Documentos de Académico
Documentos de Profesional
Documentos de Cultura
31-72
Resumen
Este trabajo identifica y cuantifica a travs de un modelo de red bayesiana
(RB) los diversos factores de riesgo operacional (RO) asociados con las
lneas de negocio de bancos trasnacionales. El modelo de RB es calibrado
mediante datos de eventos que se presentaron en las distintas lneas de
negocio, de dichos bancos, durante 2006-2009. A diferencia de los mtodos
clsicos, la calibracin del modelo de RB incluye fuentes de informacin
tanto objetivas como subjetivas, lo cual permite capturar de manera
adecuada la interrelacin (causa-efecto) entre los diferentes factores de
riesgo, lo cual potencializa su utilidad como se muestra en el anlisis
comparativo que se realiza entre los enfoques RB y clsico.
Clasificacin JEL: D81, C11, C15.
Palabras Clave: Riesgo operacional, anlisis bayesiano, simulacin Monte
Carlo.
Abstract
This paper identifies and quantifies through a Bayesian Network model (BN)
the various factors of Operational Risk (OR) associated with business lines
of transnational banks. The BN model is calibrated with data from events
that occurred in different lines of business of such banks during 2006-2009.
Unlike classical methods, the BN model calibration include information
sources from both objective and subjective, allowing more adequately
*
Escuela Superior de Apan, Universidad Autnoma del Estado de Hidalgo. Direccin:
Abasolo 600, Colonia Centro, Pachuca de Soto Hidalgo.
Correo electrnico: jmartinez@uaeh.edu.mx
**
Escuela Superior de Economa, Instituto Politcnico Nacional. Direccin: Unidad
Profesional Lzaro Crdenas, Plan de Agua Prieta, No. 66, Col. Plutarco Elas Calles,
Delegacin Miguel Hidalgo, C.P. 11340 Mxico, Distrito Federal.
Correo electrnico: fvenegas1111@yahoo.com.mx
32
capture the relationship (cause and effect) amongst the various elements of
operational risk. Which potentiates its utility as shown in the comparative
analysis performed between RB and classical approaches.
JEL Classification: D81, C11, C15.
Keywords: Operational risk, Bayesian Analysis, Monte Carlo Simulation.
Introduccin
El enfoque bayesiano es una alternativa viable para el anlisis de riesgos en
condiciones de incertidumbre. Por construccin, los modelos bayesianos
incorporan informacin inicial a travs de una distribucin de probabilidad a
priori, mediante la cual se puede incluir informacin subjetiva en la toma de
decisiones, como: la opinin de expertos, el juicio de analistas o las
creencias de especialistas. Este trabajo utiliza un modelo de red bayesiana
(RB) para examinar la interrelacin entre factores de riesgo operacional1
(RO) en las distintas lneas de negocio del sector bancario transnacional. El
modelo RB propuesto, se calibra con datos observados en eventos que se
presentaron en las distintas lneas de negocio de bancos trasnacionales, y con
informacin obtenida de los expertos o externa;2 el periodo de anlisis es de
2006 a 2009.
El riesgo operacional usualmente involucra una pequea parte de las
prdidas totales anuales de la banca comercial; sin embargo, en el momento
en que ocurre un evento de riesgo operacional extremo, este puede causar
prdidas notables. Por esta razn, los grandes cambios dentro de la industria
bancaria en la escala mundial estn dirigidos a contar con mejores polticas y
con recomendaciones en materia de riesgo operacional.
Llama la atencin que existen en la literatura especializada diversas tcnicas
estadsticas para identificar y cuantificar RO, las cuales tienen como
supuesto fundamental la independencia entre eventos de riesgo; vase, por
ejemplo: Degen, Embrechts, y Lambrigger (2007), Moscadelli (2004) y
Embrechts, Furrer y Kaufmann (2003). No obstante, como se muestra en los
trabajos de Aquaro et al. (2009), Supatgiat, Kenyon y Heusler (2006),
Marcelo (2004), Neil, Marquez y Fenton (2004) y Alexander (2002), existe
una relacin causal entre los factores de RO.
33
Usualmente, para medir la mxima prdida esperada (o capital econmico) por RO, se
utiliza el Valor en Riesgo Condicional (CVaR).
