A Comparative Analysis of Posterior Simulation Techniques in the Estimation of Bayesian Regression Model

En los últimos años, el desarrollo de varias técnicas de simulación posterior ha impulsado el campo de la econometría bayesiana, especialmente en trabajos aplicados. La distribución previa juega un papel dominante en el análisis bayesiano; los anteriores están destinados a reflejar la información que el investigador tiene antes de ver los datos. Esta investigación examinó la sensibilidad de los métodos de muestreo de Gibbs (GS) e Integración de Monte Carlo (MCI) a tres niveles diferentes de correlación en covarianza previa para conocer los efectos de la correlación variable en los métodos de simulación posterior al estimar los parámetros en un modelo de regresión lineal. Los tres niveles diferentes de correlación son: Correlación negativa (NC), correlación positiva (PC) y correlación cero (ZC). Los resultados mostraron que el MCI superó al GS en la mayoría de los casos y la precisión del MCI no depende del nivel de correlación, ya sea positivo o negativo, mientras que el GS se desempeñó mejor cuando se usó el nivel de correlación positivo como información en la covarianza previa que el uso de un nivel negativo de correlación. El uso de MCI en la inferencia bayesiana podría ser de importancia práctica para los profesionales.