Hyppää sisältöön
    • Suomeksi
    • In English
Trepo
  • Suomeksi
  • In English
  • Kirjaudu
Näytä viite 
  •   Trepo etusivu
  • Trepo
  • Väitöskirjat
  • Näytä viite
  •   Trepo etusivu
  • Trepo
  • Väitöskirjat
  • Näytä viite
JavaScript is disabled for your browser. Some features of this site may not work without it.

On robust ESACF identification of mixed ARIMA models

Hella, Heikki (2004)

 
Tweet refworks
 

Tässä tietueessa ei ole kokotekstiä saatavilla Treposta, ainoastaan metadata.



Hella, Heikki
Suomen Pankki
2004

Tilastotiede - Statistics
Informaatiotieteiden tiedekunta - Faculty of Information Sciences
Väitöspäivä
2004-02-12
Näytä kaikki kuvailutiedot
Julkaisun pysyvä osoite on
http://urn.fi/urn:isbn:952-462-113-4
Tiivistelmä
Tutkimus kuuluu tilastotieteen aikasarja-analyysin alueelle ja koskee siinä tunnettujen ARIMA (autoregressive integrated moving average) -mallien konstruointia. Jos aikasarjan (esim. taloudellinen aikasarja) tiedetään tai odotetaan sisältävän poikkeavia, vieraita havaintoja, outliereita (lakkojen, luonnonilmiöiden jne. vaikutuksia tai vain virheellisiä havaintoja), tarvitaan aikasarjan rakenteen mallintamisessa ns. robustin tilastotieteen menetelmiä. Robusti tilastotiede tutkii ja kehittää menetelmiä, millä poikkeavien havaintojen kielteisiä vaikutuksia analyysituloksiin voidaan torjua ja vähentää. Monesta syystä on tärkeää, että heti mallintamisen alkuvaiheessa käytetään outlierien suhteen robusteja menetelmiä.

Tutkimuksessa robustoidaan aikasarja-analyysin kirjallisuudesta tunnettu, ns. laajennetun autokorrelaation (extended autocorrelation function, EACF) täsmentämismenetelmä. Tämän menetelmän erityisominaisuus on, että se ei edellytä taloudellisissa aikasarjoissa usein tasaisesti kasvavan trendiosan poistamista aikasar-jasta ennen tilastollisia analyysejä. Outlierien tapauksessa tämä on tärkeä ominaisuus. Tutkimuksessa käytetään useita robusteja menetelmäversioita, joista yksi tuottaa "puhtaiden" aikasarjojen tapauksessa suunnilleen yhtäläisiä tuloksia kuin alkupäinen menetelmä. Tämä on käytännön kannalta tärkeää, koska usein ei etukäteen voida tietää aikasarjan sisältävän poikkeavia havaintoja.

Menetelmän robustoinnin vaikutuksia on tutkimuksessa analysoitu paitsi simulointikokeiden avulla, myös soveltamalla eri versioita todellisiin aikasarjoihin, kuten reaalisen valuuttakurssin sarjoihin. Tätä varten on kehitetty ohjelma, jolla lasketaan rinnakkaiset tulokset sekä alkuperäisellä että robustilla menetelmäversiolla. Tutkija voi tällöin tuloksia vertaamalla saada ratkaisevaa tukea ARIMA-mallien yleensä vaikeaan rakenteen täsmentämiseen. Saadut tulokset osoittavat, että robustointi tukee mallin täsmentämistä outlierien tapauksessa. Robustien korrelaatiokertoimien tilastolliset jakaumat ovat useissa tapauksissa vähemmän huipukkaita ja symmetrisempiä (siis enemmän normaalijakauman kaltaisia) verrattuna alkuperäisen menetelmän tuottamiin korrelaatiokertoimien otosjakaumiin. Vastaavanlaisia jakaumatuloksia (ei-robusti ja robusti) ei ole kirjallisuudessa julkaistu aiemmin.

Jatkotutkimusta voisi kohdistaa esimerkiksi outlieri-tiheyden ja ­tyyppien eri yhdistelmien analysointiin. Menetelmän sisäisiä testaus- ja laskentamenettelyjä voidaan kehitellä edelleen. Tehokkaat tietokoneet, jotka ovat mahdollistaneet tässä tehdyt analyysit, antavat oivan ympäristön myös jatkokehittelyyn.
 
Kokoelmat
  • Väitöskirjat [4096]
Kalevantie 5
PL 617
33014 Tampereen yliopisto
oa[@]tuni.fi | Yhteydenotto | Tietosuoja | Saavutettavuusseloste
 

 

Selaa kokoelmaa

TekijätNimekkeetTiedekunta (2019 -)Tiedekunta (- 2018)Tutkinto-ohjelmat ja opintosuunnatAvainsanatJulkaisuajatKokoelmat

Omat tiedot

Kirjaudu sisäänRekisteröidy
Kalevantie 5
PL 617
33014 Tampereen yliopisto
oa[@]tuni.fi | Yhteydenotto | Tietosuoja | Saavutettavuusseloste