Tesis:
Modelo dinámico multivariado de localización con intervención :

Imagen por defecto
Fecha
2022
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad del Bío-Bío. Departamento de Matemática
Resumen
En esta tesis estudiamos y aplicamos una clase de modelos de series de tiempo guiados por observación denominados Modelos Dinámicos Condicionales de Score (DCS). El mecanismo para actualizar los parámetros a lo largo del tiempo es la función score de la función de verosimilitud. Este enfoque proporciona un marco unificado y consistente para introducir parámetros variables en el tiempo en una amplia clase de modelos no lineales resistentes a las observaciones atípicas, lo que mejora su rendimiento estadístico en comparación con los modelos clásicos. Para el modelo Seasonal-t-QVAR el cual es un modelo dinámico multivariante de localización guiado por la score, se presenta la formulación econométrica, el cálculo de la función de respuesta al impulso (IRF), la estimación de Máxima Verosimilitud (MV) y las condiciones de las propiedades asintóticas de MV que incluyen la invertibilidad. La aplicación presentada compara los modelos Seasonal-t-QVAR con el modelo Seasonal-Gaussian-VARMA (VAR Moving Average) o modelo clásico. Además, se incorpora a estos modelos un análisis de intervención para capturar los efectos de la pandemia producidos en las variables macroeconómicas de inflación y desempleo de Estados Unidos para el período febrero de 1948 a febrero de 2022.
In this thesis we study and apply a class of observation-driven time series models called Dynamic Conditional Score Models (DCS). The mechanism for updating the parameters over time is the score function of the likelihood function. This approach provides a unified and consistent framework for introducing time-varying parameters into a broad class of nonlinear models resistant to outliers, improving their statistical performance compared to classical models. For the Seasonal-t-QVAR model, which is a dynamic multivariate location model driven by the score, we present the econometric formulation, the calculation of the Impulse Response Function (IRF), Maximum Likelihood (ML) estimation, and the conditions for the asymptotic properties of ML, including invertibility. The presented application compares the Seasonal-t-QVAR models with the Seasonal-Gaussian-VARMA (VAR Moving Average) model or classical model. In addition, an intervention analysis is incorporated into these models to capture the effects of the pandemic on the macroeconomic variables of inflation and unemployment in the United States for the period from February 1948 to February 2022.
Descripción
Tesis (Magíster en Matemática. Mención Estadística)
Palabras clave
Análisis de series de tiempo, Análisis estadístico multivariable, Sistemas no lineales, Modelos matemáticos, Modelo dinámico condicional de score (DCS), Modelo de localización dinámico multivariante no lineal, Modelo estacional de quasi-vector autorregresivo (QVAR)
Citación
Colecciones