Bootstrapping Stationnaire Autorégressif Mobile Moyenne Modèles

Bootstrapping mobile media models Résumé Au cours des dernières années, la méthode bootstrap a été étendue à l'analyse en séries chronologiques où les observations sont corrélées en série. Les contributions se sont concentrées sur le modèle autorégressif produisant des procédures alternatives de rééchantillonnage. En revanche, en dehors de certaines applications empiriques, on a très peu accordé d'attention à la possibilité d'étendre l'utilisation de la méthode bootstrap à la moyenne mobile pure (MA) ou aux modèles ARMA mixtes. Dans cet article, nous présentons une nouvelle procédure bootstrap qui peut être appliquée pour évaluer les propriétés de distribution des paramètres de moyenne mobile estimés par une approche au moindres carrés. Nous discutons de la méthodologie et des limites de son utilisation. Enfin, la performance de l'approche bootstrap est comparée à celle de l'alternative concurrente donnée par la simulation Monte Carlo. Voulez-vous lire le reste de cet article. RÉSUMÉ: La nature complexe et interreliée des systèmes multivariés peut entraîner des relations et des structures de covariance qui changent au fil du temps. L'analyse des composantes principales lisses est proposée comme un moyen d'étudier si et comment la structure de covariance des variables de réponse multiple change avec le temps, après avoir supprimé une fonction lisse pour la moyenne, et cela est motivé et illustré en utilisant des données d'une étude de technologie d'aéronef et un Écosystème lacustre. Les procédures inférentielles sont étudiées dans le cas d'erreurs indépendantes et dépendantes, avec une procédure de bootstrap proposée pour détecter les changements dans la direction ou la variance des composants. Nous vous fournissons la justification théorique de bootstrapping stationnaire inversible échelon vecteur autorégressif moyenne mobile (VARMA) modèles utilisant des méthodes linéaires. La validité asymptotique du bootstrap est établie avec un fort bruit blanc sous des hypothèses paramétriques et non paramétriques. Nos méthodes sont pratiques et utiles pour construire des inférences et des prévisions fiables basées sur la simulation sans mettre en œuvre des techniques d'estimation non linéaires telles que le ML qui est habituellement onéreux, exigeant du temps ou peu pratique, en particulier dans les systèmes grands ou très persistants. La pertinence de nos procédures est plus prononcée dans le contexte des techniques de simulation dynamique telles que les tests de Monte Carlo (MMC) maximisés voir Dufour J-M. Tests de Monte Carlo avec des paramètres nuisibles: une approche générale de l'inférence des échantillons finis et des asymptotiques non standard dans l'économétrie. J Econom. 2006133 (2): 443-477 et Dufour J-M, Jouini T. Tests basés sur la simulation d'échantillons finis dans des modèles VAR avec applications aux tests de causalité de Granger. J Econom. 2006135 (1-2): 229-254 pour l'affaire VAR. Les résultats de la simulation montrent que, comparativement aux asymptotiques classiques, nos méthodes bootstrap ont de bonnes propriétés d'échantillons finis pour l'approximation de la distribution réelle des estimations des paramètres VARMA échelonnés et pour fournir des ensembles de confiance échelonnés avec une couverture satisfaisante. Dans cette étude, nous présentons une structure algorithmique basée sur la logique annotée paraconsistante (PAL) qui permet de simuler les calculs des valeurs moyennes présentes dans un jeu de données et de détecter les variations de la moyenne en utilisant uniquement PAL Concepts. Nous appelons la structure paraconsistent réseau neuronal artificiel pour l'extraction de la moyenne mobile (PANnet (mathrm)). Comme exemple de son application, nous utilisons PANnet (mathrm) pour aider à l'analyse d'un indice de qualité de produit final lié à l'électrotechnique. Pour obtenir le résultat final, nous avons appliqué PANnet (mathrm) pour simuler le comportement statistique du contrôle statistique de processus (SPC) en comparant les valeurs obtenues avec un classement qui établit des normes d'indice de qualité basées sur la distribution d'énergie électrique. Tout d'abord, des tests ont été effectués en utilisant des données avec des valeurs aléatoires