Publicado
Forecasting with Multivariate Threshold Autoregressive Models
Pronósticos con modelos multivariados autorregresivos de umbrales
DOI:
https://doi.org/10.15446/rce.v44n2.91356Palabras clave:
Bayesian Approach, Forecasting, Predictive distributions, Cov- erage Percentages, Multivariate threshold autoregressive model (en)Enfoque Bayesiano, Pronóstico, Distribciones Predictivas, Porcentajes de Cobertura, Modelo Multivariado Autoregresivo de Umbrales (es)
Descargas
An important stage in the analysis of time series is the forecasting. How- ever, the forecasting in non-linear time series models is not straightforward as in linear time series models because an exact analytical of the conditional expectation is not easy to obtain. Therefore, a strategy of forecasting with multivariate threshold autoregressive(MTAR) models is proposed via predictive distributions through Bayesian approach. This strategy gives us the forecast for the response and exogenous vectors. The coverage percentages of the forecast intervals and the variability of the predictive distributions are analysed in this work. An application to Hydrology is presented.
Una etapa importante en el análisis de series de tiempo es el pronóstico. Sin embargo, el pronóstico en modelos de series de tiempo no lineales no es directo como en el caso de modelos lineales de series de tiempo porque obtener la forma exacta de la esperanza condicional no es fácil. Por lo tanto, una estrategia de pronóstico con modelos multivariados autoregresivos de umbrales(MTAR) es propuesta vía las distribuciones predictivas usando el enfoque Bayesiano. Esta esttrategia nos entrega tanto el pronóstico del vector de respuesta, como el de las variables exógenas. Los porcentajes de cobertura de los intervalos de pronóstico y la variabilidad de las distribuciones predictivas son analizadas en este trabajo. Una aplicación a la hidrología es presentada.
Referencias
Calderon, S. & Nieto, F. (2017), ‘Bayesian analysis of Multivariate Threshold Autoregressive Models with Missing Data’, Communications in Statistics: Theory and Methods 46(1), 296–318. DOI: https://doi.org/10.1080/03610926.2014.990758
De Gooijer, J. G. & Vidiella-i Anguera, A. (2004), ‘Forecasting threshold cointegrated systems’, International Journal of Forecasting 20(2), 237–253. DOI: https://doi.org/10.1016/j.ijforecast.2003.09.006
Dellaportas, P., Forster, J. & Ntzoufras, I. (2002), ‘On Bayesian model and variable selection using MCMC’, Statistics and Computing 12(1), 27–36. DOI: https://doi.org/10.1023/A:1013164120801
Geweke, J. & Amisano, G. (2010), ‘Comparing and evaluating Bayesian predictive distributions of asset returns’, International Journal of Forecasting 26(2), 216–230. DOI: https://doi.org/10.1016/j.ijforecast.2009.10.007
Harvey, A. (1989), Forecasting, structural time series model and the Kalman filter, Cambridge University Press, Cambridge. DOI: https://doi.org/10.1017/CBO9781107049994
Kock, A. B. & Teräsvirta, T. (2011), Forecasting With Nonlinear Time Series Models, in M. P. Clements & D. F. Hendry, eds, ‘The Oxford Handbook of Economic Forecasting’, Oxford University Press, Oxford, chapter 2, pp. 61–87. DOI: https://doi.org/10.1093/oxfordhb/9780195398649.013.0004
Kwon, Y. (2003), Bayesian Analysis of Threshold Autoregressive Models, PhD thesis, University of Tennessee - Knoxville.
Kwon, Y., Bozdogan, H. & Bensmail, H. (2009), ‘Performance of Model Selection Criteria in Bayesian Threshold VAR (TVAR) Models’, Econometric Reviews 28(1-3), 83–101. DOI: https://doi.org/10.1080/07474930802387894
Meyn, S. & Tweedie, R. (2009), Markov Chains and Stochastic Stability, Oxford Statistical Science, Cambridge University Press, Cambridge. DOI: https://doi.org/10.1017/CBO9780511626630
Nieto, F. (2005), ‘Modeling Bivariate Threshold Autoregressive Processes in the Presence of Missing Data’, Communications in Statistics - Theory and Methods. 34(4), 905–930. DOI: https://doi.org/10.1081/STA-200054435
Nieto, F. (2008), ‘Forecasting with univariate TAR models’, Statistical Methodology 5(3), 263–273. DOI: https://doi.org/10.1016/j.stamet.2007.09.002
Tong, H. (2015), ‘Threshold models in time series analysis-Some reflections’, Journal of Econometrics 189(3), 485–491. DOI: https://doi.org/10.1016/j.jeconom.2015.03.039
Tsay, R. S. (1998), ‘Testing and Modeling Multivariate Threshold Models’, Journal of the American Statistical Association 93(443), 467–482. DOI: https://doi.org/10.1080/01621459.1998.10473779
Tsay, R, S. & Chen, R. (2018), Nonlinear Time Series Analysis, Wiley Series in Probability and Statistics, John Wiley and Sons.
Vargas, L. (2012), Cálculo de la distribución predictiva en un modelo TAR, Master’s thesis, Universidad Nacional de Colombia, Colombia.
Wu, C. & Lee, J. (2011), ‘Forecasting Time-Varying Covariance with a Robust Bayesian Threshold Model’, Journal of Forecasting 30(5), 451–468. DOI: https://doi.org/10.1002/for.1183
Cómo citar
APA
ACM
ACS
ABNT
Chicago
Harvard
IEEE
MLA
Turabian
Vancouver
Descargar cita
Licencia
Derechos de autor 2021 Revista Colombiana de Estadística
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
- Los autores/as conservarán sus derechos de autor y garantizarán a la revista el derecho de primera publicación de su obra, el cuál estará simultáneamente sujeto a la Licencia de reconocimiento de Creative Commons (CC Atribución 4.0) que permite a terceros compartir la obra siempre que se indique su autor y su primera publicación esta revista.
- Los autores/as podrán adoptar otros acuerdos de licencia no exclusiva de distribución de la versión de la obra publicada (p. ej.: depositarla en un archivo telemático institucional o publicarla en un volumen monográfico) siempre que se indique la publicación inicial en esta revista.
- Se permite y recomienda a los autores/as difundir su obra a través de Internet (p. ej.: en archivos telemáticos institucionales o en su página web) antes y durante el proceso de envío, lo cual puede producir intercambios interesantes y aumentar las citas de la obra publicada. (Véase El efecto del acceso abierto).