文”
获取全文完整资料。
本文选自《PYTHON用时变马尔可夫区制转换（MARKOV REGIME SWITCHING）自回归模型分析经济时间序列》。
点击标题查阅往期内容
R语言马尔可夫MCMC中的METROPOLIS HASTINGS，MH算法抽样（采样）法可视化实例
python贝叶斯随机过程：马尔可夫链Markov-Chain，MC和Metropolis-Hastings，MH采样算法可视化
Python贝叶斯推断Metropolis-Hastings（M-H）MCMC采样算法的实现
Metropolis Hastings采样和贝叶斯泊松回归Poisson模型
Matlab用BUGS马尔可夫区制转换Markov switching随机波动率模型、序列蒙特卡罗SMC、M H采样分析时间序列R语言RSTAN MCMC：NUTS采样算法用LASSO 构建贝叶斯线性回归模型分析职业声望数据
R语言BUGS序列蒙特卡罗SMC、马尔可夫转换随机波动率SV模型、粒子滤波、Metropolis Hasting采样时间序列分析
R语言Metropolis Hastings采样和贝叶斯泊松回归Poisson模型
R语言贝叶斯MCMC：用rstan建立线性回归模型分析汽车数据和可视化诊断
R语言贝叶斯MCMC：GLM逻辑回归、Rstan线性回归、Metropolis Hastings与Gibbs采样算法实例
R语言贝叶斯Poisson泊松-正态分布模型分析职业足球比赛进球数
R语言用Rcpp加速Metropolis-Hastings抽样估计贝叶斯逻辑回归模型的参数
R语言逻辑回归、Naive Bayes贝叶斯、决策树、随机森林算法预测心脏病
R语言中贝叶斯网络（BN）、动态贝叶斯网络、线性模型分析错颌畸形数据
R语言中的block Gibbs吉布斯采样贝叶斯多元线性回归
Python贝叶斯回归分析住房负担能力数据集
R语言实现贝叶斯分位数回归、lasso和自适应lasso贝叶斯分位数回归分析
Python用PyMC3实现贝叶斯线性回归模型
R语言用WinBUGS 软件对学术能力测验建立层次（分层）贝叶斯模型
R语言Gibbs抽样的贝叶斯简单线性回归仿真分析
R语言和STAN,JAGS：用RSTAN,RJAG建立贝叶斯多元线性回归预测选举数据
R语言基于copula的贝叶斯分层混合模型的诊断准确性研究
R语言贝叶斯线性回归和多元线性回归构建工资预测模型
R语言贝叶斯推断与MCMC：实现Metropolis-Hastings 采样算法示例
R语言stan进行基于贝叶斯推断的回归模型
R语言中RStan贝叶斯层次模型分析示例
R语言使用Metropolis-Hastings采样算法自适应贝叶斯估计与可视化
R语言随机搜索变量选择SSVS估计贝叶斯向量自回归（BVAR）模型
WinBUGS对多元随机波动率模型：贝叶斯估计与模型比较
R语言实现MCMC中的Metropolis–Hastings算法与吉布斯采样
R语言贝叶斯推断与MCMC：实现Metropolis-Hastings 采样算法示例
R语言使用Metropolis-Hastings采样算法自适应贝叶斯估计与可视化
视频：R语言中的Stan概率编程MCMC采样的贝叶斯模型
R语言MCMC:Metropolis-Hastings采样用于回归的贝叶斯估计
