Identificación del modelo TAR cuando el proceso de ruido sigue una distribución generalizada del error y verificación empírica de la estimación de los parámetros
En este trabajo de grado se identifican los órdenes autorregresivos del modelo TAR (threshold autoregressive) asumiendo los demás parámetros estructurales conocidos tomando como referencia paquete TAR de Zhang and Nieto (2017), adecuándolo a modelos TAR con ruido GED (distribución generalizada del e...
- Autores:
-
Castro Toloza, Deysi Yurany
- Tipo de recurso:
- Masters Thesis
- Fecha de publicación:
- 2020
- Institución:
- Universidad Santo Tomás
- Repositorio:
- Universidad Santo Tomás
- Idioma:
- OAI Identifier:
- oai:repository.usta.edu.co:11634/22347
- Acceso en línea:
- http://hdl.handle.net/11634/22347
- Palabra clave:
- TAR Models
GED noise
Gibbs sampler
Monte Carlo
Bayesian estimation
Instrumental variables (Statistics)
Estimation theory
Variables instrumentales (Estadística)
Teoría de estimación
Estadística para administradores -- Casos
Modelos TAR
Ruido GED
Monte Carlo
Estimación bayesiana
Muestreador de Gibbs
- Rights
- openAccess
- License
- CC0 1.0 Universal
id |
SantoToma2_0f70748fa5561865209589414d5ded39 |
---|---|
oai_identifier_str |
oai:repository.usta.edu.co:11634/22347 |
network_acronym_str |
SantoToma2 |
network_name_str |
Universidad Santo Tomás |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Identificación del modelo TAR cuando el proceso de ruido sigue una distribución generalizada del error y verificación empírica de la estimación de los parámetros |
title |
Identificación del modelo TAR cuando el proceso de ruido sigue una distribución generalizada del error y verificación empírica de la estimación de los parámetros |
spellingShingle |
Identificación del modelo TAR cuando el proceso de ruido sigue una distribución generalizada del error y verificación empírica de la estimación de los parámetros TAR Models GED noise Gibbs sampler Monte Carlo Bayesian estimation Instrumental variables (Statistics) Estimation theory Variables instrumentales (Estadística) Teoría de estimación Estadística para administradores -- Casos Modelos TAR Ruido GED Monte Carlo Estimación bayesiana Muestreador de Gibbs |
title_short |
Identificación del modelo TAR cuando el proceso de ruido sigue una distribución generalizada del error y verificación empírica de la estimación de los parámetros |
title_full |
Identificación del modelo TAR cuando el proceso de ruido sigue una distribución generalizada del error y verificación empírica de la estimación de los parámetros |
title_fullStr |
Identificación del modelo TAR cuando el proceso de ruido sigue una distribución generalizada del error y verificación empírica de la estimación de los parámetros |
title_full_unstemmed |
Identificación del modelo TAR cuando el proceso de ruido sigue una distribución generalizada del error y verificación empírica de la estimación de los parámetros |
title_sort |
Identificación del modelo TAR cuando el proceso de ruido sigue una distribución generalizada del error y verificación empírica de la estimación de los parámetros |
dc.creator.fl_str_mv |
Castro Toloza, Deysi Yurany |
dc.contributor.advisor.spa.fl_str_mv |
Zhang, Hanwen |
dc.contributor.author.spa.fl_str_mv |
Castro Toloza, Deysi Yurany |
dc.contributor.orcid.spa.fl_str_mv |
https://orcid.org/0000-0001-9948-791X |
dc.contributor.googlescholar.spa.fl_str_mv |
https://scholar.google.es/citations?user=nE0TiBwAAAAJ&hl=es |
dc.contributor.cvlac.spa.fl_str_mv |
