安德烈斯·阿隆索。;瓜达卢佩巴斯托斯;卡罗来纳州加西亚·马托斯 时间序列因子模型的偏差修正。 （英语） Zbl 07192620号 J.统计计算。模拟 88，第8期，1576-1602（2018）. 摘要：在本文中，我们使用遵循因子模型的多元时间序列。特别是，我们考虑的环境是，因子由高度持久的AutoRegressive（AR）过程和样本控制，这些过程和样本非常小。因此，使用小样本偏差校正技术估计因子的AR模型。蒙特卡罗研究表明，对因子的AR系数进行偏差校正，可以在预测区间覆盖方面获得更好的结果。正如预期的那样，模拟表明，对于较小的样本，偏差校正更为成功。我们给出了假设AR阶数和因子数已知和未知的结果。我们还针对几个欧洲国家的一组工业生产指数研究了该技术的优势。 MSC公司： 62至XX 统计 关键词：降维;小样本偏差校正;自回归模型;持久过程;因子模型 PDF格式BibTeX公司 XML格式引用 \textit｛A.M.Alonso｝等人，J.Stat.Comput。模拟88，编号8，1576-1602（2018；Zbl 07192620） 全文： 内政部 参考文献： [1] 佩尼亚D，方框G。确定时间序列中的简化结构。J Amer统计协会，1987年；82:836-843. [Taylor&Francis Online]、[Web of Science®]、[Google学者]·Zbl 0623.62081号 [2] Alonso A、GarcíA-Martos C、Rodríguez J等。季节性动态因素分析和自举推理：在电力市场预测中的应用。技术计量学。2011;53:137-151. doi:10.1198/TECH.2011.09050[Taylor&Francis Online]，[Web of Science®]，[Google学者] [3] García-Martos C，Rodríguez J，Sánchez M。通过提取动态公共因素预测电价：在伊比利亚市场的应用。IET Gener Transm Distribute.2012；6:11-20. doi:10.1049/iet-gtd.2011.009[Crossref]，[Web of Science®]，[Google学者] [4] Alonso A、Bastos G、GarcíA-Martos C。通过平均动态因子模型进行电价预测。能源。2016;9:1-21. doi:10.3390/en9080600[Crossref]，[Web of Science®]，[Google学者] [5] García-Martos C、Rodríguez J、Sánchez M.对化石燃料、二氧化碳和电价及其波动性进行建模和预测。Appl Energy，2013年；101:363-375. doi:10.1016/j.apenergy.2012.03.046[Crossref]，[Web of Science®]，[Google学者] [6] Poncela P、Senra E、Sierra L。非能源商品价格的常见动态及其与不确定性的关系。应用经济学。2014;46:3724-3735. doi:10.1080/00036846.2014.939377[Taylor&Francis Online]，[Web of Science®]，[Google学者] [7] Stock J，Watson M.使用大量预测因子的主成分进行预测。J Amer统计协会，2002年；97:1167-1179. doi:10.1198/016214502388618960[Taylor&Francis Online]，[Web of Science®]，[Google学者]·Zbl 1041.62081号 [8] Sargent T，Sims C。商业周期建模，而不是假装有太多的初级经济理论。工作文件55明尼阿波利斯联邦储备银行；1977.[谷歌学者] [9] Forni M、Hallin M、Lippi M等。参考周期：重新审视NBER方法。丁腈橡胶；1999.[谷歌学者] [10] Lee R，Carter L.美国死亡率建模与预测。美国统计协会杂志，1992年；第87:659-671页。[Taylor&Francis Online]、[Web of Science®]、[Google学者]·兹比尔1351.62186 [11] 阿隆索A、佩尼亚D、罗德里格斯J。人口预测方法：西班牙应用。工作文件08-45统计和计量经济学系列12；2008年。可从以下网址获得：http://citeseerx.ist.psu.edu/viewdoc/download？doi=10.1.1.584.2593&rep=rep1&type=pdf[谷歌学者] [12] Jeong S，Bienkiewicz B.自回归建模在建筑风压正交分解中的应用。风力发电工业航空杂志。1997;69:685-695. doi:10.1016/S0167-6105（97）00197-9[交叉引用]，[谷歌学者] [13] García-Ferrer a，González-Prieto E，Peña D.