Estimação de ordem em modelos AR, ARCH e BEKK-GARCH usando o critério EDC

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorDorea, Chang Chung Yu-
Autor(es): dc.creatorResende, Paulo Angelo Alves-
Data de aceite: dc.date.accessioned2021-10-14T17:36:03Z-
Data de disponibilização: dc.date.available2021-10-14T17:36:03Z-
Data de envio: dc.date.issued2015-04-20-
Data de envio: dc.date.issued2015-04-20-
Data de envio: dc.date.issued2015-04-20-
Data de envio: dc.date.issued2014-11-14-
Fonte completa do material: dc.identifierhttp://dx.doi.org/10.26512/2014.11.T.17954-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/capes/611746-
Descrição: dc.descriptionTese (doutorado)—Universidade de Brasília, Programa de Pós-Graduação em Matemática, 2014.-
Descrição: dc.descriptionO critério de informação EDC – Efficient Determination Criterion – foi proposto originalmente para definir uma classe de estimadores de ordem para cadeias deMarkov de espaço de estados finitos. Nesse trabalho, o conceito de modelos parcialmente aninhados é definido e a classe de estimadores EDC é estendida nesse contexto. Esses resultados são aplicados para estabelecer a consistência forte de um novo estimador de ordem para modelos Autoregressivos (AR) e para demonstrar a consistência forte de uma classe de estimadores de ordem para processos Autoregressivos de Heteroscedasticidade Condicional (ARCH) e para o caso multivariado de modelos Autoregressivos de Heteroscedasticidade Condicional Generalizado na Representação BEKK (BEKK-GARCH). Como resultado imediato, a consistência forte dos estimadores de ordem BIC para ARCH e BEKK-GARCH é estabelecida. Também é ilustrado por meio de simulações numéricas que o estimador de ordem EDC proposto para processos AR apresenta melhor performance que suas principais alternativas, os estimadores baseados nos crit´erios AIC, BIC e HQC.-
Descrição: dc.descriptionThe Efficient Determination Criterion (EDC) was originally stated to define a class of estimators for the order of a Markov chain with finite state space. In this work, we define the concept of partially nested models and extend the class of EDC estimators within this context. This framework is applied to establish the consistency for a new order estimator for Autoregressive process (AR) and to prove the consistency for a class of order estimators for Autoregressive Conditional Heteroskedasticity models (ARCH) and for a multivariate version, the Generalized Autoregressive Conditional Heteroskedasticity in the BEKK representation (BEKK-GARCH). As an immediate consequence, the strong consistency for the BIC order estimators for ARCH and BEKK-GARCH is established. Also, using numerical simulation, we show that the proposed EDC order estimator for AR performs better than the wide-known alternatives based on the criteria AIC, BIC and HQC.-
Formato: dc.formatapplication/pdf-
Direitos: dc.rightsAcesso Aberto-
Direitos: dc.rightsA concessão da licença deste item refere-se ao termo de autorização impresso assinado pelo autor com as seguintes condições: Na qualidade de titular dos direitos de autor da publicação, autorizo a Universidade de Brasília e o IBICT a disponibilizar por meio dos sites www.bce.unb.br, www.ibict.br, http://hercules.vtls.com/cgi-bin/ndltd/chameleon?lng=pt&skin=ndltd sem ressarcimento dos direitos autorais, de acordo com a Lei nº 9610/98, o texto integral da obra disponibilizada, conforme permissões assinaladas, para fins de leitura, impressão e/ou download, a título de divulgação da produção científica brasileira, a partir desta data.-
Palavras-chave: dc.subjectProcessos de Markov-
Palavras-chave: dc.subjectProcesso estocástico-
Título: dc.titleEstimação de ordem em modelos AR, ARCH e BEKK-GARCH usando o critério EDC-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional – UNB

Não existem arquivos associados a este item.