http://scienti.colciencias.gov.co:8081/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001058754 |
dc.contributor.corporatename.none.fl_str_mv |
Universidad Santo Tomás |
dc.subject.keyword.spa.fl_str_mv |
TAR Models GED noise Gibbs sampler Monte Carlo Bayesian estimation Instrumental variables (Statistics) Estimation theory |
topic |
TAR Models GED noise Gibbs sampler Monte Carlo Bayesian estimation Instrumental variables (Statistics) Estimation theory Variables instrumentales (Estadística) Teoría de estimación Estadística para administradores -- Casos Modelos TAR Ruido GED Monte Carlo Estimación bayesiana Muestreador de Gibbs |
dc.subject.lemb.spa.fl_str_mv |
Variables instrumentales (Estadística) Teoría de estimación |
dc.subject.lemb.none.fl_str_mv |
Estadística para administradores -- Casos |
dc.subject.proposal.spa.fl_str_mv |
Modelos TAR Ruido GED Monte Carlo Estimación bayesiana Muestreador de Gibbs |
description |
En este trabajo de grado se identifican los órdenes autorregresivos del modelo TAR (threshold autoregressive) asumiendo los demás parámetros estructurales conocidos tomando como referencia paquete TAR de Zhang and Nieto (2017), adecuándolo a modelos TAR con ruido GED (distribución generalizada del error). Se realiza la continuación del trabajo realizado en Castro (2016) empleando simulaciones de Monte Carlo con el fin de garantizar los resultados teóricos realizados. |
publishDate |
2020 |
dc.date.accessioned.spa.fl_str_mv |
2020-04-09T00:05:45Z |
dc.date.available.spa.fl_str_mv |
2020-04-09T00:05:45Z |
dc.date.issued.spa.fl_str_mv |
2020-02-19 |
dc.type.local.spa.fl_str_mv |
Tesis de maestría |
dc.type.version.none.fl_str_mv |
info:eu-repo/semantics/acceptedVersion |
dc.type.category.spa.fl_str_mv |
Formación de Recurso Humano para la Ctel: Trabajo de grado de Maestría |
dc.type.coar.none.fl_str_mv |
http://purl.org/coar/resource_type/c_bdcc |
dc.type.drive.none.fl_str_mv |
info:eu-repo/semantics/masterThesis |
format |
http://purl.org/coar/resource_type/c_bdcc |
status_str |
acceptedVersion |
dc.identifier.citation.spa.fl_str_mv |
Castro, D. Y. (2020). Identificación del modelo TAR cuando el proceso de ruido sigue una distribución generalizada del error y verificación empírica de la estimación de los parámetros (Trabajo de Maestría en Estadística Aplicada). Universidad Santo Tomás. Bogotá, Colombia. |
dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/11634/22347 |
dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repository.usta.edu.co |
identifier_str_mv |
Castro, D. Y. (2020). Identificación del modelo TAR cuando el proceso de ruido sigue una distribución generalizada del error y verificación empírica de la estimación de los parámetros (Trabajo de Maestría en Estadística Aplicada). Universidad Santo Tomás. Bogotá, Colombia. repourl:https://repository.usta.edu.co |
url |
http://hdl.handle.net/11634/22347 |
dc.relation.references.spa.fl_str_mv |
Castro, D. (2016). Estimaci´on del modelo autorregresivo de umbrales cuando el proceso de ruido sigue una distribuci´on de error generalizada. Descargado de https://hdl.handle.net/11634/3829 Moreno, E., y Nieto, F. H. (2014). Modelos tar en series de tiempo financieras. Comunicaciones en estad´ıstica, 7 (2), 203-222. Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econom´etrica, 59 , 347-370. Nieto, F. H. (2005). Modeling bivariate threshold autoregressive processes in the presence of missing data. Communications in Statistics Theory and Methods, 34 , 905930. Nieto, F. H., Zhang, H., y Li, W. (2013). Using the reversible jump mcmc procedure for identifying and estimating univariate tar models. Communications in Statistics - Simulation and Computation, 42 (4), 814-840. Descargado de https://doi.org/10.1080/03610918.2012.655827 P. Carlin, B., y Chib, S. (1995, 01). Bayesian model choice via markov chain monte carlo methods. , 57 , 142-170. R. Vasudeva, J. V. K. (2013, 10). On general error distributions. ProbStat Forum, 06 , 8995. Descargado de www.probstat.org.in Tong, H. (1978). On a threshold model in pattern recognition and signal processing (C. H. Chen ed.). Sijhoff & Noordhoff: Amsterdam. Tong, H. (2011). Threshold models in time series analysis - 30 years on. Statistics and its Interface, 4 , 107-118-. Tong, H. (2015). Threshold models in time series analysis - some reflections. Journal of Econometrics, 189 (2), 485 - 491. Descargado de http://www.sciencedirect.com/science/article/pii/ S0304407615001177 (Frontiers in Time Series and Financial Econometrics) doi: https://doi.org/ 10.1016/j.jeconom.2015.03.039 Tong, H., y Lim, K. S. (1980). Threshold autoregression, limit cycles and cyclical data. Journal of the Royal Statistical Society. Series B (Methodological), 42 (3), 245–292. Descargado de http:// www.jstor.org/stable/2985164 Zhang, H. (2011). Estimaci´on de los modelos tar cuando el proceso del ruido sigue una distribuci´on t. Comunicaciones en estad´ıstica, 4 (2), 109-119. Zhang, H., y Nieto, F. H. (2015). TAR Modeling with Missing Data when the White Noise Process Follows a Student’s t-Distribution. Revista Colombiana de Estad´ıstica, 38 (1), 239-266. Zhang, H., y Nieto, F. H. (2015). TAR Modeling with Missing Data when the White Noise Process Follows a Student’s t-Distribution. Revista Colombiana de Estad´ıstica, 38 (1), 239-266. Zhang and Nieto. (2017). R: Bayesian modeling of autoregressive threshold time series models [Manual de software inform´atico]. Bogot´a, Colombia. Descargado de http://www.R-project.org/ |
dc.rights.*.fl_str_mv |
CC0 1.0 Universal |
dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/publicdomain/zero/1.0/ |
dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) |
dc.rights.accessrights.none.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.coar.none.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
rights_invalid_str_mv |
CC0 1.0 Universal http://creativecommons.org/publicdomain/zero/1.0/ Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.format.mimetype.spa.fl_str_mv |
application/pdf |
dc.coverage.campus.spa.fl_str_mv |
CRAI-USTA Bogotá |
institution |
Universidad Santo Tomás |
bitstream.url.fl_str_mv |
https://repository.usta.edu.co/bitstream/11634/22347/4/2020deysicastro.pdf https://repository.usta.edu.co/bitstream/11634/22347/5/cartaaprobaci%c3%b3nfacultad.pdf https://repository.usta.edu.co/bitstream/11634/22347/9/cartaderechosdeautor.pdf https://repository.usta.edu.co/bitstream/11634/22347/7/license_rdf https://repository.usta.edu.co/bitstream/11634/22347/8/license.txt https://repository.usta.edu.co/bitstream/11634/22347/10/2020deysicastro.pdf.jpg https://repository.usta.edu.co/bitstream/11634/22347/11/cartaaprobaci%c3%b3nfacultad.pdf.jpg https://repository.usta.edu.co/bitstream/11634/22347/12/cartaderechosdeautor.pdf.jpg |
bitstream.checksum.fl_str_mv |
35eda82ac647302b3dce6542b955be66 0ef330df5bcda0e75b7465f724dc8ebb 1f9048c3323166c4b4db4118eb031486 42fd4ad1e89814f5e4a476b409eb708c f6b8c5608fa6b2f649b2d63e10c5fa73 6ae6f3e8b2cbdd8ff8ea3f1eb56f9f4f c4ee372d8c73454b7f24b65faed87545 3efadefd7654853a13ba379e399a82b0 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio Universidad Santo Tomás |