探索用于时间序列分解的ICA。工作文件11-16统计与计量经济学系列11马德里卡洛斯三世大学教育部2011年5月；2011.[谷歌学者] [14] Peña D，Poncela P.非平稳动态因素分析。J统计计划推断。2006;136:1237-1257. doi:10.1016/j.jspi.2004.08.020[Crossref]，[Web of Science®]，[Google学者]·Zbl 1088.62077号 [15] Clements M，Kim J.自回归时间序列的Bootstrap预测区间。计算统计数据分析。2007;51:3580-3594. doi:10.1016/j.csda.2006.09.012[Crossref]，[Web of Science®]，[Google学者]·Zbl 1161.62406号 [16] Roy A，Fuller W。根接近1的自回归时间序列的估计。J公共汽车经济统计。2001;19:482-493. doi:10.1198/07350010152596736[Taylor&Francis Online]，[Web of Science®]，[Google学者] [17] Clements M，Taylor N.自回归模型的Bootstrapping预测区间。国际J预测。2001;17:247-267. doi:10.1016/S0169-2070（00）00079-0[Crossref]，[Web of Science®]，[Google学者] [18] Gregory A，Head A.生产率、投资和经常账户的常见波动和国别波动。莫奈经济学杂志。1999;44:423-451. doi:10.1016/S0304-3932（99）00035-5[Crossref]，[Web of Science®]，[Google学者] [19] Geweke J，Singleton K。经济时间序列的最大似然“验证性”因子分析。国际经济评论（费城）。1981;22:37-54. doi:10.2307/2526134[Crosref]，[Web of Science®]，[谷歌学者]·兹伯利0483.90037 [20] Bai J，Ng S.大维度因素分析。发现经济趋势。2008;3:89-163. doi:10.1561/0800000002[Crossref]，[Google学者] [21] Stock J、Watson M动态因子模型。收件人：Clements议员，Hendry DF，编辑。牛津经济预测手册。纽约：牛津大学出版社；2010年，第35-60页。[谷歌学者] [22] Poncela P，Ruiz E.动态因子模型中的小数据与大数据因子提取：实证评估。收件人：Hillebrand E，Koopman SJ，编辑。动态因子模型（《计量经济学进展》第35卷）。西约克郡：翡翠集团出版有限公司；2016年，第401-434页。[Crossref]，[Google学者]·Zbl 1461.62007年 [23] Mardia K，Kent T，Bibby M.多元分析。圣地亚哥：学术出版社。；1979年，第8章和第9章。[谷歌学者]·Zbl 0432.62029号 [24] Bai J，Ng S.确定近似因子模型中的因子数。经济计量学。2002;70:191-221. doi:10.1111/1468-0262.00273[Crossref]，[Web of Science®]，[Google学者]·Zbl 1103.91399号 [25] Hurvich C，Tsai C。小样本回归和时间序列模型选择。生物特征。1989;76:297-307. doi:10.1093/biomet/76.2.297[Crossref]，[Web of Science®]，[Google学者]·Zbl 0669.62085号 [26] Schwarz G.估算模型的维数。安·统计师。1978;6:461-464. doi:10.1214/aos/1176344136[Crossref]，[Web of Science®]，[Google学者]·Zbl 0379.62005年 [27] Ahn S，Horenstein A.因子数特征值比检验。经济计量学。2013;81:1203-1227. doi:10.3982/ECTA8968[Crossref]，[Web of Science®]，[Google学者]·兹比尔1274.62403 [28] Peña D，Safadi T.动态因子模型的贝叶斯分析：巴西圣保罗空气污染和死亡率的应用。环境计量学。2008;19:582-601. doi:10.1002/env.899[Crossref]，[Web of Science®]，[Google学者] [29] Doz C，Giannone D，Reichlin L.大型近似动态因子模型的准最大似然方法。2012年经济统计修订版；94:1014-1024。