Forecasting with Multivariate Threshold Autoregressive Models

• Autores: Sergio Alejandro Calderón Villanueva, Fabio H. Nieto
• Localización: Revista Colombiana de Estadística, ISSN-e 2389-8976, ISSN 0120-1751, Vol. 44, Nº. 2, 2021, págs. 369-383
• Idioma: inglés
• DOI: 10.15446/rce.v44n2.91356
• Títulos paralelos:
  • Pronósticos con modelos multivariados autorregresivos de umbrales
• Enlaces
  • Texto completo
• Resumen
  • español

    Resumen Una etapa importante en el análisis de series de tiempo es el pronóstico de las variables de interés. Sin embargo, el pronóstico en modelos de series de tiempo no lineales no es directo como en el caso de modelos lineales de series de tiempo porque obtener la forma analítica exacta de la esperanza condicional no es fácil. En este artículo, un procedimiento de pronóstico con modelos multivariados autorregresivos de umbrales(MTAR) es propuesta vía las llamadas distribuciones predictivas en el enfoque Bayesiano. Esta estrategia nos entrega tanto los pronósticos del vector de respuesta, como el de las variables exógenas. Los porcentajes de cobertura de los intervalos de pronósticos y la variabilidad de las distribuciones predictivas son analizadas en este trabajo. Una aplicación al campo de la hidrología es presentada.

  • English

    Abstract An important stage in the analysis of time series is forecasting of the interest variables. However, the forecasting in non-linear time series models is not straightforward as in linear time series models because an exact analytical expression for the conditional expectation it is not easy to obtain. In this paper, a procedure for forecasting with multivariate threshold autoregressive(MTAR) models is proposed via the so-called predictive distributions in the Bayesian approach. This strategy gives us the forecasts for the response and exogenous variable vectors. The coverage percentages of the forecast intervals and the variability of the predictive distributions are analyzed in this work. An application in the Hydrology field is presented.

• Referencias bibliográficas
  • Calderon, S.,Nieto, F. (2017). Bayesian analysis of Multivariate Threshold Autoregressive Models with Missing Data’. Communications in Statistics:...
  • De Gooijer, J. G.,Vidiella-i Anguera, A. (2004). Forecasting threshold cointegrated systems’. International Journal of Forecasting. 20. 237
  • Dellaportas, P.,Forster, J.,Ntzoufras, I. (2002). ‘On Bayesian model and variable selection using MCMC’. Statistics and Computing. 12. 27-36
  • Geweke, J.,Amisano, G. Comparing and evaluating Bayesian predictive distributions of asset returns’. International Journal of Forecasting....
  • Harvey, A. (1989). Forecasting, structural time series model and the Kalman filter. Cambridge University Press. Cambridge.
  • Kock, A. B.,Teräsvirta, T. (2011). The Oxford Handbook of Economic Forecasting’. Oxford University Press. Oxford.
  • Kwon, Y. (2003). Bayesian Analysis of Threshold Autoregressive Models. University of Tennessee. Knoxville.
  • Kwon, Y.,Bozdogan, H.,Bensmail, H. (2009). ‘Performance of Model Selection Criteria in Bayesian Threshold VAR (TVAR) Models’. Econometric...
  • Meyn, S.,Tweedie, R.
  • Nieto, F. (2005). Modeling Bivariate Threshold Autoregressive Processes in the Presence of Missing Data’. Communications in Statistics - Theory...
  • Nieto, F. (2008). ‘Forecasting with univariate TAR models’. Statistical Methodology. 5. 263
  • Tong, H. (2015). ‘Threshold models in time series analysis-Some reflections’. Journal of Econometrics. 189. 485
  • Tsay, R. S. (1998). Testing and Modeling Multivariate Threshold Models’. Journal of the American Statistical Association. 93. 467
  • Tsay, R,S,Chen, R.. (2018). Nonlinear Time Series Analysis. Wiley Series in Probability and Statistics, John Wiley and Sons..
  • Vargas, L. (2012). Cálculo de la distribución predictiva en un modelo TAR. Universidad Nacional de Colombia. Colombia.
  • Wu, C.,Lee, J. (2011). ‘Forecasting Time-Varying Covariance with a Robust Bayesian Threshold Model’. Journal of Forecasting. 30. 451