4
Expertos son personas que conocen los procesos de negocio analizados y que en caso
de que no se cuente con informacin estadstica, se recurre a ellos para obtener
probabilidades subjetivas de eventos que son importantes durante la generacin de los
modelos probabilsticos.
5
Ver apndice A.
6
Las cifras estn en euros en virtud de que la fuente informacin es un organismo de la
comunidad europea, los autores decidieron mantener la misma denominacin para el
34
35
36
7
Poltica MaP: dirigida a prevenir costos econmicos y sociales de las dificultades
financieras sistmicas.
Poltica MiP: intenta reducir la probabilidad de incumplimiento de las instituciones, en lo
individual, aceptando el riesgo sistmico como una situacin dada.
37
38
3. Marco terico
En esta seccin se presenta la teora que soporta el desarrollo del trabajo. Se
inicia con una discusin sobre el VaR condicional como medida de riesgo
coherente, en el sentido de Artzner, Delbaen, Eber y Heath (1998).
Despus se utiliza el enfoque bayesiano para la construccin de RB,
destacando sus ventajas con respecto al enfoque clsico en el estudio del RO.
3.1 Valor en riesgo condicional (CVaR)
De acuerdo con Panjer (2006), el CVaR (Conditional Value at Risk) o
Expected Shortfall (ES) es una medida alternativa al VaR, que cuantifica las
prdidas que se pueden encontrar en las colas de las distribuciones.
Definicin 1. El VaR condicional se define como la prdida esperada para los
casos en donde la prdida de valor del portafolio exceda el valor del VaR.
Si X denota la variable aleatoria de prdida: el CVaR de X a un nivel de
confianza del (1
) 100%, denotado por CVaRp(X), es la prdida
esperada dado que las prdidas totales exceden el cuantil 100p de la
distribucin de X. Para distribuciones arbitrarias se puede escribir CVaRp(X),
como:
1
(1)
39
(1.2)
As, el CVaR se puede ver como el promedio de todos los valores VaR sobre
el nivel de confianza p. Adems CVaR puede escribirse, como:
1
(2)
donde
40
(3)
donde
1) P (D|E) es la probabilidad condicional de los datos, dado que la
evidencia a priori D es cierta.
2) P (D) es la probabilidad incondicional de los datos, P(D) > 0;
tambin se puede expresar, como:
|
|
(3.1)
(4)
donde
es un parmetro desconocido a estimar,
es un vector de
observaciones, registradas,
es una distribucin a priori que depende de
| es la funcin
uno o ms parmetros, denominados hiper-parmetros,
|
es la distribucin a posteriori de
de verosimilitud para y
(actualizacin de la distribucin a priori).
Dos preguntas surgen de lo anterior, cmo traducir la informacin a priori
en su forma analtica,
y qu tan sensible es la inferencia a posteriori a la
seleccin de la a priori; estas preguntas han sido un amplio tema de inters
en la literatura bayesiana.10
10
41
11
42
Riesggo operacional en
e la banca trassnacional: un en
nfoque bayesian
no
43
Grrfica 1
Diagramaa de flujo RB
B
F
Fuente:
elaboracin propia.
4 Problemttica
4.1
Los principalees problemas a que se enfreenta un adminnistrador de riiesgo que
L
e
emplea
RB, soon: cmo impplementar unaa red bayesianna?; cmo m
modelar su
e
estructura?;
cmo
cuantiificarla?; cmo utilizar datos subjettivos (de
e
expertos)
u obbjetivos (estaddsticos), o am
mbos?; qu instrumentos se deben
u
utilizar
para obtener
o
mejorees resultados??, y, cmo validar
v
el moddelo? Las
r
respuestas
a estos cuestionamientos se abordarrn en el momento
c
correspondien
nte a la aplicaccin del modello bayesiano.
El objetivo prrincipal de laa aplicacin consiste
E
c
en elaborar
e
una ggua para
implementar una
u RB, a finn de administrrar el riesgo operacional een bancos
t
trasnacionales
asociados coon la ORX. A
Asimismo, se pretende gennerar una
m
medida
consisstente del caapital econm
mico necesarioo para hacer frente a
p
prdidas
derivvadas de eventtos de riesgo operacional.
o
44
12
La ORX es una organizacin, sin fines de lucro, dedicada a la medicin y gestin del
riesgo operacional en la industria de servicios financieros globales.
