Bayesian Inference for Periodic Regime-Switching Models

Abstract

Nous présentons une classe générale de modèles non-linéaires avec changement de régime Markovienne. Les modèles proposés permettent d'avoir une structure périodique pour la chaîne de Markov ainsi que des effets saisonniers dans chaqu'un des régimes. La classe de structure proposée permet d'avoir des interdépendences entre les fluctuationssaisonnières, les cycles d'affaire et la composante de croissance. Une méthode Baysienne basée sur le principe de l'échantillonage de Gibbs est utilisée pour estimation et interférence. Deux exemples empiriques sont fournis, un premier utilisant des séries de mise en chantier de0501sons, tandis que le second couvre la production industrielle aux États-Unis.

We present a general class of nonlinear time series Markov regime-switching models for seasonal data which may exhibit periodic features in the hidden Markov process as well as in the laws of motion in each of the regimes. This class of models allows for nontrivial dependencies between seasonal, cyclical and long-term patterns in the data. To overcome the competitional burden we adopt a Bayesian approach to estimation and inference. This paper contains two empirical examples as illustration, one using housing starts data while the other covers U.S. post WWII individual production.