×
尼古拉·罗宾佐诺夫;格哈德·图茨;托尔斯滕·霍霍恩

非线性时间序列模型的增强技术。 （英文） Zbl 1443.62286号

AStA，高级统计分析。 96，第1期，99-122（2012）.
摘要：许多流行的非线性时间序列模型需要先验的参数函数的选择被认为在特定应用中是合适的。这种方法主要用于金融应用中，当对协变量和响应之间的非线性结构有足够的了解时。研究更广泛的非线性时间序列的一个主要策略是非线性加性自回归（NAAR）模型。NAAR模型将时间序列的滞后估计为灵活的函数，以检测当前和过去观测之间的非单调关系。我们考虑线性和可加模型来识别非线性关系。组件式升压算法用于同时进行模型拟合、变量选择和模型选择。因此，通过应用boosting来拟合潜在的非线性模型，我们解决了时间序列建模中的主要问题：滞后选择和非线性。通过仿真，我们将boosting方法与其他非参数方法进行了比较。Boosting在高度非线性滞后函数的精确估计方面显示出强大的整体性能。对德国工业生产增长的预测潜力进行了检验；为了提高模型的预测质量，我们加入了额外的外生变量。因此，我们讨论了本文中的第二个主要方面，即模型中的高维问题。在模型中允许额外的输入将NAAR模型扩展到更广泛的一类模型，即NAARX模型。我们表明，boosting可以处理与观测数相比具有许多协变量的大型模型。

引用于2文件

MSC公司：

62M10个 统计学中的时间序列、自相关、回归等（GARCH）
62G08号 非参数回归和分位数回归
62-08 统计问题的计算方法

关键词：

组件式增压;预测;非线性时间序列;自回归加性模型;滞后选择

软件：

姆博斯特;变量;R（右）;ElemStatLearn（电子状态学习）;加迈尔;丙二醛;mgcv公司
PDF格式BibTeX公司 XML格式引用
\textit{N.Robinzonov}等人，AStA，高级统计分析。96，第1号，99-122（2012；Zbl 1443.62286）
全文： 内政部 链接