45
Grfica 2
Red para frecuencia de fallas
5.2 Severidad
La red de la severidad se muestra en la grfica 3, y est integrada por cuatro
nodos, aunque requiere una cantidad importante de probabilidades. El nodo
etiquetado como severidad de prdida es la prdida de dinero generado por
eventos de riesgo operacional, los otros nodos se consideran variables
informativas.
Grfica 3
Red para severidad de fallas
46
Descripcin
Estados (millones )
0 a 300
Falla en sistemas
300 a 450
450 a 600
>600
Errores humanos
0 a 100
100 a 200
200 a 300
>300
Desastres
0a2
2a4
4a6
>6
Severidad de prdidas
0 a 200
200 a 400
400 a 600
600 a 800
800 a 1000
>1000
Nota: Las cifras estn en euros en virtud de que la fuente informacin es un organismo de
la comunidad europea, los autores decidieron mantener la misma denominacin para el
anlisis y conclusiones ya que no afecta el objetivo del trabajo de presentar una
metodologa general para el clculo del riesgo operacional en el sector bancario.
Fuente: elaboracin propia.
47
Tabla 2
Nodos de la red de frecuencia
Nombre nodo
Descripcin
Estados
< 25 minutos
Criticidad de fallas
Factores externos
Recurso Humano
25 a 120 minutos
> 120 minutos
No crtico
Crtico
Baja
Media
Alta
0,1,2,3,..,17
Todos confiables
La mayora confiable
Algunos confiables
Desempeo de
procesos
Desempeo en la operacin de
procesos.
Excelente
Bueno
Deficiente
Eficiencia en
desempeo
Excelente
Promedio
Mal
Frecuencia de fallas
0 a 1500
1500 a 1700
1700 a 1750
1750 a 1800
1800 a 1850
1850 a 1900
>1900
48
5.3 Cuantificacin de la RB
En el enfoque bayesiano, los parmetros son tratados como variables
aleatorias que siguen cierta distribucin. Adems, el conocimiento a priori
acerca de la posible forma de esa distribucin es modelada por una
distribucin a priori especfica, sobre los parmetros. Esta distribucin no
depende necesariamente de los datos de estudio, sino que contiene la
informacin y el conocimiento del experto acerca de la situacin estudiada.
De esta manera, aunque los datos originales presentan un coeficiente de
correlacin positivo, se asume que el conocimiento previo tiene poca
importancia en los resultados y se deja que los datos hablen por s solos.
Para cuantificar las redes bayesianas identificadas en la seccin anterior, se
utilizaron tanto datos objetivos como subjetivos. La informacin y las
herramientas para su almacenamiento, procesamiento y extraccin
constituyen el principal insumo para el anlisis bayesiano; por tanto, es
condicin necesaria mantener fuentes de informacin confiables y seguras,
que sean congruentes con las buenas prcticas y estndares internacionales
sobre seguridad y calidad de los sistemas de informacin, por ejemplo la
ISO/IEC 73:2000 y la ISO 72:2006.
A continuacin se describen las herramientas o tcnicas que se emplearon
para obtener, codificar y cuantificar los tipos de datos.
5.3.1 Anlisis estadstico de la red de frecuencia
En este apartado se analiza cada nodo de la red de frecuencia, para el caso de
nodos con informacin histrica disponible, se ajusta13 la distribucin de
probabilidades correspondiente y se calculan las probabilidades requeridas.
Cuando no se cuenta con datos suficientes, se obtiene la informacin de los
expertos o de fuentes externas. El nodo etiquetado como: Inactividad
backoffice, presenta la siguiente distribucin de probabilidad, misma que
constituye las probabilidades a priori.
13
49
Tabla 3
Probabilidades Inactividad backoffice
Tiempo de inactividad (minutos)
Probabilidad
<25
0.59
25 a 120
0.40
>120
0.01
Probabilidad
Crtico
0.04
No crtico
0.96
Fuente: elaboracin propia con informacin proporcionada por los expertos (Leer nota al
pie nmero 4).
