Detail práce

Long-term memory detection with bootstrapping techniques: empirical analysis

Autor: Bc. Branislav Albert
Rok: 2012 - letní
Vedoucí: doc. PhDr. Ladislav Krištoufek Ph.D.
Konzultant:
Typ práce: Bakalářská
Jazyk: Anglicky
Stránky: 62
Ocenění: Pochvala děkana Fakulty sociálních věd za vynikající bakalářskou práci.
Odkaz:
Abstrakt: Casová rada má dlhú pamät ak jej autokorelacná funkcia nie je absolútne konvergentná. Prítomnost
dlhej pamäte v casovej rade má dôležité následky pre konzistentnost niekolkých estimátorov z oblasti
casových rad a pre predpovedanie. V tejto práci prezentujeme ucelený prehlad modelov casových rad
nevyhnutných pre štúdium dlhej pamäte a následne sa zameriavame na množstvo parametrických a
semiparametrických estimátorov dlhej pamäte. V Monte Carlo štúdii porovnávame pravdepodobnost
chyby prvého typu a silu štyroch estimátorov, menovite R/S, DFA, GPH a metóde založenej na
Waveletoch, pre asymptoticky normálne rozdelenie estimátorov a rozdelenia získané pomocou metódy
moving block bootstrap. Zistujeme, že moving block bootstrap dokáže zlepšit pravdepodobnost chyby
prvého typu u estimátora R/S. Vo všeobecnosti však moving block bootstrap neprináša uspokojivé
výsledky. Estimátory GPH a Wavelet ponúkajú najspolahlivejšie asymptotické intervaly spolahlivosti.
Ke stažení: BP Albert
Prosinec 2017
poútstčtsone
    123
45678910
11121314151617
18192021222324
25262728293031

Partneři

ČSOB
Deloitte
McKinsey & Company

Sponzoři

CRIF