کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6869969 681132 2014 14 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Long memory with stochastic variance model: A recursive analysis for US inflation
ترجمه فارسی عنوان
حافظه طولانی با مدل واریانس تصادفی: یک تحلیل بازگشتی برای تورم ایالات متحده
کلمات کلیدی
ترجمه چکیده
مشخصه های سری زمانی تورم ایالات متحده پس از جنگ در طول زمان متفاوت است. تغییرات در یک تجزیه و تحلیل مبتنی بر مدل مورد بررسی قرار می گیرند که در آن سری زمانی تورم توسط یک فرایند میانگین متحرک متحرک به طور خودکار تقسیم شده با حافظه طولانی با واریانس مدل با فرآیند نوسان تصادفی مشخص می شود. برآورد پارامترها با روش حداکثر احتمال مونت کارلو بدست می آید. نمونه ای طولانی از تورم هسته ای ماهانه در تجزیه و تحلیل و همچنین نمونه هایی از طول های مختلف در نظر گرفته شده است. نتایج تجربی نشان می دهد تغییرات عمده ای در واریانس، به منظور ادغام، در ویژگی های حافظه کوتاه، و در نوسان نوسان است. یافته ها شواهد بیشتری را نشان می دهند که خواص تورم در طول زمان در طول زمان پایدار نیستند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
چکیده انگلیسی
The time series characteristics of postwar US inflation have been found to vary over time. The changes are investigated in a model-based analysis where the time series of inflation is specified by a long memory autoregressive fractionally integrated moving average process with its variance modelled by a stochastic volatility process. Estimates of the parameters are obtained by a Monte Carlo maximum likelihood method. A long sample of monthly core inflation is considered in the analysis as well as subsamples of varying length. The empirical results reveal major changes in the variance, in the order of integration, in the short memory characteristics, and in the volatility of volatility. The findings provide further evidence that the time series properties of inflation are not stable over time.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 76, August 2014, Pages 144-157
نویسندگان
, , ,