Inferenza bayesiana in assenza di un modello generativo: metodi e applicazioni econometriche

The thesis studies Bayesian inference when a complete generative model for the data is not available. The case of interest is the joint estimation of local projections for impulse response functions, where the overlap of forecast horizons prevents the specification of a joint likelihood and leads to the use of a pseudo-likelihood. The theoretical framework is generalized Bayesian inference, where belief updating is based on a loss function and the posterior distribution depends on a learning rate. The consequences of misspecification for the calibration of credible intervals are discussed, and different strategies for choosing the learning rate in the power posterior are compared through a simulation study.

La tesi studia l'inferenza bayesiana nei casi in cui non è disponibile un modello generativo completo per i dati. Il caso di interesse è la stima congiunta delle local projections per le funzioni di risposta a impulso, in cui la sovrapposizione degli orizzonti di previsione impedisce di scrivere una verosimiglianza congiunta e conduce all'uso di una pseudo-verosimiglianza. La cornice teorica è quella del Bayes generalizzato, in cui l'aggiornamento delle credenze si basa su una funzione di perdita e la distribuzione a posteriori dipende da un learning rate. Si discutono le conseguenze dell'errata specificazione sulla calibrazione degli intervalli di credibilità e si confrontano, tramite uno studio di simulazione, diverse strategie di scelta del learning rate nella power posterior.