pour vérifier le comportement de PANnet (mathrm) et pour définir le nombre optimal d'algorithmes pour former une structure de calcul optimisée. Ensuite, nous avons utilisé une base de données avec les valeurs réelles de la tension électrique générée par un système d'alimentation électrique d'un réseau électrique au Brésil. Dans les différents tests, PANnet (mathrm) a correctement détecté les changements et identifié les variations de la tension électrique dans les lignes de transmission 220V. Les résultats montrent que PANnet (mathrm) peut être utilisé pour construire une architecture efficace pour la détermination et la surveillance des scores de qualité avec des applications dans divers domaines de l'ingénierie, en particulier pour la détection de l'indice de qualité dans un réseau de distribution d'électricité. Chapitre Janvier 2016 Journal de Calcul Statistique et Simulation par Peter Bhlmann. 1999. Nous comparons et examinons les blocs, les tamis et les bootstraps locaux pour les séries chronologiques et éclairons ainsi les faits théoriques ainsi que la performance sur les données d'échantillon nite. Notre (re) vue est sélective avec l'intention d'obtenir une image nouvelle et juste sur certains aspects particuliers des séries chronologiques d'amorçage. Le ge. Nous comparons et examinons les blocs, les tamis et les bootstraps locaux pour les séries chronologiques et éclairons ainsi les faits théoriques ainsi que la performance sur les données d'échantillon nite. Notre (re) vue est sélective avec l'intention d'obtenir une image nouvelle et juste sur certains aspects particuliers des séries chronologiques d'amorçage. La généralité du bloc bootstrap est contrastée par des bootstraps de tamis. Nous discutons des inconvénients de mise en œuvre et soutenons que deux types de tamis surpassent la méthode des blocs, chacun d'eux dans sa propre niche importante, à savoir les processus linéaires et catégoriques, respectivement. Les bootstraps locaux, conçus pour des problèmes de lissage non paramétriques, sont faciles à utiliser et à mettre en œuvre mais présentent dans certains cas de faibles performances. Mots clés et expressions. Autoregression, bloc bootstrap, séries chronologiques catégorielles, algorithme de contexte, bootstrap double, processus linéaire, bootstrap local, chaîne de Markov, bootstrap de tamis, processus stationnaire. 1 Introduction Le bootstrapping peut être considéré comme une simulation statistique ou statistique pro. Par Wolfgang Hrdle, Helmut Ltkepohl, Rong Chen. 1996 Résumé non trouvé par Jrgen Franke, Jens-Peter Kreiss, Enno Mammen - Bernoulli. 1997. Le lissage du noyau dans les schémas autorégressifs non paramétriques offre un outil puissant dans la modélisation des séries temporelles. Dans cet article, il est montré que le bootstrap peut être utilisé pour estimer la distribution des lisses de noyau. Cela peut être fait en imitant la nature stochastique de l'ensemble du processus dans le démarrage. Le lissage du noyau dans les schémas autorégressifs non paramétriques offre un outil puissant dans la modélisation des séries temporelles. Dans cet article, il est montré que le bootstrap peut être utilisé pour estimer la distribution des lisses de noyau. Cela peut être fait en imitant la nature stochastique de tout le processus dans le rééchantillonnage bootstrap ou en générant un modèle de régression simple. La cohérence de ces procédures bootstrap sera montrée. 1 Introduction La modélisation non linéaire des séries chronologiques est apparue comme une approche prometteuse dans l'analyse des séries chronologiques appliquées. On trouve beaucoup de modèles paramétriques dans les livres de Priestley (1988) et Tong (1990). Dans cet article, nous considérons des modèles non paramétriques d'autorégression non linéaire. Motivé par des applications économétriques, nous permettons des erreurs hétéroschémiques: X tm (X tGamma1. X tGammap) oe (X tGamma1. X tGammaq) ampquot t t 0 1 2. (1.1) Ici (ampquot t) sont i. i.d. Variables aléatoires avec moyenne 0 et variance 1. En outre, m et oe sont inconnus. Par Lorenzo Pascual, Juan Romo, Esther Ruiz - Journal of Time Series Analysis. Dans cet article, nous proposons une nouvelle stratégie bootstrap pour obtenir des intervalles de prédiction pour les processus de moyenne