edoc-Server der Humboldt-Universität zu Berlin

Masterarbeit

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: Namensnennung (CC BY)
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.
  • connotea
  • del.icio.us
  • Furl
  • RawSugar

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.
PDF: 37 Zugriffe Startseite: 2 Zugriffe PDF: 21 Zugriffe Startseite: 2 Zugriffe PDF: 34 Zugriffe Startseite: 1 Zugriffe PDF: 16 Zugriffe Startseite: 1 Zugriffe PDF: 29 Zugriffe Startseite: 8 Zugriffe PDF: 14 Zugriffe PDF: 35 Zugriffe Startseite: 2 Zugriffe PDF: 41 Zugriffe Startseite: 1 Zugriffe PDF: 38 Zugriffe PDF: 36 Zugriffe Startseite: 1 Zugriffe PDF: 22 Zugriffe Startseite: 3 Zugriffe PDF: 15 Zugriffe PDF: 29 Zugriffe Startseite: 5 Zugriffe PDF: 48 Zugriffe Startseite: 2 Zugriffe PDF: 33 Zugriffe PDF: 54 Zugriffe PDF: 33 Zugriffe PDF: 38 Zugriffe PDF: 39 Zugriffe Startseite: 1 Zugriffe PDF: 39 Zugriffe PDF: 26 Zugriffe Startseite: 3 Zugriffe PDF: 44 Zugriffe PDF: 18 Zugriffe PDF: 17 Zugriffe Startseite: 4 Zugriffe PDF: 24 Zugriffe Startseite: 2 Zugriffe PDF: 18 Zugriffe Startseite: 2 Zugriffe PDF: 31 Zugriffe Startseite: 1 Zugriffe PDF: 30 Zugriffe Startseite: 8 Zugriffe PDF: 46 Zugriffe Startseite: 2 Zugriffe PDF: 35 Zugriffe
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
Jan
13
Feb
13
Mar
13
Apr
13
May
13
Jun
13
Jul
13
Aug
13
Sep
13
Oct
13
Nov
13
Dec
13
Jan
14
Feb
14
Mar
14
Monat 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
Jan
13
Feb
13
Mar
13
Apr
13
May
13
Jun
13
Jul
13
Aug
13
Sep
13
Oct
13
Nov
13
Dec
13
Jan
14
Feb
14
Mar
14
Startseite   2 2 1 1 8   2 1   1 3   5 2         1   3     4 2 2 1 8 2
PDF 37 21 34 16 29 14 35 41 38 36 22 15 29 48 33 54 33 38 39 39 26 44 18 17 24 18 31 30 46 35

Gesamtzahl der Zugriffe seit Aug 2011:

  • Startseite – 51 (1.76 pro Monat)
  • PDF – 940 (31.33 pro Monat)
 
 
Generiert am 21.04.2014, 04:45:42