Publication: An adaptive resampling scheme for cycle estimation
Loading...
item.page.format.extent
item.page.description.firstpage
item.page.description.lastpage
Date
Publication data
item.page.date.series
item.page.date.event
item.page.organization.date
item.page.date.submitted
item.page.project.date
item.page.description.edition
Language
eng
item.page.coverage.spatial
item.page.coverage.temporal
item.page.location.country
BR
organization.page.location.country
item.page.type.events
item.page.type
item.page.degree.level
item.page.source.urlsource
ISBN
ISSN
DOI
dARK
item.page.project.ID
item.page.project.productID
Copyright Holder
Instituto de Pesquisa Econômica Aplicada (Ipea)
Access to Information
Acesso Aberto
Terms of Use
Reproduction of this text and the data it contains is allowed as long as the source is cited. Reproductions for commercial purposes are prohibited.
item.page.title.alternative
Discussion Paper 78 : An adaptive resampling scheme for cycle estimation, Um esquema de reamostragem adaptativo para a estimativa de ciclo
item.page.organization.alternative
item.page.name.variant
item.page.contributor.author
Advisor
item.page.contributor.editor
item.page.contributor.thesiscommitee
item.page.contributor.organizer
item.page.contributor.coordinator
item.page.contributor.other
item.page.relation.ispartofseries
Speaker / Moderator / Discussant
Abstract
Os modelos lineares dinâmicos (MLD) West and Harrison (1997) constituem instrumentos úteis para a previsão de curto prazo de séries de tempo porque são flexíveis e também podem decompor a trajetória da série em fatores relevantes que têm interpretação e dinâmica característica. Tais modelos, entretanto, dependem de quantidades desconhecidas, constantes ao longo da amostra, denominadas hiperparâmetros. Neste artigo, um (MLD) com componentes auto-regressivas é utilizado para descrever séries que têm componentes cíclicas. A distribuição marginal para os parâmetros de estado pode ser obtida ponderando as distribuições condicionais desses parâmetros pela distribuição marginal dos hiperparâmetros. Na maioria dos casos, a distribuição conjunta dos hiperparâmetros pode ser obtida analiticamente, mas não a distribuição marginal dos componentes, o que requer integração numérica. Propomos obter amostras de hiperparâmetros utilizando uma variante do método de amostragem e reamostragem por importância (SIR). Apresentamos uma aplicação com dados simulados e duas com dados reais.
item.page.description.abstractalternative
Bayesian dynamic linear models (DLM) are useful in time series modeling because of the flexibility that they present in obtaining a good forecast. They are based on a decomposition of the relevant factors which explain the behavior of the series through a series of state parameters. Nevertheless the DLM as developed in West & Harrison (1997) depend on additional quantities, such as the variance of the system disturbances, which, in practice, are unknown. These are refered as hyperparameters of the model. In this paper, DLM with auto-regressive components are used to describe time series showing cyclic behavior. The marginal posterior distribution for state parameters can be obtained by weighing the conditional distribution of state parameters by the marginal distribution of hyperparameters. In most cases the joint distribution of the hyperparameters can be obtained analytically but the marginal distributions of the components can not, thus requiring numerical integration. We propose to obtain samples of the hyperparameters by a variant of the Sampling Importance Resampling (SIR) method. A few applications are made with simulated and real datasets.