参考文献：

[1] Audrino，F.：是什么推动了短期动态？函数梯度下降法。工作文件640，圣加仑大学（2010年）·Zbl 1242.91200号
[2] Audrino，F。；Barone-Adesi，G.，预期债券收益的动态模型：函数梯度下降法，计算。统计数据分析。，51, 2267-2277, (2006) ·Zbl 1157.62516号 ·doi:10.1016/j.csda.2006.07.024
[3] Audrino，F。；Bühlmann，P.，超高维金融时间序列的函数梯度下降波动率估计，J.Compute。《金融》，第6期，第65-89页，（2003年）
[4] Audrino，F。；Bühlmann，P.，《金融波动的样条曲线》，J.R.Stat.Soc.，Ser。B、 统计方法。，71, 655-670, (2009) ·兹比尔1250.91103 ·文件编号：10.1111/j.1467-9868.2009.00696.x
[5] Benner，J.，Meier，C.：德国的Prognosegüte alternativer Frühindikatoren für die Konjunktur。贾尔布。Natl.ökon。斯达。224(6), 637-652 (2004)
[6] Breitung，J.，Jagodzinski，D.：德国的Prognoseigenschaften替代品Indikatoren der konjunkturellen Entwicklung。Konjunkturpolitik公司47(4), 292-314 (2001)
[7] Bühlmann，P.，高维线性模型的Boosting，Ann.Stat.，34555-583，（2006）·Zbl 1095.62077号 ·doi:10.1214/009053600000092
[8] Bühlmann，P。；Hothorn，T.，Boosting algorithms:正则化、预测和模型拟合，统计科学。，22, 477-505, (2007) ·Zbl 1246.62163号 ·doi:10.1214/07-STS242
[9] Bühlmann，P。；Yu，B.，《（L）{2}损失推动：回归与分类》，美国统计协会，98，324-339，（2003）·Zbl 1041.62029号 ·doi:10.1198/0162145003000125
[10] Chen，R。；Tsay，R.，非线性加性ARX模型，美国统计协会，88，955-967，（1993）·doi:10.2307/2290787
[11] Chevillon，G。；Hendry，D.，《预测经济过程的非参数直接多步估计》，《国际预测杂志》。，201-218年21日，（2005年）·doi:10.1016/j.ijforecast.2004.08.004
[12] 克拉维利亚，O。；Pons，E。；Ramos，R.，《商业和消费者预期与宏观经济预测》，《国际期刊预测》。，23, 47-69, (2007) ·doi:10.1016/j.ij预测.2006.04.004
[13] 克莱门茨，M。；弗兰西斯，P。；Swanson，N.，《用非线性模型预测经济和金融时间序列》，《国际预测杂志》。，20, 169-183, (2004) ·doi:10.1016/j.ij预测.2003.10004
[14] Diebold，F.X。；Mariano，R.S.，《预测准确性比较》，J.Bus。经济。统计，13，253-263，（1995）·doi:10.2307/1392185
[15] Dreger，C。；舒马赫，C.，德国商业周期领先指标的样本外表现。单项预测与综合预测，J.Bus。循环测量。分析。，2, 71-88, (2005) ·doi:10.1787/jbcma-2005-km7v183qs0v
[16] 艾尔斯，P。；Marx，B.，《带B样条和惩罚的灵活平滑》，《统计科学》。，11, 89-102, (1996) ·Zbl 0955.62562号 ·doi:10.1214/ss/1038425655
[17] Elliot，G。；Timmermann，A.，《经济预测》，J.Econ。点燃。，66, 3-56, (2008) ·doi:10.1257/凝胶46.1.3
[18] Fenske，N.，Kneib，T.，Hothorn，T.：通过增强加性分位数回归来识别儿童严重营养不良的风险因素。技术报告52，德国统计研究所，路德维希·马克西米利安-慕尼黑大学（2009年）。http://epub.ub.uni-muenchen.de/10510/ ·Zbl 1232.62146号
[19] 弗伦德，Y。；Schapire，R.，《新增压算法的实验》，148-156，（1996），旧金山
[20] Friedman，J.，多元自适应回归样条，《美国统计年鉴》，19，1-67，（1991）·Zbl 0765.62064号 ·doi:10.1214/aos/1176347963
[21] Friedman，J.，《贪婪函数近似：梯度提升机》，《美国统计年鉴》，第29卷，第1189-1232页，（2001年）·Zbl 1043.62034号 ·doi:10.1214/aos/1013203451
[22] 弗里奇，美国。；Stephan，S.，《德国商业周期领先指标——房地产评估》，Jahrb。Natl.ökon。统计，222289-311，（2002）
[23] Goldrian，G.：基于调查的商业周期分析手册。爱德华·埃尔加（Edward Elgar），切尔滕纳姆·格洛斯（Cheltenham Glos）（2007年）
[24] Hamilton，J.：时间序列分析。普林斯顿大学出版社，普林斯顿（1994）·Zbl 0831.62061号
[25] Hansen，P.R.，Lunde，A.，Nason，J.M.：模型置信集。创建研究论文2010-76，奥胡斯大学经济与管理学院（2010）。http://ideas.repec.org/p/aah/create/2010-76.html
[26] 哈维，D。；莱伯恩，S。；Newbold，P.，《检验预测均方误差的相等性》，《国际预测杂志》。，13, 281-291, (1997) ·doi:10.1016/S0169-2070（96）00719-4
[27] Hastie，T.，Tibshirani，R.：广义加性模型。查普曼和霍尔/CRC，伦敦（1990年）·Zbl 0747.62061号
[28] Hastie，T.、Tibshirani，R.、Friedman，J.：统计学习的要素：数据挖掘、推断和预测。施普林格，柏林（2001）·Zbl 0973.62007号