Tabla 5
Probabilidades condicionales Criticidad de fallas
Inactividad
backoffice
Falla
sistema
backoffice
Baja
< 25 minutos
25 a 120 minutos
No
crtico
Crtico
No
crtico
Crtico
No
crtico
0.05
0.05
0.06
0.05
0.00
0.05
Media
0.10
0.25
0.04
0.20
0.05
0.15
Alta
0.85
0.70
0.90
0.75
0.95
0.80
Crtico
50
Probabilidades
0.489
0.39
0.05
0.04
0.02
0.01
0.001
Probabilidades
Todos confiables
0.85
La mayora confiable
0.1
Algunos confiables
0.05
51
Probabilidades
Excelente
0.82
Bueno
0.09
Deficiente
0.09
TC
MC
AC
TC
MC
AC
TC
MC
AC
Excelente
0.85
0.82
0.78
0.80
0.78
0.75
0.79
0.78
0.75
Promedio
0.10
0.13
0.17
0.15
0.17
0.25
0.15
0.16
0.18
Mal
0.05
0.05
0.05
0.05
0.05
0.00
0.06
0.06
0.07
Excelente
Bueno
Deficiente
5
52
Riesggo operacional en
e la banca trassnacional: un en
nfoque bayesian
no
53
Grficaa 5
Distrib
bucin tericca vs. Muestraal
Fuen
nte: elaboracin propia.
Probabiilidades
<300
0.445
300 a 450
0.331
450 a 600
0.114
>600
0.110
Fuente: elaboracin
e
proppia.
5
54
A continuacin se analiza el
e nodo Erroores humanoos, el cual prresenta la
s
siguiente
distrribucin de frecuencia
f
y densidad
d
Loggnormal, ajusttada para
p
prdidas
ocasiionadas por errrores humanoos:
Grficaa 6
Lognormal aajustada
Riesggo operacional en
e la banca trassnacional: un en
nfoque bayesian
no
55
Probabiilidades
0 a 100
0.225
100 a 200
0.552
200 a 300
0.117
>300
0.006
Fuente: elaboracin
e
proppia.
A partir de la tabla,
t
se obserrva que existee una probabillidad de 25% de que se
p
pierdan
menoss de 100 milloones de euros por fallas en errores humanos; 52%
d probabilidaad de que se pierdan entre 100 y 200 milllones de euross; 17% de
de
q la prdidaa est entre 2000 y 300 milloones de euross y 6% de proobabilidad
que
d que la prdida sea mayorr a 300 millonnes de euros.
de
Para el nodo
P
o Desastress, se preseenta la siguiiente distribuucin de
f
frecuencias
y densidad Lognormal ajusstada para lass prdidas ocaasionadas
p eventos exxternos, comoo desastres naaturales, atenttados, manifesstaciones,
por
e
entre
otros:
Grficaa 8
Lognormal aajustada
5
56
Probaabilidad
0a2
0..15
2a4
0..49
4a6
0..24
>6
0..12
Fuente: elaboracin
e
proppia con informaccin de los expertos.
De acuerdo coon los datos geenerados, exisste una probabbilidad del 15% de que
D
s pierdan meenos de 2 milllones de euros por eventoss catastrficoss, 49% de
se
p
probabilidad
d que se pierrdan entre 2 y 4 millones, 24%
de
2
de que se pierdan
e
entre
4 y 6 millones
m
de eurros y 12% dee probabilidadd de que la prdida sea
m
mayor
a 6 milllones de euross.
57
14
58
Grfica 10
Probabilidades a posteriori para la red de frecuencia
59
15
60
Grfica 11
Probabilidades a posteriori para la red de severidad
61
16
Los resultados de la simulacin estn disponibles para los lectores, mediante solicitud
por correo electrnico.
17
Las cpulas son funciones de distribucin multivariadas que se componen de funciones
de distribucin marginales.
62
Tabla 13
Percentiles para modelo bayesiano
Posicin
Prdida(m )
Porcentaje
21
502.0690
100.00%
16
494.8432
95.60%
22
489.3615
91.30%
23
488.1157
86.90%
24
486.3715
82.60%
18
484.8765
78.20%
17
481.8865
73.90%
19
481.6374
69.50%
479.8932
65.20%
20
475.6574
60.80%
471.6707
56.50%
466.6874
52.10%
13
464.6941
47.80%
12
464.1958
43.40%
455.2258
39.10%
453.9800
34.70%
449.9933
30.40%
11
447.7508
26.00%
438.5317
21.70%
14
438.2825
17.30%
437.7842
13.00%
15
430.5584
8.60%
10
423.5818
4.30%
422.0868
0.00%
Riesggo operacional en
e la banca trassnacional: un en
nfoque bayesian
no
63
18
Para una revvisin completa de los bancos asociados, visiitar la siguientee direccin
eelectrnica: http:://www.orx.org/oorx-members
6
64
La prueba Kollmogorov-Sm
L
mirnov tuvo los siguientes resultados: D = 0.1521,
p
p-value
= 0.21168, lo que im
mplica aceptarr la hiptesis nula
n
de que laa muestra
p
proviene
de unna distribucinn binomial negativa.