repository.mail.fl_str_mv |
repositorio@usantotomas.edu.co |
_version_ |
1800786374196985856 |
spelling |
Zhang, HanwenCastro Toloza, Deysi Yuranyhttps://orcid.org/0000-0001-9948-791Xhttps://scholar.google.es/citations?user=nE0TiBwAAAAJ&hl=eshttp://scienti.colciencias.gov.co:8081/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0001058754Universidad Santo Tomás2020-04-09T00:05:45Z2020-04-09T00:05:45Z2020-02-19Castro, D. Y. (2020). Identificación del modelo TAR cuando el proceso de ruido sigue una distribución generalizada del error y verificación empírica de la estimación de los parámetros (Trabajo de Maestría en Estadística Aplicada). Universidad Santo Tomás. Bogotá, Colombia.http://hdl.handle.net/11634/22347repourl:https://repository.usta.edu.coEn este trabajo de grado se identifican los órdenes autorregresivos del modelo TAR (threshold autoregressive) asumiendo los demás parámetros estructurales conocidos tomando como referencia paquete TAR de Zhang and Nieto (2017), adecuándolo a modelos TAR con ruido GED (distribución generalizada del error). Se realiza la continuación del trabajo realizado en Castro (2016) empleando simulaciones de Monte Carlo con el fin de garantizar los resultados teóricos realizados.This paper considers the identification of autoregressive orders of the TAR (Threshold AutoRegressive) model assuming the other structural parameters known based in the TAR package of Zhang and Nieto (2017), adapting it to TAR models with GED noise (generalized error distribution). Additionally, is continued the work in Castro 2016, using Monte Carlo simulations with the purpose of improving the theoretical results performed.Magíster en estadística aplicadahttp://unidadinvestigacion.usta.edu.coMaestríaapplication/pdfCC0 1.0 Universalhttp://creativecommons.org/publicdomain/zero/1.0/Abierto (Texto Completo)info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Identificación del modelo TAR cuando el proceso de ruido sigue una distribución generalizada del error y verificación empírica de la estimación de los parámetrosTAR ModelsGED noiseGibbs samplerMonte CarloBayesian estimationInstrumental variables (Statistics)Estimation theoryVariables instrumentales (Estadística)Teoría de estimaciónEstadística para administradores -- CasosModelos TARRuido GEDMonte CarloEstimación bayesianaMuestreador de GibbsTesis de maestríainfo:eu-repo/semantics/acceptedVersionFormación de Recurso Humano para la Ctel: Trabajo de grado de Maestríahttp://purl.org/coar/resource_type/c_bdccinfo:eu-repo/semantics/masterThesisCRAI-USTA BogotáCastro, D. (2016). Estimaci´on del modelo autorregresivo de umbrales cuando el proceso de ruido sigue una distribuci´on de error generalizada. Descargado de https://hdl.handle.net/11634/3829Moreno, E., y Nieto, F. H. (2014). Modelos tar en series de tiempo financieras. Comunicaciones en estad´ıstica, 7 (2), 203-222.Nelson, D. B. (1991). Conditional heteroskedasticity in asset returns: A new approach. Econom´etrica, 59 , 347-370.Nieto, F. H. (2005). Modeling bivariate threshold autoregressive processes in the presence of missing data. Communications in Statistics Theory and Methods, 34 , 905930.Nieto, F. H., Zhang, H., y Li, W. (2013). Using the reversible jump mcmc procedure for identifying and estimating univariate tar models. Communications in Statistics - Simulation and Computation, 42 (4), 814-840. Descargado de https://doi.org/10.1080/03610918.2012.655827P. Carlin, B., y