کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6870018 681132 2014 19 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
When long memory meets the Kalman filter: A comparative study
ترجمه فارسی عنوان
هنگامی که حافظه طولانی با فیلتر کلمن روبرو می شود: مطالعه تطبیقی
ترجمه چکیده
خواص نمونه محدودی از روش های فضای حالت اعمال شده به سری زمانی حافظه طولانی با استفاده از شبیه سازی مونت کارلو مورد تجزیه و تحلیل قرار گرفته است. راه اندازی فضای حالت اجازه می دهد تا یک رویکرد مدل سازی جدید را در چارچوب حافظه بلند مدت معرفی کنیم که مستقیما خطاهای اندازه گیری و تغییرات تصادفی را در بر می گیرد. ارزش های گمشده و چندین جایگزین ناسازگاری نیز در نظر گرفته شده است. به نظر میرسد روش متداول فضای حالت جایگزین ارزشمندی برای برآورد مدلهای حافظه طولانی است که در فرایندهای تولید اطلاعات مختلف وجود دارد که در مجموعههای مالی و اقتصادی شایع است. دو کاربرد تجربی کاربرد مفید عملیات فضای حالت پیشنهاد شده را برجسته می کند.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نظریه محاسباتی و ریاضیات
چکیده انگلیسی
The finite sample properties of the state space methods applied to long memory time series are analyzed through Monte Carlo simulations. The state space setup allows to introduce a novel modeling approach in the long memory framework, which directly tackles measurement errors and random level shifts. Missing values and several alternative sources of misspecification are also considered. It emerges that the state space methodology provides a valuable alternative for the estimation of the long memory models, under different data generating processes, which are common in financial and economic series. Two empirical applications highlight the practical usefulness of the proposed state space methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computational Statistics & Data Analysis - Volume 76, August 2014, Pages 301-319
نویسندگان
, ,