Periodograma de arranque y estadística de periodograma cruzado de modelos vectoriales de movilidad autorregresiva Efstathios Paparoditis Departamento de Matemáticas y Estadística, Universidad de Chipre, Kallipoleos 75, P. O. Se discuten algunas propiedades de un procedimiento bootstrap aplicado para evaluar la distribución de la matriz de periodograma para muestras obtenidas a partir de un proceso de media móvil autorregresiva vectorial estacionario. Palabras clave Bootstrap Matriz de periodograma Vector autorregresivo proceso de media móvil Copyright 1996 Publicado por Elsevier B. V. Citando artículos () por Peter Bhlmann. 1999. Comparamos y revisamos bloques, tamices y bootstraps locales para series de tiempo y así iluminamos los hechos teóricos así como el rendimiento en los datos de muestra nite. Nuestra (re) vista es selectiva con la intención de obtener una imagen nueva y justa sobre algunos aspectos particulares de las series de tiempo de bootstrapping. El ge. Comparamos y revisamos bloques, tamices y bootstraps locales para series de tiempo y así iluminamos los hechos teóricos así como el rendimiento en los datos de muestra nite. Nuestra (re) vista es selectiva con la intención de obtener una imagen nueva y justa sobre algunos aspectos particulares de las series de tiempo de bootstrapping. La generalidad del bloque de arranque se contrasta por el tamiz bootstraps. Discutimos las ventajas y desventajas de implementación y argumentamos que dos tipos de tamices superan al método del bloque, cada uno de ellos en su propio nicho importante, es decir, los procesos lineales y categóricos, respectivamente. Los bootstraps locales, diseñados para problemas de suavizado no paramétricos, son fáciles de usar e implementar pero exhiben en algunos casos bajo rendimiento. Palabras clave y frases. Autoregresión, bootstrap en bloque, series de tiempo categóricas, algoritmo de contexto, bootstrap doble, proceso lineal, bootstrap local, cadena de Markov, bootstrap de tamiz, proceso estacionario. 1 Introducción Bootstrapping puede ser visto como la simulación de una estadística o estadística pro. Por Wolfgang Hrdle, Helmut Ltkepohl, Rong Chen. 1996 Resumen no encontrado por Jrgen Franke, Jens-peter Kreiss, Enno Mammen - Bernoulli. 1997. La suavización de kernel en esquemas autoregresivos no paramétricos ofrece una poderosa herramienta en el modelado de series temporales. En este trabajo se muestra que el bootstrap se puede utilizar para estimar la distribución de los suavizadores del núcleo. Esto puede hacerse imitando la naturaleza estocástica de todo el proceso en el arranque. La suavización de kernel en esquemas autoregresivos no paramétricos ofrece una poderosa herramienta en el modelado de series temporales. En este trabajo se muestra que el bootstrap se puede utilizar para estimar la distribución de los suavizadores del núcleo. Esto puede hacerse imitando la naturaleza estocástica de todo el proceso en el remuestreo bootstrap o generando un modelo de regresión simple. Se mostrará la consistencia de estos procedimientos de bootstrap. 1 Introducción Modelo no lineal de series de tiempo ha aparecido como un enfoque prometedor en el análisis de series de tiempo aplicado. Una gran cantidad de modelos paramétricos se pueden encontrar en los libros de Priestley (1988) y Tong (1990). En este trabajo se consideran modelos no paramétricos de autorregresión no lineal. Motivados por aplicaciones econométricas, permitimos errores heteroschedásticos: X tm (X tGamma1. X tGammap) oe (X tGamma1. X tGammaq) ampquot t t 0 1 2. (1.1) Aquí (ampquot t) son i. i.d. Variables aleatorias con media 0 y varianza 1. Además, m y oe son desconocidos. Por Lorenzo Pascual, Juan Romo, Esther Ruiz - Diario de Análisis de la Serie del Tiempo. En este artículo, proponemos una nueva estrategia de arranque para obtener intervalos de predicción para los procesos de media móvil automática autorregresiva. Su principal ventaja sobre otros métodos de bootstrap previamente propuestos para procesos integrados autoregresivos es que la variabilidad debida a la estimación de parámetros puede ser. En este artículo, proponemos una nueva