mobile autorégressive intégrée. Son principal avantage par rapport aux autres méthodes bootstrap proposées précédemment pour les processus intégrés autorégressifs est que la variabilité due à l'estimation des paramètres peut être. Dans cet article, nous proposons une nouvelle stratégie bootstrap pour obtenir des intervalles de prédiction pour les processus de moyenne mobile autorégressive intégrée. Son principal avantage par rapport aux autres méthodes bootstrap proposées précédemment pour les processus intégrés autorégressifs est que la variabilité due à l'estimation des paramètres peut être incorporée dans les intervalles de prédiction sans nécessiter la représentation en arrière du processus. Par conséquent, la procédure est très souple et peut être étendue aux processus même si leur représentation arriérée n'est pas disponible. En outre, sa mise en œuvre est très simple. Les propriétés asymptotiques des densités de prédiction bootstrap sont obtenues. Des expériences de Monte Carlo sur des échantillons finis sont réalisées pour comparer la performance de la stratégie proposée par rapport aux procédures alternatives. Le comportement de notre proposition est égal ou supérieur à la plupart des alternatives. En outre, notre stratégie bootstrap est également appliquée pour la première fois pour obtenir la densité de prédiction des processus avec des composants de moyenne mobile. Par Jens-Peter Kreiss. 1997. Dans cet article nous traitons des processus autorégressifs stationnaires d'ordre fini ou infini mais inconnu. Dans des hypothèses assez générales, nous dérivons la cohérence asymptotique d'une procédure de bootstrap résiduelle habituelle pour les fonctions lisses de l'autocovariance empirique et de l'autocorrélation. Surtout t. Dans cet article nous traitons des processus autorégressifs stationnaires d'ordre fini ou infini mais inconnu. Dans des hypothèses assez générales, nous dérivons la cohérence asymptotique d'une procédure de bootstrap résiduelle habituelle pour les fonctions lisses de l'autocovariance empirique et de l'autocorrélation. En particulier, l'ordre du modèle autorégressif ajusté est autorisé à dépendre des données. Complémentaire à l'habituel bootstrap résiduelle, nous considérons une procédure sauvage bootstrap. Quelques remarques concernant la précision asymptotique des deux procédures proposées de bootstrap et une étude de simulation concluent le papier. Par Violetta Dalla, Javier Hidalgo Résumé non trouvé par Ke-li Xu, Peter C. B. Phillips. 2007. Des modèles autorégressifs stables d'ordre fini connu sont considérés avec des différences de martingale, des erreurs sont mises à l'échelle par une fonction non paramétrique inconnue variable dans le temps générant une hétérogénéité. Un cas particulier important implique un changement structurel dans la variance de l'erreur, mais dans la plupart des cas pratiques le modèle. Des modèles autorégressifs stables d'ordre fini connu sont considérés avec des différences de martingale, des erreurs sont mises à l'échelle par une fonction non paramétrique inconnue variable dans le temps générant une hétérogénéité. Un cas particulier important implique un changement structurel dans la variance d'erreur, mais dans la plupart des cas pratiques le modèle de variation de variance dans le temps est inconnu et peut impliquer des changements à des points discrets inconnus dans le temps, une évolution continue ou des combinaisons des deux. Cet article développe des estimateurs fondés sur le noyau des variances résiduelles et des estimateurs des moindres carrés (ALS) associés des coefficients autorégressifs. Ceux-ci sont représentés comme étant asymptotiquement efficaces, ayant la même distribution limite que les moindres carrés généralisés non réalisables (GLS). Les comparaisons de la procédure efficace et des moindres carrés ordinaires (MCO) révèlent que les moindres carrés peuvent être extrêmement inefficaces dans certains cas, alors qu'ils sont presque optimaux dans d'autres. Les simulations montrent que lorsque les moindres carrés fonctionnent bien, les estimateurs adaptatifs se comportent de manière comparable, alors que lorsque les moindres carrés fonctionnent mal, des gains d'efficacité majeurs sont obtenus grâce aux nouveaux estimateurs. Près de transformations de séries chronologiques intégrées. Théorie économétrique 15, 269-298. 