7 Anlisis cllsico de severridad
7.2
Para las prdid
P
das, se considdera el monto mensual de prdidas
p
por evventos de
r
riesgo
operacional, en las diistintas lneas de negocio de
d los bancos aasociados
c la ORX, y se le ajusta una
con
u distribucin Lognormaal con parmettro media
= 6.13 y desvviacin estnndar= 0.4975,, segn se muestra
m
en la siguiente
g
grfica:
Grfica 13
Binomial neegativa justada
Se realiz la prueba
S
p
K-S, co
on los siguienttes resultados:: D = 0.1375, pp-value
= 0.3246. El p-value
p
es mayyor al 5%, porr tanto, se aceppta que la mueestra
p
proviene
de unna Lognormall.
7 Clculo deel valor en rieesgo operacionnal con el moddelo clsico
7.3
A travs de Monte Carrlo, se integrran las distriibuciones clsicas de
ffrecuencia y severidad
s
paraa generar la ddistribucin de
d prdidas pootenciales
( utiliz unaa binomial neggativa para la frecuencia y una
(se
u Lognormaal), en las
d
distintas
lneaas de negocio de los bancoos asociados con
c la ORX.119 Para el
c
clculo
del OpVar,
O
se ordenan los vaalores obteniddos para las prdidas
e
esperadas
enn orden deescendente, y se calcuulan los peercentiles
19
Los resultadoss de la simulacin estn disponnibles para los leectores, mediantte solicitud
ppor correo electrnico.
65
Prdida(m )
Porcentaje
20
454.9015215
100.00%
15
448.3545517
95.60%
21
443.387885
90.90%
22
442.2590971
86.30%
23
440.678794
81.80%
17
439.3242485
77.20%
16
436.6151576
72.70%
18
436.3894
68.10%
434.809097
63.60%
19
430.9712181
59.00%
427.3590969
54.50%
422.8439453
50.00%
12
421.0378846
45.40%
11
420.5863695
40.90%
412.4590966
36.30%
411.3303088
31.80%
407.7181875
27.20%
10
405.6863693
22.70%
397.3333389
18.10%
13
397.1075813
13.60%
396.6560661
9.00%
14
390.1090963
4.50%
383.7878841
0.00%
66
Conclusiones
Actualmente, los bancos trasnacionales generan grandes cantidades de
informacin provenientes de la interaccin con sus clientes, con el sector y
con sus procesos internos; sin embargo, a la interrelacin de los individuos
involucrados en los procesos y en los sistemas informticos, as como a la
estructura estndar para el registro de eventos de riesgo operacional, no se
les haba dado la importancia requerida, esta preocupacin la retoma la
Operational Riskdata eXchange Association, donde se pide contar con
estndares para el registro y medicin del Riesgo Operacional.
En congruencia con lo anterior, este trabajo proporciona los elementos
tericos necesarios y una gua prctica para identificar, medir, cuantificar y
administrar el RO en el sector bancario trasnacional con un enfoque
bayesiano; el cual dio muestra en el desarrollo de este trabajo de que utiliza
elementos ms apegados a la realidad, como son: las probabilidades
obtenidas de los expertos o externos cuando no existe informacin histrica,
las distribuciones de probabilidad especficas para cada factor de riesgo que
pueden ser discretas o continuas, la actualizacin de datos que se incorporan
al modelo y la interrelacin (causalidad) de los factores de riesgo a travs de
modelos de redes. Asimismo, se mostr que las redes bayesianas son una
opcin viable para administrar el riesgo operacional en un ambiente de
incertidumbre y de informacin escasa o de calidad cuestionable. El capital
requerido en riesgo operacional calculado se basa en el supuesto de
interrelacin (causa-efecto) entre factores de riesgo, lo cual es consistente
con la realidad.