estrategia de arranque para obtener intervalos de predicción para los procesos de media móvil automática autorregresiva. Su principal ventaja sobre otros métodos de bootstrap previamente propuestos para procesos integrados autorregresivos es que la variabilidad debida a la estimación de parámetros puede ser incorporada en intervalos de predicción sin requerir la representación hacia atrás del proceso. En consecuencia, el procedimiento es muy flexible y se puede extender a los procesos incluso si su representación hacia atrás no está disponible. Además, su implementación es muy simple. Se obtienen las propiedades asintóticas de las densidades de predicción bootstrap. Se realizan extensos experimentos Monte Carlo de muestras finitas para comparar el rendimiento de la estrategia propuesta con los procedimientos alternativos. El comportamiento de nuestra propuesta es igual o supera en la mayoría de los casos las alternativas. Además, nuestra estrategia de bootstrap también se aplica por primera vez para obtener la densidad de predicción de procesos con componentes de media móvil. Por Jens-Peter Kreiss. 1997. En este trabajo tratamos de procesos autoregresivos estacionarios de orden finito o infinito pero desconocido. Bajo suposiciones bastante generales derivamos la consistencia asintótica de un procedimiento residual usual de arranque para funciones lisas de la autocovariancia empírica y la autocorrelación. Especialmente t. En este trabajo tratamos de procesos autoregresivos estacionarios de orden finito o infinito pero desconocido. Bajo suposiciones bastante generales derivamos la consistencia asintótica de un procedimiento residual usual de arranque para funciones lisas de la autocovariancia empírica y la autocorrelación. Especialmente el orden del modelo autorregresivo ajustado se permite depender de los datos. Suplementario al bootstrap residual usual consideramos un procedimiento salvaje del bootstrap. Algunos comentarios acerca de la exactitud asintótica de los dos procedimientos de bootstrap propuestos y un estudio de simulación concluir el documento. Por Violetta Dalla, Javier Hidalgo Resumen no encontrado por Ke-li Xu, Peter C. B. Phillips. 2007. Modelos autoregresivos estables de orden finito conocido se consideran con diferencias de martingala, errores escalados por una función no paramétrica no paramétrica variable en el tiempo que genera heterogeneidad. Un caso especial importante implica un cambio estructural en la varianza del error, pero en la mayoría de los casos prácticos el patrón. Modelos autoregresivos estables de orden finito conocido se consideran con diferencias de martingala, errores escalados por una función no paramétrica no paramétrica variable en el tiempo que genera heterogeneidad. Un caso especial importante implica un cambio estructural en la varianza del error, pero en la mayoría de los casos prácticos se desconoce el patrón de cambio de varianza con el tiempo y puede implicar cambios en puntos discretos desconocidos en el tiempo, evolución continua o combinaciones de los dos. Este artículo desarrolla estimadores basados en el núcleo de las varianzas residuales y estimadores de mínimos cuadrados adaptativos asociados (ALS) de los coeficientes autorregresivos. Se demuestra que son asintóticamente eficientes, teniendo la misma distribución límite que los cuadrados mínimos generalizados no factibles (GLS). Las comparaciones del procedimiento eficiente y los mínimos cuadrados ordinarios (OLS) revelan que los mínimos cuadrados pueden ser extremadamente ineficientes en algunos casos, mientras que casi óptimos en otros. Las simulaciones muestran que cuando los mínimos cuadrados funcionan bien, los estimadores adaptativos tienen un desempeño comparativamente bueno, mientras que cuando los mínimos cuadrados funcionan mal, los nuevos estimadores logran mayores ganancias de eficiencia. Cerca de transformaciones de series temporales integradas. Econometric Theory 15, 269 - 298. 25 Park, J. Phillips, P. C. B. 2001. Regresión no lineal con series cronológicas integradas. Econometrica 69, 117 - 161. 