Chib, S. (1995, 01). Bayesian model choice via markov chain monte carlo methods. , 57 , 142-170.R. Vasudeva, J. V. K. (2013, 10). On general error distributions. ProbStat Forum, 06 , 8995. Descargado de www.probstat.org.inTong, H. (1978). On a threshold model in pattern recognition and signal processing (C. H. Chen ed.). Sijhoff & Noordhoff: Amsterdam.Tong, H. (2011). Threshold models in time series analysis - 30 years on. Statistics and its Interface, 4 , 107-118-.Tong, H. (2015). Threshold models in time series analysis - some reflections. Journal of Econometrics, 189 (2), 485 - 491. Descargado de http://www.sciencedirect.com/science/article/pii/ S0304407615001177 (Frontiers in Time Series and Financial Econometrics) doi: https://doi.org/ 10.1016/j.jeconom.2015.03.039Tong, H., y Lim, K. S. (1980). Threshold autoregression, limit cycles and cyclical data. Journal of the Royal Statistical Society. Series B (Methodological), 42 (3), 245–292. Descargado de http:// www.jstor.org/stable/2985164Zhang, H. (2011). Estimaci´on de los modelos tar cuando el proceso del ruido sigue una distribuci´on t. Comunicaciones en estad´ıstica, 4 (2), 109-119.Zhang, H., y Nieto, F. H. (2015). TAR Modeling with Missing Data when the White Noise Process Follows a Student’s t-Distribution. Revista Colombiana de Estad´ıstica, 38 (1), 239-266.Zhang, H., y Nieto, F. H. (2015). TAR Modeling with Missing Data when the White Noise Process Follows a Student’s t-Distribution. Revista Colombiana de Estad´ıstica, 38 (1), 239-266.Zhang and Nieto. (2017). R: Bayesian modeling of autoregressive threshold time series models [Manual de software inform´atico]. Bogot´a, Colombia. Descargado de http://www.R-project.org/ORIGINAL2020deysicastro.pdf2020deysicastro.pdfapplication/pdf1009589https://repository.usta.edu.co/bitstream/11634/22347/4/2020deysicastro.pdf35eda82ac647302b3dce6542b955be66MD54open accesscartaaprobaciónfacultad.pdfcartaaprobaciónfacultad.pdfapplication/pdf54096https://repository.usta.edu.co/bitstream/11634/22347/5/cartaaprobaci%c3%b3nfacultad.pdf0ef330df5bcda0e75b7465f724dc8ebbMD55metadata only accesscartaderechosdeautor.pdfcartaderechosdeautor.pdfapplication/pdf146629https://repository.usta.edu.co/bitstream/11634/22347/9/cartaderechosdeautor.pdf1f9048c3323166c4b4db4118eb031486MD59metadata only accessCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8701https://repository.usta.edu.co/bitstream/11634/22347/7/license_rdf42fd4ad1e89814f5e4a476b409eb708cMD57open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-8807https://repository.usta.edu.co/bitstream/11634/22347/8/license.txtf6b8c5608fa6b2f649b2d63e10c5fa73MD58open accessTHUMBNAIL2020deysicastro.pdf.jpg2020deysicastro.pdf.jpgIM Thumbnailimage/jpeg8172https://repository.usta.edu.co/bitstream/11634/22347/10/2020deysicastro.pdf.jpg6ae6f3e8b2cbdd8ff8ea3f1eb56f9f4fMD510open accesscartaaprobaciónfacultad.pdf.jpgcartaaprobaciónfacultad.pdf.jpgIM Thumbnailimage/jpeg6528https://repository.usta.edu.co/bitstream/11634/22347/11/cartaaprobaci%c3%b3nfacultad.pdf.jpgc4ee372d8c73454b7f24b65faed87545MD511metadata only accesscartaderechosdeautor.pdf.jpgcartaderechosdeautor.pdf.jpgIM Thumbnailimage/jpeg7518https://repository.usta.edu.co/bitstream/11634/22347/12/cartaderechosdeautor.pdf.jpg3efadefd7654853a13ba379e399a82b0MD512metadata only access11634/22347oai:repository.usta.edu.co:11634/223472022-10-10 15:51:44.457open accessRepositorio Universidad Santo Tomásrepositorio@usantotomas.edu.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 |