تقریب کای دو و بوت استرپ مبتنی بر مدل
چکیده
متدلوژی استنتاج آماری در مدل‌های عامل پویا (DFMs) در زمینه آزمون چندگانه بر اساس قضیه حد مرکزی برای تبدیلات فوریه تجربی سری‌های زمانی چند متغیره توسعه می‌یابد. این نتیجه نظری امکان استفاده از برداری از آماره آزمون نوع-والد را فراهم می‌سازد که به طور مجانبی از توزیع کای دوی چند متغیره‌ای تحت فرضیه پوچ جهانی، هنگامِ مِیل افق مشاهده به سمت بی‌نهایت، پیروی می‌کند. روال‌های آزمون چندگانه مجانبی چندگانگی-تطبیقی بر اساس آماره والد با روال بوت استرپ مدل-محور ارائه شده در کارهای قبلی اخیر مقایسه می‌شوند. شبیه‌سازی‌های مونت کارلو نشان می‌دهند که هر دوی آزمون کای دوی چندگانه مجانبی با تطبیق مناسب چندگانگی و روال آزمون چندگانگی مبتنی بر بوت استرپ، نرخ خطای خانوادگی را در سطح معناداریِ از پیش تعریف شده حفظ می‌کنند. الگوریتم تقریب و همچنین پیاده‌سازی روال‌ها آزمون به طور دقیق شرح داده شده و کاربردی واقعی روی داده‌های کالای اروپا انجام می‌شود.
1. مقدمه و انگیزه
مدل عامل پویا (DFM)، مدل سری‌های زمانی چندمتغیره‌ای است که در آن فرض می‌شود فرایند مشاهداتی را می‌توان در مجموع فاکتورهای ویژه و مشترک نهفته تجزیه کرد. ماهیت پویای فرایند توسط خودهمبستگی در مولفه‌های مشترک یا ویژه، یا هر دو، یا تاثیر دینامیک مولفه‌های مشترک روی روند مشاهده نمایش داده می‌شود. فرض می‌شود که فاکتورهای مشترک، بخش معناداری از همبستگی متقابل سری‌های زمانی اصلی را نشان می‌دهند، در حالی که تنها دینامیک مربوط به سری‌های فردی، در فاکتورهای ویژه شامل می‌شود. با توجه به این ویژگی‌ها، DFMs را می‌توان به عنوان ابزار کاهش بُعد و همچنین برای فراهم ساختن تفاسیر معنادار از دینامیکِ محرک فرایندهای مشاهداتی خاص مورد استفاده قرار داد. با توجه به تفسیرپذیری و انعطاف‌پذیری مدل‌بندی DFMها، می‌توان آن‌ها را به طور گسترده‌ای در امور مالی و اقتصاد به کار گرفت؛ به عنوان مثال، سارگنت و سیمز (1977)، فورنی و همکاران (2000)، و استاک و واتسون (2011) را ببینید.
Abstract
Statistical inference methodology in dynamic factor models (DFMs) is extended to the multiple testing context based on a central limit theorem for empirical Fourier transforms of multivariate time series. This theoretical result allows for employing a vector of Wald-type test statistics which asymptotically follows a multivariate chi-square distribution under the global null hypothesis when the observation horizon tends to infinity. Multiplicity-adjusted asymptotic multiple test procedures based on Wald statistics are compared with a model-based bootstrap procedure proposed in recent previous work. Monte Carlo simulations demonstrate that both the asymptotic multiple chi-square test with an appropriate multiplicity adjustment and the bootstrap-based multiple test procedure keep the family-wise error rate approximately at the predefined significance level. The estimation algorithm as well as the implementation of the testing procedures are described in detail and a real-life application is performed on European commodity data.
1. Introduction and motivation
A dynamic factor model (DFM) is a multivariate time series model, where it is assumed that the observational process can be decomposed into the sum of latent common and idiosyncratic factors. The dynamic nature of the process is captured either by autocorrelation in common or idiosyncratic components, or both, or the dynamic influence of the common components on the observational process. The common factors are assumed to capture the significant part of the cross-correlation of the original time series, whereas the dynamics pertaining only to the individual series are contained in the idiosyncratic factors. Due to these characteristics, DFMs can be utilized as a dimension reduction tool as well as to provide meaningful interpretations of the dynamics driving certain observational processes. Because of their interpretability and modeling flexibility, DFMs have been widely employed in economics and finance; see, for example, Sargent and Sims (1977), Forni et al. (2000) and Stock and Watson (2011).
چکیده
مقدمه و انگیزه
متدلوژی آماری
مدل عامل پویا
آزمون چندگانه
استنتاج مبتنی بر احتمال در مدل‌های عامل پویا
پیاده‌سازی
شناسایی مدل
تخمین تعداد باندهای فرکانس مجزا
تخمین پارامترهای آزاد در مدل
مطالعات شبیه‌سازی
کاربرد
بحث
Abstract
1. Introduction and motivation
2. Statistical methodology
3. Implementation
4. Simulation studies
5. Application
6. Discussion
- ترجمه فارسی مقاله با فرمت ورد (word) با قابلیت ویرایش، بدون آرم سایت ای ترجمه
- ترجمه فارسی مقاله با فرمت pdf، بدون آرم سایت ای ترجمه