Una nueva prueba para el parámetro de diferenciación fraccional

Este documento presenta una nueva prueba para el parámetro de diferenciación fraccional de un modelo ARFIMA, basada en una aproximación autorregresiva de su componente a corto plazo. El comportamiento de la prueba se estudia por medio de experimentos Monte Carlo en una distribución normal, y se comp...

Full description

Autores:
Castaño, Elkin
Gómez, Karoll
Gallón, Santiago
Tipo de recurso:
Article of journal
Fecha de publicación:
2008
Institución:
Universidad Nacional de Colombia
Repositorio:
Universidad Nacional de Colombia
Idioma:
spa
OAI Identifier:
oai:repositorio.unal.edu.co:unal/40611
Acceso en línea:
https://repositorio.unal.edu.co/handle/unal/40611
http://bdigital.unal.edu.co/30708/
Palabra clave:
memoria larga
modelo ARFIMA
aproximación autorregresiva
identificación
prueba de hipótesis
diferencia fraccional
Long memory
Arfima model
Autoregressive process
Identification
Testing hypothesis
Fractional differencing
Rights
openAccess
License
Atribución-NoComercial 4.0 Internacional
Description
Summary:Este documento presenta una nueva prueba para el parámetro de diferenciación fraccional de un modelo ARFIMA, basada en una aproximación autorregresiva de su componente a corto plazo. El comportamiento de la prueba se estudia por medio de experimentos Monte Carlo en una distribución normal, y se compara con el comportamiento de algunas de las pruebas más utilizadas. Para los casos estudiados, se concluye que la nueva prueba tiene generalmente potencias superiores, conservando un tamaño adecuado. A partir de la estimación del parámetro de diferenciación fraccional usando el modelo aproximado, es posible identificar el modelo correcto para la componente a corto plazo, lo cual permite mejorar la inferencia sobre dicho parámetro. Una ventaja adicional del procedimiento propuesto es que permite probar la existencia de larga memoria en presencia de errores dependientes, como en el caso de modelos de volatilidad de la familia ARCH. Se ilustra su aplicación en un procedimiento de identificación y estimación de un modelo ARFIMA–ARCH usando datos simulados.