RT Dissertation/Thesis
T1 Topics in density forecast in stationary parametric univariate time series models
A1 Gonçalves Mazzeu, Joao Henrique
AB In this thesis we study the computation and evaluation of density forecasts under modeluncertainty in time series univariate models. First, we analyze the effects of uncertainty ondensity forecasts of linear univariate ARMA models. We consider three specific sources ofuncertainty: parameter estimation, error distribution and lag order. For moderate sample sizes,as those usually encountered in practice, the most important source of uncertainty is the errordistribution. We consider alternative procedures proposed to deal with each of these sourcesof uncertainty and compare their finite sample properties by Monte Carlo experiments. In particular,we analyze asymptotic, Bayesian and bootstrap procedures, including some very recentprocedures which have not been previously compared in the literature. Second, we propose anextension of the Generalized Autocontour (G-ACR) tests of González-Rivera and Sun (2015) forone-step-ahead dynamic specifications of conditional densities in-sample and of forecast densitiesout-of-sample. The new tests are based on probability integral transforms (PITs) computed frombootstrap conditional densities that incorporate the parameter uncertainty without assuming anyparticular forecast error density. Consequently, the parametric specification of the conditionalmoments can be tested without relying on any particular error distribution. We show that theasymptotic distributions of the bootstrapped G-ACR (BG-ACR) tests are well approximated usingstandard asymptotic distributions. Furthermore, the proposed tests are easy to implement and areaccompanied by graphical tools which provide suggestions about the potential misspecification.The results are illustrated by testing the dynamic specification of the Heterogenous autoregressive(HAR) model when fitted to the popular U.S. volatility index VIX.
AB En esta tesis estudiamos la construcción y evaluación de densidades de previsión bajo incertidumbre de modelo en modelos de series temporales univariantes. Primero, analizamoslos efectos de la incertidumbre en las densidades de previsión de modelos ARMA univarianteslineales. Consideramos tres fuentes específicas de incertidumbre: estimación de los parámetros,distribución de los errores y la orden del desfase. Para muestras de tamaño moderado,como aquellas que se encuentran normalmente en la práctica, la fuente más importante deincertidumbre es la de la distribución de los errores. Consideramos procedimientos alternativospropuestos para tratar cada una de esas fuentes de incertidumbre y comparamos sus propiedadespara muestras finitas por medio de experimentos de Monte Carlo. En particular, analizamosprocedimientos asintóticos, Bayesianos y de bootstrap, incluyendo algunos procedimientos muyrecientes los cuales no han sido previamente comparados en la literatura. Segundo, proponemosuna extensión del test Generalized Autocontour (G-ARC) de González-Rivera and Sun (2015)para las especificaciones dinámicas de un-paso-adelante de densidades condicionadas in-sampley densidades de predicción out-of-sample. Los nuevos tests están basados en la transformaciónde probabilidad integral (PITs) calculados por medio de densidades condicionadas de boostrapque incorporan la incertidumbre de parámetros sin asumir ninguna densidad particular del errorde predicción. Como consecuencia, la especificación paramétrica de los momentos condicionadospuede ser testeada sin basarse en ninguna distribución particular del error. Demostramos que lasdistribuciones de los tests de boostrap G-ARC (BG-ACR) están bien aproximadas cuando usandodistribuciones asintóticas estándar. Además, los tests propuestos son fáciles de implementary están acompañados por herramientas gráficas, las cuáles proveen recomendaciones sobre la posible mala especificación del modelo. Los resultados son ilustrados testeando la especificacióndinámica del modelo autorregresivo hetereogéneo (HAR) cuando se ajusta al popular índice devolatilidad norteamericano VIX.
YR 2016
FD 2016-11
LK https://hdl.handle.net/10016/24034
UL https://hdl.handle.net/10016/24034
LA eng
DS e-Archivo
RD 18 may. 2024