Bayesian case influence analysis for GARCH models based on Kullback–Leibler divergence

Zero Variance and Hamiltonian Monte Carlo Methods in GARCH Models

“…In this section, we propose to compute the Kullback-Leibler (K-L) divergence to assess the potential influence of an observation in the posterior distribution (see for example Hao et al (2016)). The idea is to compare the posterior density p(θ|y) with a perturbed posterior density p δ (θ|y) by measuring a divergence between p(θ|y) and p δ (θ|y).…”

Inferência Bayesiana em Modelos de Volatilidade Estocástica usando Métodos de Monte Carlo Hamiltoniano

“…Esses clusters podem ser visualizados como correspondendo a períodos de alta ou baixa volatilidade. No entanto, de acordo com Hao et al (2016), estudos empíricos existentes revelam que muitos métodos de estimativas, em séries temporais, não são robustos a observações influentes e algumas suposições sobre o modelo podem não ser razoáveis em alguns casos práticos, violações que podem levar a conclusões incorretas. Com isso, a ênfase deve ser colocada não apenas na inferência ou ajuste das séries, mas também no diagnóstico de possíveis observações influentes.…”

“…A literatura para análise de influência em modelos de séries temporais com abordagem bayesiana é escassa. Dessa maneira, uma das propostas futuras para este trabalho é desenvolver uma análise de influência em casos bayesianos para modelos de volatilidade estocástica, baseado no artigo apresentado por Hao et al (2016) que desenvolveram uma análise de influência direcionada especificamente para modelos GARCH na abordagem bayesiana.…”