[29] Hastie，T.、Tibshirani，R.、Friedman，J.：《统计学习的要素：数据挖掘、推断和预测》，第2版。柏林施普林格（2009a）·Zbl 1273.62005年
[30] Hastie，T.、Tibshirani，R.、Leisch，F.、Hornik，K.、Ripley，B.D.：mda：混合和灵活判别分析。R包版本0.3-4（2009b）
[31] Hothorn，T.、Buehlmann，P.、Kneib，T.、Schmid，M.、Hofner，B.：mboost:基于模型的助推，R包，1.0-7版（2009年）。http://CRAN.R-project.org/package=mboost
[32] 黄，J。；Yang，L.，非线性加性自回归模型的识别，J.R.Stat.Soc.，Ser。B、 统计方法。，66, 463-477, (2004) ·兹比尔1062.62185 ·doi:10.1111/j.1369-7412.004.05500.x
[33] Hüfner，F.，Schröder，M.：Prognosegehalt von ifo-Geschäftserwartungen und ZEW-Konjunkturewartengen:Einökonometrischer Vergleich。贾尔布。Natl.ökon。斯达。222（3） ，316-336（2002年）
[34] Hurvich，C.M。；Simonoff，J.S。；Tsai，C.-L.，使用改进的Akaike信息准则平滑非参数回归中的参数选择，J.R.Stat.Soc.，Ser。B、 统计方法。，60, 271-293, (1998) ·Zbl 0909.62039号 ·doi:10.1111/1467-9868.00125
[35] Hyndman，R。；Koehler，A.，《预测准确性的另一种衡量方法》，《国际预测杂志》。，22, 679-688, (2006) ·doi:10.1016/j.ijforecast.2006.03.001
[36] Kneib，T。；Hothorn，T。；Tutz，G.，地质加性回归模型中的变量选择和模型选择，生物统计学，65，626-634，（2009）·Zbl 1167.62096号 ·doi:10.1111/j.1541-0420.2008.01112.x
[37] 刘易斯，P。；Stevens，J.，使用多元自适应回归样条（MARS）对时间序列进行非线性建模，J.Am.Stat.Assoc.，86864-877，（1991）·Zbl 0850.62662号 ·doi:10.2307/2290499
[38] Lütkepohl，H.：多时间序列分析简介。柏林施普林格（1991）·Zbl 0729.62085号
[39] Lütkepohl，H.：多重时间序列分析新导论。柏林施普林格出版社（2006）·兹比尔1141.62071
[40] 卢茨，R.W。；Kalisch，M。；Bühlmann，P.，鲁棒化（L）{2}增强，计算。统计数据分析。，52, 3331-3341, (2008) ·兹比尔1452.62503 ·doi:10.1016/j.csda.2007.11.006
[41] Marcellino，M.，Schumacher，C.：用粗糙边缘数据对德国GDP进行因子预测。使用MIDAS投影进行模型比较。技术报告，德国联邦银行讨论文件，第1辑，34/2007（2007）
[42] 马塞利诺，M。；股票，J。；Watson，M.，《预测宏观经济时间序列的直接和迭代多步AR方法的比较》，J.Econom。，135, 499-526, (2006) ·Zbl 1418.62513号 ·doi:10.1016/j.jeconom.2005.07.020
[43] 马蒂亚斯，J。；Febrero-Bande，M。；González-Manteiga，W。；Reboredo，J.，Boosting GARCH和神经网络预测异方差时间序列，数学。计算。型号。，51256-271（2010）·Zbl 1190.91126号 ·doi:10.1016/j.mcm.2009.08.013
[44] Pfaff，B.：VAR、SVAR和SVEC模型：在R包vars中实现。J.统计软件。27(4) (2008). http://www.jstatsoft.org/v27/i04/
[45] R开发核心团队：R：统计计算的语言和环境。R统计计算基金会，维也纳（2009年）。国际标准图书编号（ISBN）3-900051-07-0。网址：http://www.R-project.org
[46] 罗宾佐诺夫，N。；Wohlrabe，K.，《宏观经济预测的自由选择》，CESifo Econ。螺柱，56，192-220，（2010）·doi:10.1093/cesifo/ifp019
[47] 施密德，M。；Hothorn，T.，使用组件式P-样条推进可加模型，计算。统计数据分析。，53, 298-311, (2008) ·Zbl 1231.62071号 ·doi:10.1016/j.csda.2008.09.009
[48] 北沙菲克。；Tutz，G.，Boosting非线性加性自回归时间序列，计算。统计数据分析。，532453-2464，（2009年）·Zbl 1453.62194号 ·doi:10.1016/j.csda.2008.12.006
[49] 股票，J。；Watson，M.，《预测产出和通货膨胀：资产价格的作用》，J.Econ。点燃。，41, 788-829, (2003) ·doi:10.1257/002205103322436197
[50] Teräsvirta，T.公司。；Dijk，D。；Medeiros，M.，《用于预测宏观经济时间序列的线性模型、平滑过渡自回归和神经网络：重新检验》，《国际预测杂志》。，21, 755-774, (2005) ·doi:10.1016/j.ij预测.2005.04.011
[51] Tschernig，R。；Yang，L.，时间序列的非参数滞后选择，J.time-Ser。分析。，21, 457-487, (2000) ·兹比尔0974.62077 ·doi:10.1111/1467-9892.00193
[52] Wood，S.：《广义加性模型：R.Chapman和Hall/CRC简介》，伦敦（2006）·Zbl 1087.62082号
[53] Wood，S.:mgcv：采用GCV平滑度估计的GAM和采用REML/PQL的GAMM。R包，版本1.4-1.1（2009）
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。