Estimación de datos faltantes en procesos ARIMA usando un enfoque Bayesiano

Este documento presenta una metodología Bayesiana para la estimación de los parámetros de un modelo ARIMA(p,d,q) en presencia de datos faltantes, para ello se supone que los valores p, d y q son conocidos. La metodología utiliza el muestreador de Gibbs para estimar conjuntamente los parámetros del m...

Full description

Autores:: Hernández Bejarano, Manuel Dario

Tipo de recurso:

Fecha de publicación:: 2016

Institución:: Universidad Nacional de Colombia

Repositorio:: Universidad Nacional de Colombia

Idioma:: spa

Description
Summary:	Este documento presenta una metodología Bayesiana para la estimación de los parámetros de un modelo ARIMA(p,d,q) en presencia de datos faltantes, para ello se supone que los valores p, d y q son conocidos. La metodología utiliza el muestreador de Gibbs para estimar conjuntamente los parámetros del modelo y las observaciones faltantes en la serie de tiempo. Este trabajo supera las dificultades prácticas de previas investigaciones que consideran series de tiempo con datos faltantes, ya que: (i) el error estándar de la varianza y el intercepto pueden ser estimados, (ii) es posible incluir series con una longitud mayor a 600 observaciones. Las estimaciones de los parámetros y de los datos faltantes considerando datos reales y datos simulados son similares a los obtenidos mediante la metodología frecuentista basada en la función de verosimilitud. La parte de pronóstico del análisis de series de tiempo no es considerada en éste trabajo.

Estimación de datos faltantes en procesos ARIMA usando un enfoque Bayesiano

Publicaciones similares