doi:10.1162/REST_a_00225[Crosref]，[Web of Science®]，[谷歌学者] [30] García-Ferrer a、González-Prieto E、Peña D。一个条件异方差独立因子模型，应用于金融股票收益。国际J预测。2012;28:70-93. doi:10.1016/j.ijforecast.2011.02.010[Crossref]，[Web of Science®]，[Google学者] [31] 佛罗伦萨G，Galesi A，Sentana E。动态因子模型的谱EM算法。西班牙银行Trabajo文件。2016;1619:1-62. [谷歌学者] [32] Alonso A、Bastos G、GarcíA-Martos C.动态因子模型的偏差修正。UC3M工作文件17-02统计与计量经济学；2017年。可从以下网址获得：http://e-archivo.uc3m.es/handle/10016/240290:1-44[谷歌学者] [33] Kilian L.解释自回归中的滞后阶不确定性：内生滞后阶bootstrap算法。时间序列分析杂志。1998;19:531-548. doi:10.1111/1467-9892.00107[交叉引用]，[谷歌学者]·Zbl 0913.62083号 [34] MacKinnon J，Smith J.《计量经济学中的近似偏差修正》。计量经济学杂志。1998;85:205-230. doi:10.1016/S0304-4076（97）00099-7[Crossref]，[Web of Science®]，[Google学者]·Zbl 0961.62111号 [35] Kilian L.脉冲响应函数的小样本置信区间。Rev Econ Stat.1998年；80:218-230. doi:10.1162/003465398557465[Crossref]，[Web of Science®]，[Google学者] [36] Pascual L，Romo J，Ruiz E.arima过程的Bootstrap预测推断。时间序列分析杂志。2004年；25:449-465. doi:10.1111/j.1467-9892.2004.01713.x[Crossref]，[Web of Science®]，[Google学者]·Zbl 1062.62199号 [37] Pascual L，Romo J，Ruiz E.参数估计对预测密度的影响：自举方法。国际J预测。2001;17:83-103. doi:10.1016/S0169-2070（00）00069-8[Crossref]，[Web of Science®]，[Google学者] [38] Fresoli D，Ruiz E，Pascual L.非高斯VAR模型的Bootstrap多步预测。国际J预测。2015;31分：834-848秒。doi:10.1016/j.ijprediction.2014.04.001[Crosref]，[Web of Science®]，[谷歌学者] [39] Ruiz E，Ponsela P。更多并不总是更好：动态因子模型中的卡尔曼滤波。收件人：Koopman S J，Shephard N，编辑。未观察成分和时间序列计量经济学。纽约：牛津大学出版社；2015; 第11章。[谷歌学者] [40] Alonso A，PeñA D，Romo J.使用筛选引导法预测时间序列。J统计计划推断。2002;100:1-11. doi:10.1016/S0378-3758（01）00092-1[Crossref]，[Web of Science®]，[Google学者]·Zbl 1007.62077号 [41] Marcellino M，Stock 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。2006年计量经济学杂志；135:499-526. doi:10.1016/j.jeconom.2005.07.020[Crossref]，[Web of Science®]，[Google学者]·Zbl 1418.62513号 [42] Robinson P.长记忆平稳时间序列模型的条件平方和估计。IMS课堂讲稿-专题系列时间序列和相关主题。2006;52:130-137. doi:10.1214/07492170600000996[Crossref]，[Google学者]·Zbl 1268.62117号 [43] Egrioglu E、Aladag C、Kadilar C。SARFIMA模型中参数估计的CSS和两阶段方法。概率统计杂志。2011;2011:1-11. doi:10.1155/2011/691058[对照]，[谷歌学者]·Zbl 1229.62121号 [44] Alonso A、PeñA D和Romo J.在时间序列引导中引入模型不确定性。中央统计局。2004年；14:155-174. [Web of Science®]，[Google学者]·Zbl 1035.62088号 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。