This function computes the effective sample size, adjusted
for autocorrelation, of Markov chain Monte Carlo (MCMC) output obtained
from the Bayesian estimation of multivariate TAR models. It serves as a
wrapper around effectiveSize(), applying this function to the
posterior chains returned by mtar().
Arguments
- x
An object of class
mtarproduced bymtar().
Examples
# \donttest{
###### Example 1: Returns of the closing prices of three financial indexes
data(returns)
fit1 <- mtar(~ COLCAP + BOVESPA | SP500, data=returns, row.names=Date,
subset={Date<="2015-12-07"}, dist="Student-t",
ars=ars(nregim=3,p=c(1,1,2)), n.burnin=1000, n.sim=2000,
n.thin=2)
effectiveSize_TAR(fit1)
#> Thresholds:
#> Threshold.1 Threshold.2
#> 1.2342 2.0274
#>
#>
#> Regime 1
#>
#>
#> Autoregressive coefficients:
#> COLCAP BOVESPA
#> (Intercept) 2.7333 3.3358
#> COLCAP.lag(1) 21.6432 527.8522
#> BOVESPA.lag(1) 79.3678 14.8757
#>
#>
#> Scale parameter:
#> COLCAP BOVESPA
#> COLCAP 178.39 1738.88
#> BOVESPA 1738.88 719.19
#>
#>
#> Regime 2
#>
#>
#> Autoregressive coefficients:
#> COLCAP BOVESPA
#> (Intercept) 116.32 22.774
#> COLCAP.lag(1) 197.19 1620.323
#> BOVESPA.lag(1) 1624.43 1581.051
#>
#>
#> Scale parameter:
#> COLCAP BOVESPA
#> COLCAP 466.808 90.252
#> BOVESPA 90.252 253.378
#>
#>
#> Regime 3
#>
#>
#> Autoregressive coefficients:
#> COLCAP BOVESPA
#> (Intercept) 4.5064 4.7917
#> COLCAP.lag(1) 606.5935 1853.9254
#> BOVESPA.lag(1) 7.9509 32.8775
#> COLCAP.lag(2) 324.4990 511.4023
#> BOVESPA.lag(2) 525.6385 334.7090
#>
#>
#> Scale parameter:
#> COLCAP BOVESPA
#> COLCAP 316.69 387.41
#> BOVESPA 387.41 1057.73
#>
#>
#> Extra parameter:
#> nu
#> 174.35
###### Example 2: Rainfall and two river flows in Colombia
data(riverflows)
fit2 <- mtar(~ Bedon + LaPlata | Rainfall, data=riverflows, row.names=Date,
subset={Date<="2009-02-13"}, dist="Laplace",
ars=ars(nregim=3,p=5), n.burnin=1000, n.sim=2000, n.thin=2)
effectiveSize_TAR(fit2)
#> Thresholds:
#> Threshold.1 Threshold.2
#> 23.763 61.558
#>
#>
#> Regime 1
#>
#>
#> Autoregressive coefficients:
#> Bedon LaPlata
#> (Intercept) 1124.08 1032.04
#> Bedon.lag(1) 857.57 863.34
#> LaPlata.lag(1) 972.31 835.57
#> Bedon.lag(2) 948.30 995.92
#> LaPlata.lag(2) 984.75 809.13
#> Bedon.lag(3) 800.71 1026.22
#> LaPlata.lag(3) 811.96 846.13
#> Bedon.lag(4) 848.92 859.31
#> LaPlata.lag(4) 1037.74 771.12
#> Bedon.lag(5) 641.81 897.97
#> LaPlata.lag(5) 1072.74 820.13
#>
#>
#> Scale parameter:
#> Bedon LaPlata
#> Bedon 1111.9 1435.3
#> LaPlata 1435.3 1072.9
#>
#>
#> Regime 2
#>
#>
#> Autoregressive coefficients:
#> Bedon LaPlata
#> (Intercept) 675.12 642.85