26 -26-- Park, S. Lee, S. Jeon J. 2000. El cusum de cuadrados prueba de cambios de varianza en orden infinito modelos autorregresivos. Revista de la Sociedad Estadística de Corea 29, 351-361. 27 Phillips, P. C. B. de G. Hainz, R. Dahlhaus. Para procesos lineales estacionarios se proponen pruebas de bondad de ajuste tipo Kolmogorov-Smirnov para hipótesis compuestas basadas en métodos de bootstrap de dominio de frecuencia. Se sugieren pruebas de bootstrap similares para comparar las distribuciones espectrales de dos series temporales. La pequeña muestra de rendimiento de las pruebas. Para procesos lineales estacionarios se proponen pruebas de bondad de ajuste tipo Kolmogorov-Smirnov para hipótesis compuestas basadas en métodos de bootstrap de dominio de frecuencia. Se sugieren pruebas de bootstrap similares para comparar las distribuciones espectrales de dos series temporales. La pequeña muestra de rendimiento de las pruebas se investiga por simulaciones, y un ejemplo de datos reales se da a título ilustrativo. Por Carsten Jentsch, Jens-peter Kreiss. Abstracto. El papel reconsidera el autorregresivo ayudado periodogram bootstrap (AAPB) que se ha sugerido en Krei y Paparoditis (2003). Su idea era combinar un parametric del dominio del tiempo y un bootstrap nonparametric del dominio de la frecuencia para imitar no sólo una parte pero tanto como sea posible el compl. Abstracto. El papel reconsidera el autorregresivo ayudado periodogram bootstrap (AAPB) que se ha sugerido en Krei y Paparoditis (2003). Su idea era combinar un parametric del dominio del tiempo y un bootstrap nonparametric del dominio de la frecuencia para imitar no sólo una parte pero tanto como posible la estructura completa de la covarianza de las series temporales subyacentes. Extendemos la AAPB en dos direcciones. Nuestro procedimiento conduce explícitamente a las observaciones bootstrap en el dominio del tiempo y es aplicable a los procesos lineales multivariantes, pero coincide exactamente con el AAPB en el caso univariante, cuando se aplica a los funcionales del periodograma. La teoría asintótica desarrollada demuestra la validez del procedimiento de arranque múltiple híbrido para la media de la muestra, las estimaciones de la densidad espectral del grano y, con menos generalidad, para las autocovariancias. 1. por Michael H. Neumann. 1997. La teoría en el análisis de series de tiempo se desarrolla a menudo en el contexto de modelos de dimensiones finitas para el proceso de generación de datos. Mientras que los estimadores correspondientes, como los de una función media condicional son razonables, incluso si el verdadero mecanismo de dependencia es de una estructura más compleja, somos nosotros. La teoría en el análisis de series de tiempo se desarrolla a menudo en el contexto de modelos de dimensiones finitas para el proceso de generación de datos. Mientras que los estimadores correspondientes, como los de una función media condicional son razonables, incluso si el mecanismo de dependencia verdadera es de una estructura más compleja, normalmente es necesario capturar toda la estructura de dependencia asintóticamente para que el bootstrap sea válido. Sin embargo, ciertos métodos de bootstrap basados en modelos siguen siendo válidos para algunas cantidades interesantes que surgen en las estadísticas no paramétricas. Generalizamos el bien conocido efecto de blanqueamiento por la ventana a las distribuciones conjuntas de estimadores no paramétricos de la función de autorregresión. Como consecuencia, se obtiene que los esquemas de bootstrap no paramétricos basados en modelos siguen siendo válidos para los funcionales de tipo supremo, siempre que imiten consistentemente las correspondientes distribuciones de las dimensiones finito-dimensionales. A modo de ejemplo, investigamos un arranque de cadena de Markov de orden finito en el contexto de un modelo estacionario general estacionario. La justificación para un arranque paramétrico es que en el marco de Dufour et al. (2010) los errores están restringidos, y el bootstrap paramétrico preserva la restricción. Otro enfoque sería utilizar un procedimiento de arranque no paramétrico basado en residuos (véase Kreiss y Franke 1992 y Kreiss 1997). Se