IDENTIFICACIÓN DE MODELOS ARFIMA

Author:

Castaño-Vëlez Elkin

Abstract

Desde la introducción de los modelos fraccionalmente integrados ARFIMA para  series de tiempo con memoria larga, ha surgido un gran interés en el estudio de sus propiedades y áreas de aplicación. En este modelo, el grado de la memoria está definido por el parámetro de diferenciación fraccional, el cual toma valores en un intervalo continuo de números reales. Para realizar la estimación de este parámetro y probar la existencia de memoria larga, se han propuesto distintos procedimientos en la literatura. Ahora bien, generalmente no basta con conocer si hay memoria larga en la serie de tiempo, sino que es necesario estimar adecuadamente el valor del parámetro de diferenciación fraccional, del cual depende la dinámica de largo plazo de la serie, y de la componente ARMA asociada al comportamiento de corto plazo. Esta estimación requiere de la especificación correcta del modelo ARFIMA.  El objeto de este documento es el de implementar un proceso de identificación del modelo ARFIMA para series estacionarias a partir de un procedimiento paramétrico propuesto, y comparar su desempeño con métodos semiparamétricos propuestos en la literatura.  Los resultados obtenidos a través de un estudio de simulación, muestran que el procedimiento propuesto tiene, en general, un mejor desempeño.

Publisher

Universidad Nacional de Colombia

Reference19 articles.

1. Beran, J. (1992). Statistical Methods for Data with Long-Range Dependence, Statistical Science, vol. 7, 404–16.

2. Boes, D.C., Davis, R.A. and S.N. Gupta (1989). Parameter estimation in low order fractionally differenced ARMA processes, Stochastic Hydrology and Hydraulics 3, 97-110.

3. Box, G. E. P. and Jenkins, G. M. (1976). Time Series Analysis, Forecasting and Control, 2nd ed., Holden-Day. San Francisco.

4. Brockwell, P. J.; Davis, R. A. (2006). Time Series: Theory and Methods, 2nd ed., Springer-Verlag, New York.

5. Castaño, E., Gómez, K. & Gallón, S. (2008). Una nueva prueba para el parámetro de diferenciación fraccional, Revista Colombiana de Estadística, 31, 67–84.

同舟云学术

1.学者识别学者识别

2.学术分析学术分析

3.人才评估人才评估

"同舟云学术"是以全球学者为主线,采集、加工和组织学术论文而形成的新型学术文献查询和分析系统,可以对全球学者进行文献检索和人才价值评估。用户可以通过关注某些学科领域的顶尖人物而持续追踪该领域的学科进展和研究前沿。经过近期的数据扩容,当前同舟云学术共收录了国内外主流学术期刊6万余种,收集的期刊论文及会议论文总量共计约1.5亿篇,并以每天添加12000余篇中外论文的速度递增。我们也可以为用户提供个性化、定制化的学者数据。欢迎来电咨询!咨询电话:010-8811{复制后删除}0370

www.globalauthorid.com

TOP

Copyright © 2019-2024 北京同舟云网络信息技术有限公司
京公网安备11010802033243号  京ICP备18003416号-3