#> Bedon.lag(1) 911.69 776.10
#> LaPlata.lag(1) 1086.46 862.19
#> Bedon.lag(2) 598.69 1095.92
#> LaPlata.lag(2) 682.80 1012.24
#> Bedon.lag(3) 746.36 1019.38
#> LaPlata.lag(3) 846.51 909.56
#> Bedon.lag(4) 643.23 858.71
#> LaPlata.lag(4) 753.95 815.91
#> Bedon.lag(5) 908.48 1006.91
#> LaPlata.lag(5) 903.60 803.88
#>
#>
#> Scale parameter:
#> Bedon LaPlata
#> Bedon 1243.5 1477.5
#> LaPlata 1477.5 1156.0
#>
#>
#> Regime 3
#>
#>
#> Autoregressive coefficients:
#> Bedon LaPlata
#> (Intercept) 734.43 723.54
#> Bedon.lag(1) 549.53 794.86
#> LaPlata.lag(1) 796.68 948.21
#> Bedon.lag(2) 792.12 920.77
#> LaPlata.lag(2) 1124.79 1112.66
#> Bedon.lag(3) 928.39 1047.37
#> LaPlata.lag(3) 1007.79 906.54
#> Bedon.lag(4) 971.52 1052.25
#> LaPlata.lag(4) 910.29 1024.75
#> Bedon.lag(5) 845.09 1001.17
#> LaPlata.lag(5) 930.10 1147.23
#>
#>
#> Scale parameter:
#> Bedon LaPlata
#> Bedon 1151.6 1289.9
#> LaPlata 1289.9 1137.8
###### Example 3: Temperature, precipitation, and two river flows in Iceland
data(iceland.rf)
fit3 <- mtar(~ Jokulsa + Vatnsdalsa | Temperature | Precipitation,
data=iceland.rf, subset={Date<="1974-11-06"}, row.names=Date,
ars=ars(nregim=2,p=15,q=4,d=2), n.burnin=1000, n.sim=2000,
n.thin=2, dist="Slash")
effectiveSize_TAR(fit3)
#> Thresholds:
#> Threshold.1
#> 42.472
#>
#>
#> Regime 1
#>
#>
#> Autoregressive coefficients:
#> Jokulsa Vatnsdalsa
#> (Intercept) 318.89 538.63
#> Jokulsa.lag( 1) 229.61 456.37
#> Vatnsdalsa.lag( 1) 770.58 532.25
#> Jokulsa.lag( 2) 577.16 766.01
#> Vatnsdalsa.lag( 2) 504.73 563.19
#> Jokulsa.lag( 3) 406.68 687.18
#> Vatnsdalsa.lag( 3) 776.10 771.20
#> Jokulsa.lag( 4) 563.71 1022.66
#> Vatnsdalsa.lag( 4) 895.44 781.37
#> Jokulsa.lag( 5) 450.48 1057.43
#> Vatnsdalsa.lag( 5) 945.88 1172.58
#> Jokulsa.lag( 6) 441.39 840.33
#> Vatnsdalsa.lag( 6) 1175.21 769.45
#> Jokulsa.lag( 7) 929.38 932.16
#> Vatnsdalsa.lag( 7) 1435.50 1052.56
#> Jokulsa.lag( 8) 661.46 1072.00
#> Vatnsdalsa.lag( 8) 1526.12 1610.98
#> Jokulsa.lag( 9) 592.55 581.69
#> Vatnsdalsa.lag( 9) 637.04 1053.56
#> Jokulsa.lag(10) 973.73 615.43
#> Vatnsdalsa.lag(10) 1275.21 1013.70
#> Jokulsa.lag(11) 1158.34 1352.54
#> Vatnsdalsa.lag(11) 1396.29 971.21
#> Jokulsa.lag(12) 1175.44 1311.33
#> Vatnsdalsa.lag(12) 1710.23 1651.76
#> Jokulsa.lag(13) 594.89 961.94
#> Vatnsdalsa.lag(13) 1616.64 1040.58
#> Jokulsa.lag(14) 1003.25 1357.74
#> Vatnsdalsa.lag(14) 1241.84 1148.28
#> Jokulsa.lag(15) 375.27 623.18
#> Vatnsdalsa.lag(15) 779.91 890.91
#> Precipitation.lag(1) 960.48 1146.08
#> Precipitation.lag(2) 1000.09 892.62
#> Precipitation.lag(3) 887.45 717.24