propone una prueba combinada de multiplicador de Lagrange (LM) para errores heterocedasticios condorrescendentes (ARCH) en modelos vectoriales autorregresivos (VAR) mediante la sustitución de un Monte Carlo exacto (por ejemplo, MC) mediante una prueba MC de bootstrap cuando el modelo incluye retrasos. La prueba evita el problema de alta dimensionalidad en pruebas multivariantes para ARCH en modelos VAR. Sólo requiere computar estadísticas univariadas. Una ventaja computacional es, por tanto, que el número de parámetros a estimar es independiente de la dimensión del proceso VAR. Se demuestra que la prueba de MC de bootstrap es asintóticamente válida. Las simulaciones de Monte Carlo muestran que la prueba tiene buenas propiedades de muestra finita. La prueba es robusta frente a una distribución de errores no normal. Se presentan dos aplicaciones financieras de pruebas LM multivariadas para ARCH a precios de swaps de incumplimiento crediticio (CDS) y tasas de interés Euribor. Los resultados indican que los errores son sesgados y pesados, y que hay efectos significativos de ARCH. Artículo completo Artículo Nov 2016 P. S. Catani N. J.C. Ahlgren apunta, cf. Kreiss amp Franke (1992) para una prueba del caso univariado. Los casos (ii) y (iii) pueden ser tratados exactamente igual. RESUMEN: Hemos derivado un marco para la inferencia asintóticamente válida en modelos vectoriales autoregresivos (VAR) con heterocedasticidad condicional de forma desconocida. Demostramos un teorema de límite central conjunta para el parámetro de pendiente VAR y los estimadores de parámetros de covarianza de innovación y la inferencia bootstrap de dirección también. Nuestros resultados son importantes para la inferencia correcta en las estadísticas VAR que dependen tanto de la pendiente VAR como de los parámetros de varianza, p. En las funciones estructurales de respuesta al impulso (IRF). También demuestran que salvaje y pairwise bootstrap fracasan en la presencia de heterocedasticidad condicional si la inferencia sobre (funciones) de los parámetros de la varianza incondicional es de interés, ya que no correctamente replicar el cuarto relevante momentsx27 estructura de los términos de error. Por el contrario, el arranque en bloques de movimientos residuales resulta en una inferencia asintóticamente válida. Ilustramos las implicaciones prácticas de nuestros resultados teóricos proporcionando pruebas de simulación sobre las propiedades de la muestra finita de diferentes métodos de inferencia para IRFs. Nuestros resultados señalan que la incertidumbre de la estimación puede aumentar dramáticamente en presencia de heterocedasticidad condicional. Por otra parte, la mayoría de los métodos de inferencia es probable que subestima la verdadera estimación incertidumbre sustancialmente en muestras finitas. Por lo tanto, para derivar una banda de confianza (o intervalos de confianza en el punto), se puede usar los métodos de bootstrap. Fryzlewicz, Sapatinas y Subba Rao (2008) usaron métodos de bootstrap residual de Franke y Kreiss (1992) para construir intervalos de confianza en el punto para el estimador de mínimos cuadrados del modelo tvARCH. Para evitar la inestabilidad del proceso generado, modificaron su estimador para que la suma de todos los coeficientes estimados permanezca menor de uno. RESUMEN: En este trabajo, se ha introducido un modelo no escalonado GARCH (tvGARCH) variable en el tiempo, permitiendo que los parámetros de un modelo GARCH estacionario varíen como funciones del tiempo. Se muestra que el proceso tvGARCH es localmente estacionario en el sentido de que puede ser aproximado localmente por procesos GARCH estacionarios en puntos de tiempo fijos. Desarrollamos un procedimiento polinomial local de dos pasos para la estimación de las funciones paramétricas del modelo propuesto. Se han establecido varias propiedades asintóticas de los estimadores, incluyendo la óptima asintótica. Se encuentra que el modelo de tvGARCH funciona mejor que muchos de los modelos de GARCH estándar para varios conjuntos de datos reales. Texto completo Artículo Mar 2013 Neelabh Rohan T. V. Ramanathan
No comments:
Post a Comment