杉田　勝弘 (スギタ　カツヒロ)

Sugita Katsuhiro

写真a

職名

教授

科研費研究者番号

50377058
このページの先頭へ▲

現在の所属組織 【 表示 ／ 非表示 】

  • 専任   琉球大学   国際地域創造学部   経済学プログラム   教授  

  • 併任   琉球大学   地域共創研究科   教授  

このページの先頭へ▲

出身大学院 【 表示 ／ 非表示 】

  • 　
    -
    2004年03月

    英・ウォーリック大学 (University of Warwick, UK)  経済学研究科  博士課程  修了

このページの先頭へ▲

取得学位 【 表示 ／ 非表示 】

  • ウォーリック大学 -  博士（経済学）  経済統計学

このページの先頭へ▲

職歴 【 表示 ／ 非表示 】

  • 2004年04月
    -
    2007年03月

      一橋大学大学院経済学研究科　講師  

  • 2007年04月
    -
    2009年09月

      琉球大学　講師  

  • 2009年10月
    -
    2017年09月

      琉球大学　法文学部　総合社会システム学科　准教授  

  • 2017年10月
    -
    継続中

      琉球大学　法文学部　総合社会システム学科　教授  

このページの先頭へ▲

研究キーワード 【 表示 ／ 非表示 】

  • 計量経済学,ベイズ計量経済学

このページの先頭へ▲

研究分野 【 表示 ／ 非表示 】

  • 人文・社会 / 経済統計

このページの先頭へ▲

主たる研究テーマ 【 表示 ／ 非表示 】

  • ベイズ法による多変量時系列分析

このページの先頭へ▲

論文 【 表示 ／ 非表示 】

  • Forecasting with Bayesian vector autoregressive models: comparison of direct and iterated multistep methods

    Katsuhiro Sugita

    Asian Journal of Economics and Banking ( Emerald Publishing )  6 ( 2 ) 142 - 154   2022年08月 [ 査読有り ]

    掲載種別: 研究論文（学術雑誌）

    関連する研究費コード: JSPS KAKENHI grant number 20K01591

  • Time Series Forecasting Using a Markov Switching Vector Autoregressive Model with Stochastic Search Variable Selection Method

    Katsuhiro Sugita

    Financial Econometrics: Bayesian Analysis, Quantum Uncertainty, and Related Topics, Studies in Systems, Decision and Control 427 ( Springer )    147 - 170   2022年06月 [ 査読有り ]

    掲載種別: 研究論文（その他学術会議資料等）

    関連する研究費コード: JSPS KAKENHIGrant Number 20K01591

    • この論文にアクセスする
      DOI

  • Forecasting with Vector Autoregressions by Bayesian Model Averaging

    杉田　勝弘

    琉球大学経済学ワーキングペーパー ( University of the Ryukyus )  ( REWP#03 ) 1 - 13   2019年06月

    掲載種別: 研究論文（学術雑誌）

    　概要を見る

    This paper examines how vector autoregression model by Bayesian model averaging method can improve forecasting performance. Bayesian model averaging selects significant variables in vector autoregression model that contains many insignificant variables, and thus alleviates over-parameterization problem. For empirical application, macroeconomic data for three countries - US, UK and Japan - are examined. I find that the Bayesian model averaging method can improve forecasting performance.

  • Forecasting with Vector Autoregressions using Bayesian Variable Selection Methods: Comparison of Direct and Iterated Methods

    杉田　勝弘

    琉球大学経済学ワーキングペーパー ( University of the Ryukyus )  No.REWP#02   1 - 18   2019年05月

    掲載種別: 研究論文（学術雑誌）

    　概要を見る

    This paper compares multi-period forecasting performances by direct and iterated method using a Bayesian vector autoregressions with the stochastic search variable selection (SSVS) priors. The forecasting performances are evaluated using the artificially generated data with both nonstationary and stationary process. In theory direct forecasts are more efficient asymptotically and more robust to model misspecification than iterated forecasts, and iterated forecasts tend to bias but more efficient if the one-period ahead model is correctly specified. From the results of the Monte Carlo simulations, iterated forecasts tend to outperform direct forecasts, particularly with longer lag model and with longer forecast horizons. Implementing SSVS prior generally improves forecasting performance over unrestricted VAR model for either nonstationary or stationary data. As an illustration, US macroeconomic data sets with three variables are examined to compare iterated and direct forecasts using the unrestricted VAR model and the SSVS VAR model. Overall, iterated forecasts using model with the SSVS generally best outperform, suggesting that the SSVS restrictions on insignificant parameters alleviates over-parameterized problem of VAR in one-step ahead forecast and thus offers an appreciable improvement in forecast performance of iterated forecasts.

  • Evaluation of Forecasting Performance Using Bayesian Stochastic Search Variable Selection in a Vector Autoregression

    杉田　勝弘

    琉球大学経済学ワーキングペーパー ( 琉球大学国際地域創造学部経済学プログラム )  1   1 - 19   2018年08月

    掲載種別: 研究論文（その他学術会議資料等）

    　概要を見る

    This paper examines forecasting performance of a vector autoregressive (VAR) model by a Bayesian stochastic search variable selection (SSVS) method. We use several artificially generated data sets to evaluate forecasting performance using a direct multiperiod forecasting method with a recursive forecasting exercise. We find that implementing SSVS prior in a VAR improves forecasting performance over unrestricted VAR models for either non-stationary or stationary data. As an illustration of a VAR model with SSVS prior, we investigate US macroeconomic data sets with three variables using a VAR with lag length of ten, and find that the SSVS restrictions on insignificant parameters alleviates over-parameterized problem of VAR and thus offers an appreciable improvement in forecast performance.

全件表示 >>

このページの先頭へ▲

科研費獲得情報 【 表示 ／ 非表示 】

このページの先頭へ▲