DSMA vs. GSM: Diferencias en el Promedio de Modelos Bayesiano

Tanto DSMA (Dynamic Stochastic Model Averaging) como GSM (Generalized Stochastic Model Averaging) son técnicas de promedio de modelos bayesiano que combinan múltiples modelos usando pesos basados en probabilidades posteriores. La diferencia clave radica en cómo se calculan esas probabilidades posteriores.

Enfoque DSMA

DSMA estima probabilidades posteriores usando muestreo de importancia bayesiano. Este método re-pesaba muestras de una distribución de propuesta para aproximar la distribución posterior objetivo.

Enfoque GSM

GSM emplea métodos más sofisticados de cadena de Monte Carlo de Markov (MCMC). Usa una representación de mezcla del anterior sobre modelos, creando una cadena de Markov en el espacio de modelos con la distribución objetivo como su distribución invariante. El esquema MCMC se mueve entre modelos de diferentes dimensiones, actualizando tanto los coeficientes del modelo como el vector indicador de selección de modelo.

Implicación Práctica

El enfoque basado en MCMC de GSM generalmente proporciona estimaciones posteriores más consistentes de parámetros y predicciones, incluso bajo diversas formas de especificación incorrecta del modelo, a costa de una mayor complejidad computacional.