25 Park, J. Phillips, P. C. B. 2001. Régression non linéaire avec séries chronologiques intégrées. Econometrica 69, 117-161. 26 -26- Park, S. Lee, S. Jeon J. 2000. Le cusum des carrés teste les variations de variance dans des modèles autorégressifs d'ordre infini. Journal de la Société statistique coréenne 29, 351-361. 27 Phillips, P. C. B. par G. Hainz, R. Dahlhaus. Pour les procédés linéaires stationnaires, nous proposons des tests de qualité de l'essai de type Kolmogorov-Smirnov pour des hypothèses composées basées sur des méthodes bootstrap de domaine fréquentiel. Des tests bootstrap semblables pour comparer les distributions spectrales de deux séries temporelles sont suggérés. Le petit échantillon de performance des tests. Pour les procédés linéaires stationnaires, nous proposons des tests de qualité de l'essai de type Kolmogorov-Smirnov pour des hypothèses composées basées sur des méthodes bootstrap de domaine fréquentiel. Des tests bootstrap semblables pour comparer les distributions spectrales de deux séries temporelles sont suggérés. La petite représentation d'échantillons des tests est étudiée par des simulations, et un exemple de données réelles est donné à titre d'illustration. Par Carsten Jentsch, Jens-Peter Kreiss. Abstrait. Le papier reconsidère le bootstrap de périodogramme aidé autorégressif (AAPB) qui a été suggéré dans Krei et Paparoditis (2003). Leur idée était de combiner un domaine temporel paramétrique et un domaine de fréquence non paramétrique bootstrap pour imiter non seulement une partie mais autant que possible le compl. Abstrait. Le papier reconsidère le bootstrap de périodogramme aidé autorégressif (AAPB) qui a été suggéré dans Krei et Paparoditis (2003). Leur idée était de combiner un domaine temporel paramétrique et un domaine de fréquence non paramétrique bootstrap pour imiter non seulement une partie mais autant que possible la structure de covariance complète des séries temporelles sous-jacentes. Nous étendons l'AAPB dans deux directions. Notre procédure conduit explicitement à des observations bootstrap dans le domaine temporel et elle s'applique aux processus linéaires multivariés, mais concorde exactement avec l'AAPB dans le cas univarié, lorsqu'elle est appliquée aux fonctionnels du périodogramme. La théorie asymptotique développée montre la validité de la procédure de bootstrap hybride multiple pour la moyenne de l'échantillon, les estimations de la densité spectrale du noyau et, avec moins de généralité, pour les autocovariances. 1. par Michael H. Neumann. 1997. La théorie de l'analyse des séries temporelles est souvent développée dans le contexte de modèles à dimensions finies pour le processus de génération de données. Alors que les estimateurs correspondants tels que ceux d'une fonction moyenne conditionnelle sont raisonnables même si le vrai mécanisme de dépendance est d'une structure plus complexe, c'est nous. La théorie de l'analyse des séries chronologiques est souvent développée dans le contexte de modèles finis pour le processus de génération de données. Alors que les estimateurs correspondants tels que ceux d'une fonction moyenne conditionnelle sont raisonnables même si le mécanisme de dépendance vraie est d'une structure plus complexe, il est habituellement nécessaire de capturer toute la structure de dépendance asymptotiquement pour que le bootstrap soit valide. Cependant, certaines méthodes bootstrap basées sur un modèle restent valides pour certaines quantités intéressantes provenant de statistiques non paramétriques. Nous généralisons le principe bien connu de blanchiment par le principe du fenêtrage à des distributions conjointes d'estimateurs non paramétriques de la fonction d'autorégression. En conséquence, nous obtenons que les schémas bootstrap non paramétriques basés sur des modèles restent valables pour les fonctionnels de type suprême, dans la mesure où ils imitent de façon cohérente les distributions d'articulations de dimension finie correspondantes. Par contre, cette approche aléatoire ne permet pas de garantir la structure de corrélation temporelle, de sorte qu'elle est incapable de refléter la propriété statistique Des fluctuations à court terme. Dans cet article, nous introduisons deux méthodes pour