Интервью с Кристофером Симсом. Рукция функции правдоподобия для авторегрессии, обусловленная исход-

рукция функции правдоподобия для авторегрессии, обусловленная исход-

ными данными временных рядов, действует одинаково при наличии или

отсутствии нестационарности. Выводы, базирующиеся на принципе правдо-

подобия, должны быть идентичны как для стационарных, так и для неста-

ционарных случаев. Классическая теория распределения предполагает,

что при наличии авторегрессии, в которой может присутствовать единич-

ный корень, мы должны использовать совершенно другие методы.

С байесовской точки зрения любая специфика вывода при условии на-

личия нестационарности должна возникать из-за различных импликаций

в стационарных и нестационарных случаях), обусловленных исходными

условиями, а также того факта, что неявные приоритеты могут подразуме-

вать странные представления о поведении измеряемых величин. Поэтому

при возникновении подобных различий, когда вы сталкиваетесь с динами-

ческими моделями, которые могут иметь еще и единичный корень, эти

различия должны рождаться из представления разумного приоритета для

последующего использования в научно-исследовательских отчетах, и эта

проблема формально и интуитивно отличается от классической теории

распределения с единичными корнями.

Другой пример касается той огромной разницы, которая возникает от

того, что при проверке на наличие точек перелома вы можете использовать

байесовский или классический подход. Когда вы тестируете наличие

одной точки перелома, и в байесовском и классическом подходе правдо-

подобность будет исследоваться как функция точки перелома (хотя «не-

байесианцы» больше предпочитают исследовать максимизированное

правдоподобие, а байесианцы — интегрированное). Байесовский подход

или подход на основе принципа правдоподобия) мог бы вам подсказать,

что в проблеме точки перелома точность информации о точке перелома в

заданной выборке определяется по уровню правдоподобия, с которым вы

здесь столкнетесь. Сторонники классического похода могут это и не от-

следить, сконцентрировав свое внимание на распределении функции

правдоподобия по всем возможным выборкам, а не на самой функции

правдоподобия.

Несмотря на то, что существует относительно мало байесовских работ

на тему инструментальных переменных, я считаю, что их могло бы быть

больше, и их вклад был бы значительным. Оценка инструментальных пере-

менных не основана на принципе правдоподобия, но она применима к

моделям, для которых это может быть правдоподобием. Кто-то может спро-

сить, а насколько правилен вывод, основанный на тех моментах, которые

подпадают под оценку инструментальной переменной, а не на всем наборе

данных. Думаю, что можно было бы сделать выводы, которые дают более

серьезную основу для обсуждения слабых инструментов — еще одной важ-

ной темы.