| Autor(en): |
Ye Hua |
Titel: |
Macroeconomic Forecasting using Large Vector Auto
Regressive Model |
| Gutachter: |
Wolfgang K. Härdle; Song Song |
| Erscheinungsdatum: |
15.07.2011 |
| Volltext: |
pdf
(urn:nbn:de:kobv:11-100189158)
|
| Schlagwörter (ger): |
Regulierung, Zeitreihen, Vector Auto Regression, Lasso, Group Lasso, Orakel Schätzer, C13, C14, C32, E30, E40, G10 |
| Schlagwörter (eng): |
Time Series, Regularization, Vector Auto Regression, Lasso, Group Lasso, Oracle estimator, C13, C14, C32, E30, E40, G10 |
| Einrichtung: |
Humboldt-Universität zu Berlin, Wirtschaftswissenschaftliche Fakultät |
| Lizenz: |
|
| Zitationshinweis: |
Hua, Ye:
Macroeconomic Forecasting using Large Vector Auto
Regressive Model;
Masterarbeit,
Humboldt-Universität zu Berlin, Wirtschaftswissenschaftliche Fakultät , publiziert am 15.07.2011, urn:nbn:de:kobv:11-100189158
|
Metadatenexport:
 Um
den gesamten Metadatensatz im Endnote- oder
Bibtex-Format zu speichern,
klicken Sie bitte auf den entsprechenden Link.
|
Endnote
Bibtex
|
| print on demand:
Wenn
Sie auf dieses Icon klicken, können Sie
ein Druckexemplar dieser Publikation bestellen.
|
|
| Diese Seite taggen:
Diese
Icons führen auf so genannte Social-Bookmark-Systeme, auf denen Sie
Lesezeichen anlegen, persönliche Tags vergeben und Lesezeichen anderer Nutzer
ansehen können.
|
|
| Abstract (ger): |
| Viele makroökonomische Probleme erfordern die Nutzung von großen Zeitreihenpaneln. Das Large Vector Auto Regression Model (Large VAR), welches ein integriertes Model für hochdimensionale Zeitreihen darstellt, kann u.a. angewandt werden um Impulsantwortsstudien durchzuführen, verschiedene ëndogenünd ëxogenïndividualisierte Zeitreihen zu etikettieren sowie Variablen und Lag gleichzeitig auszuwählen. Diese Arbeit untersucht die Anwendung des Large VAR Prozesses für das Beseitigen der Schwierigkeiten, die aus einer Mischung aus hochdimensionaler Abhängigkeitsstruktur, serieller Korrelation und moderater Stichprobengröße stammen. Zuerst stellen wir drei Regulierungsarten für das Modell vor, dann diskutieren wir die Auswahl der Tuning-Parameter basierend auf der Datenlage, um die Prognose zu optimieren. Weiterhin präsentieren wir einen numerischen Algorithmus dafür und fassen diesen vergleichend mit weiteren Methoden zusammen. Es wird bewiesen, dass diese neue Methode über Orakel Eigenschaften verfügt. Eine empirische Analyse mit einem großen, makroökonomischen Zeitreihenpanel wird durchgeführt, um die überlegenen Ergebnisse zu illustrieren. |
| Abstract (eng): |
| Many macroeconomic problems require the exploitation of large panels of time series.
Large vector auto regressions (large VAR), a more integrated method for high dimensional time series, can be applied to conduct impulse response studies, label different time series
individualized "endogenous" and "exogeneous" and do the variable selection and lag selection
simultaneously. This work investigates the application of large VAR for addressing the
challenges coming from a mixture of high dimensional dependence structure, serial correlation and moderate sample size. We introduce the model with three kinds of regularizations first, then discuss the data driven choice of tuning parameters to optimize the forecasting performance, provide a numerical algorithm, and finally summarize comparisons among
these regularizations. The new approach is shown to enjoy the oracle properties. Empirical
analysis using large panel macroeconomic time series is considered to illustrate this new
method outperforms the existing approach. |
Zugriffsstatistik:
Die Daten für die Zugriffsstatistik der einzelnen Dokumente
wurden aus den durch AWStats aggregierten Webserver-Logs erstellt.
Sie beziehen sich auf den monatlichen Zugriff auf den Volltext sowie
auf die Startseite. Die Zugriffsstatistik wird nicht standardisiert erfasst und kann maschinelle Zugriffe enthalten.
Bei Formatversionen eines Dokuments, die aus mehreren Dateien bestehen
(insbesondere HTML), wird jeweils der monatlich höchste Zugriffswert
auf eine der Dateien (Kapitel) des Dokuments angezeigt.
Um die detaillierten Zugriffszahlen zu sehen,
fahren Sie bitte mit dem Mauszeiger
über die einzelnen Balken des Diagramms.
|
  | | | | | | | | | | | | | | | | | Jul
11 | Aug
11 | Sep
11 | Oct
11 | Nov
11 | Dec
11 | Jan
12 | Feb
12 | Apr
12 | May
12 | Jun
12 | Aug
12 | Sep
12 | Oct
12 | Nov
12 | Dec
12 | Apr
13 |
| Monat | Jul
11 | Aug
11 | Sep
11 | Oct
11 | Nov
11 | Dec
11 | Jan
12 | Feb
12 | Apr
12 | May
12 | Jun
12 | Aug
12 | Sep
12 | Oct
12 | Nov
12 | Dec
12 | | Startseite | 3 | | 2 | 2 | 1 | 1 | 8 | | 2 | 1 | | 1 | 3 | | 5 | 2 | | PDF | 25 | 37 | 21 | 34 | 16 | 29 | 14 | 35 | 41 | 38 | 36 | 22 | 15 | 29 | 48 | 33 |
Gesamtzahl der Zugriffe seit Jul 2011: - Startseite – 31 (1.82 pro Monat)
- PDF – 473 (27.82 pro Monat)
|