générer la séquence plausible de fluctuation, l'une basée sur l'approche ARMA (bootstrap moyenne moyenne autorégressive) 2, et l'autre est basée sur l'approche bloc bootstrap 5. L'approche précédente a été introduite dans notre approche Les fluctuations inattendues de la production d 'énergie éolienne deviendront de sérieux problèmes du point de vue de l' approvisionnement stable pour un réseau électrique. L'exploitation d'un système de batteries installé dans le réseau pour atténuer les fluctuations à court terme est l'une des nouvelles approches pour la stabilisation du réseau. Dans cet article, nous proposons une méthode de génération de profils éoliens synthétiques avec une résolution temporelle élevée pour la simulation de flux de puissance qui vise à estimer l'impact de la fluctuation de l'énergie éolienne et à spécifier le système de batterie requis. Nous montrons numériquement la plausibilité des profils d'énergie éolienne synthétique du point de vue des propriétés statistiques. Texte intégral Article Nov 2016 Seigo Furuya Yu Fujimoto Noboru Murata Yasuhiro Hayashi quotLa justification d'un bootstrap paramétrique est que, dans le cadre de Dufour et al. (2010) les erreurs sont restreintes, et le bootstrap paramétrique préserve la restriction. Une autre approche consisterait à utiliser une procédure de bootstrap non paramétrique basée sur des résidus (voir Kreiss et Franke, 1992, et Kreiss, 1997). Un essai combiné de multiplicateur de Lagrange (LM) pour les erreurs autorégressives hétéroscédastiques conditionnelles (ARCH) dans les modèles vectoriels autorégressifs (VAR) est proposé en remplaçant un Monte Carlo exact ( MC) par un test MC bootstrap lorsque le modèle comprend des retards. L'essai contourne le problème de la grande dimensionnalité dans les tests multivariés pour l'ARCH dans les modèles VAR. Il suffit de calculer des statistiques univariées. Un avantage computationnel est donc que le nombre de paramètres à estimer est indépendant de la dimension du processus VAR. Le test MC bootstrap est démontré comme étant asymptotiquement valide. Les simulations de Monte Carlo montrent que le test a de bonnes propriétés d'échantillons finis. Le test est robuste contre une distribution d'erreur non normale. Deux applications financières des tests LM multivariés pour ARCH aux prix de swap de défaut de crédit (CDS) et aux taux Euribor sont présentées. Les résultats indiquent que les erreurs sont biaisées et lourdes, et qu'il ya des effets significatifs ARCH. Article intégral Nov 2016 P. S. Catani N. J.C. Ahlgren rappelle, cf. Kreiss amp. Franke (1992) pour une preuve du cas univarié. Les cas (ii) et (iii) peuvent être traités exactement de la même façon. Nous décrivons un cadre pour une inférence asymptotiquement valide dans des modèles vectoriels autorégressifs (VAR) stables avec hétéroscédasticité conditionnelle de forme inconnue. Nous prouvons un théorème de limite centrale conjointe pour le paramètre de pente VAR et les estimateurs de paramètre de covariance d'innovation et l'inférence bootstrap d'adresse ainsi. Nos résultats sont importants pour une inférence correcte sur les statistiques VAR qui dépendent à la fois de la pente VAR et des paramètres de variance comme, p. Dans les fonctions structurelles de réponse impulsionnelle (IRF). Nous montrons aussi que les schémas bootstrap sauvages et pairwise échouent en présence d'hétéroscédasticité conditionnelle si l'inférence sur (fonctions) des paramètres de variance inconditionnelle est intéressante car ils ne reproduisent pas correctement la quatrième structure de moments pertinents des termes d'erreur. Par contre, le bootstrap du bloc mobile résiduel donne une inférence asymptotiquement valide. Nous illustrons les implications pratiques de nos résultats théoriques en fournissant des preuves de simulation sur les propriétés d'échantillons finis de différentes méthodes d'inférence pour IRFs. Nos résultats indiquent que l'incertitude d'estimation peut augmenter de façon spectaculaire en présence d'hétéroscédasticité conditionnelle. De plus, la plupart des méthodes d'inférence sont susceptibles de sous-estimer l'incertitude de l'estimation vraie substantiellement dans les échantillons finis. Article en texte intégral Août 2014 Ralf Brggemann Carsten Jentsch Carsten Trenkler