Las redes bayesianas estn basadas en algoritmos eficientes de propagacin
de evidencias, que actualizan dinmicamente el modelo con datos actuales.
Para el caso de estudio, objeto de este trabajo, fue posible construir la RB y
calcular el capital requerido para administrar el riesgo operacional,
combinando datos estadsticos y opiniones o juicios de los expertos o
informacin externa.
67
68
(A1)
(A2)
(X) y (X) son vectores, cuyos elementos estn asociados a cada valor de X:
,
,,
(A3)
,,
(A4)
(A5)
Donde
1/
y la multiplicacin por pares de los elementos en (X) y
(X). Para encontrar las nuevas creencias, se calcula la ecuacin (A5). Los
valores de (X) y (X) se pasan entre las variables de una manera ordenada.
(X) y (X) se calculan de la siguiente manera: (X) se calcula utilizando
, ,,
son hijos de X. Primero, cuando X toma
donde , , ,
el valor , los elementos del vector (X) se asignan de la siguiente manera:
0
1
Segundo, para el caso donde X no tiene valor, tenemos
utilizar (A1), (X) se expande como:
. Al
(A6)
,,
(A7)
69
(A8)
(A9)
,
usando el hecho de que
independientes, y definiendo lo siguiente:
,,
son
condicionalmente
|
entonces, se tiene que para cada
manera:
(A10)
(A11)
(A12)
(A13)
(A14)
Por ltimo, la expresin final muestra que para calcular el valor de (X),
nicamente se requieren las s y las probabilidades condicionales de todos
los hijos de X. En forma compacta, el vector (X) se calcula, como:
(A15)
(A16)
(A17)
|
,
|
(A18)
(A19)
70
(A20)
Lo anterior muestra que para calcular (X), se requieren las s de los padres
X, as como sus probabilidades condicionales.
No obstante, se pueden presentar problemas con el mtodo de inferencia de
Pearls debido a los ciclos que se generan cuando se elimina la
direccionalidad (Pearl, 1988; cap. 44). Por tanto, el algoritmo junction tree
de Cowell (1999) ha resultado ms til y prctico. Primero convierte a la
grfica dirigida en un rbol cuyos nodos son cerrados; para proceder luego a
propagar los valores de y , a travs del rbol. El proceso es el siguiente:
1.
2.
3.
4.
Referencias
Aquaro, V., Bardoscia, M., Belloti, R., Consiglio, A., De Carlo, F. and Ferri, G.
(2009). A Bayesian Networks Approach to Operational Risk. Disponible
en: https://www.researchgate.net/home.Home.html?ref=home
Alexander, C. (2002). Operational Risk Measurement: Advanced Approaches.
ISMA Centre, University of Reading, UK. Disponible en:
http://www.globalriskguard.com/virtual-library/operational-risk/
Altman, E. I. (1968). "Financial Ratios, Discriminant Analysis and the Prediction of
Corporate Bankruptcy. The Journal of Finance, 23(4), 589-609.
Artzner, P., Delbaen, F., Eber, J. and Heath, D. (1998). Coherent Measures of Risk.
Mathematical Finance, 9(3), 203-228.
Basilea II (2001a). Consultative document. Operational Risk. Disponible en:
http://www.bis.org/publ/bcbsca03.pdf
________ (2001b). Working Paper on the Regulatory Treatment of Operational
Risk. Disponible en: http://www.bis.org/publ/bcbs_wp8.pdf
71
72
Reimer, K. and Neu, P. (2002). Adequate Capital and Stress Testing for Operational
Risks. Physical Review E 75.
________ (2003) Functional Correlation Approach to Operational Risk in Banking
Organizations. Physica A, 322, 650666.
Svetlozar T., J. Hsu, S. Biliana and F. Fabossi (2008). Bayesian Methods in Finance.
The Frank J. Fabozzi Series, Wiley Finance.
Supatgiat, C., Kenyon, C. and Heusler, L. (2006). Cause-to-Effect Operational Risk
Quantification and Management. Risk Management 8(1), 16-42.
Venegas-Martnez, F. (2006). Riesgos financieros y econmicos (productos
derivados y decisiones econmicas bajo incertidumbre). 1a. ed., Mxico:
International Thomson Editors.
Zellner, A. (1971). An Introduction to Bayesian Inference in Econometrics. New
York: Wiley.