#> Precipitation.lag(4) 1327.73 1040.13
#> Temperature.lag(1) 1195.31 940.66
#> Temperature.lag(2) 1157.62 1044.35
#>
#>
#> Scale parameter:
#> Jokulsa Vatnsdalsa
#> Jokulsa 132.11 264.94
#> Vatnsdalsa 264.94 139.56
#>
#>
#> Regime 2
#>
#>
#> Autoregressive coefficients:
#> Jokulsa Vatnsdalsa
#> (Intercept) 842.71 584.62
#> Jokulsa.lag( 1) 517.25 1125.97
#> Vatnsdalsa.lag( 1) 598.86 572.75
#> Jokulsa.lag( 2) 431.82 939.29
#> Vatnsdalsa.lag( 2) 478.15 551.35
#> Jokulsa.lag( 3) 533.33 651.83
#> Vatnsdalsa.lag( 3) 486.47 666.69
#> Jokulsa.lag( 4) 930.25 1392.08
#> Vatnsdalsa.lag( 4) 837.70 357.16
#> Jokulsa.lag( 5) 771.17 699.17
#> Vatnsdalsa.lag( 5) 416.99 356.45
#> Jokulsa.lag( 6) 860.16 1075.22
#> Vatnsdalsa.lag( 6) 476.38 253.87
#> Jokulsa.lag( 7) 1465.42 1136.41
#> Vatnsdalsa.lag( 7) 553.80 358.01
#> Jokulsa.lag( 8) 1158.40 1330.90
#> Vatnsdalsa.lag( 8) 678.50 508.73
#> Jokulsa.lag( 9) 1150.71 984.02
#> Vatnsdalsa.lag( 9) 742.46 324.52
#> Jokulsa.lag(10) 1059.66 1177.76
#> Vatnsdalsa.lag(10) 318.95 348.15
#> Jokulsa.lag(11) 1082.10 1315.99
#> Vatnsdalsa.lag(11) 333.03 443.15
#> Jokulsa.lag(12) 1226.69 1029.11
#> Vatnsdalsa.lag(12) 646.38 542.42
#> Jokulsa.lag(13) 761.69 1246.14
#> Vatnsdalsa.lag(13) 647.72 553.76
#> Jokulsa.lag(14) 666.70 1133.20
#> Vatnsdalsa.lag(14) 615.22 502.24
#> Jokulsa.lag(15) 922.29 1129.44
#> Vatnsdalsa.lag(15) 781.75 485.63
#> Precipitation.lag(1) 1122.06 1236.44
#> Precipitation.lag(2) 617.82 776.59
#> Precipitation.lag(3) 876.74 660.00
#> Precipitation.lag(4) 1162.44 808.55
#> Temperature.lag(1) 1306.18 1256.52
#> Temperature.lag(2) 982.50 1102.33
#>
#>
#> Scale parameter:
#> Jokulsa Vatnsdalsa
#> Jokulsa 178.03 553.43
#> Vatnsdalsa 553.43 142.80
#>
#>
#> Extra parameter:
#> nu
#> 151.65
###### Example 4: U.S. stock returns
data(US.returns)
fit4 <- mtar(~ CCR | dVIX, data=US.returns, subset={Date<="2025-11-28"},
row.names=Date, ars=ars(nregim=2,p=3,d=3), n.burnin=1000,
n.sim=2000, n.thin=2, dist="Student-t")
effectiveSize_TAR(fit4)
#> Thresholds:
#> Threshold.1
#> 7.2007
#>
#>
#> Regime 1
#>
#>
#> Autoregressive coefficients:
#> CCR
#> (Intercept) 1465.9
#> CCR.lag(1) 1352.4
#> CCR.lag(2) 1160.9
#> CCR.lag(3) 1066.2
#> dVIX.lag(1) 1201.3
#> dVIX.lag(2) 1168.4
#> dVIX.lag(3) 903.3
#>
#>
#> Scale parameter:
#> CCR
#> CCR 166.93
#>
#>
#> Regime 2
#>
#>
#> Autoregressive coefficients:
#> CCR
#> (Intercept) 139.74
#> CCR.lag(1) 230.99
#> CCR.lag(2) 648.13
#> CCR.lag(3) 424.03
#> dVIX.lag(1) 154.44
#> dVIX.lag(2) 738.88
#> dVIX.lag(3) 656.37
#>
#>
#> Scale parameter:
#> CCR
#> CCR 26.84
#>
#>
#> Extra parameter:
#> nu
#> 286.66
# }