نوع مقاله: مقاله پژوهشی

نویسندگان

• احد رحیم پور ¹
• مسعود یارمحمدی ²
• رحیم چینی پرداز ³
• علی شادرخ ²

¹ دانشگاه پیام نور واحد تهران شرق، تهران، ایران

² گروه آمار دانشگاه پیام نور واحد تهران شرق، تهران، ایران

³ دانشگاه شهید چمران ـدانشکده ریاضی

چکیده

وجود نقاط دورافتاده در داده‌های سری زمانی ممکن است باعث مدل‌سازی اشتباه، اریبی برآورد پارامترها و پیش‌بینی نادرست شود. در این تحقیق، برآورد جدیدِ مبتنی بر شبیه‌سازی استوار برای پارامترهای مدل ARMAی برداری معرفی شده ‌است. استواری این روش اثرات بد این نقاط بر مدل بندی را کاهش می دهد. از طرف دیگر مطالعات شبیه سازی نشان می‌دهد که در حضور داده‌های دورافتاده، میانگین توان دوم خطاهای این برآوردگر نسبت به برآوردگر ماکسیمم درستنمایی شرطی کمتر است. در ادامه مدل‌بندی داده‌های مربوط به قیمت طلا و دلار در بازار، در محدوده‌ی زمانی 06/05/92 تا 19/01/97 نشان می‌دهد که استفاده از این روش استوار در مقایسه با روش ماکسیمم درستنمایی شرطی، واریانس خطاهای این دو قیمت را به ترتیب 33 و 28 درصد کاهش می‌دهد. به عبارت دیگر استفاده از این روش، منجر به پیش‌بینی‌های بهتر با واریانس کمتر می گردد.

کلیدواژه‌ها

• نقاط دور افتاده
• مدل VARMA
• استوار سازی
• برآورد مبتنی بر شبیه‌سازی

موضوعات

• اقتصاد سنجی

عنوان مقاله [English]

Modeling golden and dollar data by robust simulation-based estimation

نویسندگان [English]

• Ahad Rahimpoor ¹
• Masoud Yarmohamadi ²
• Ali Shadrokh ²

¹ Department of Statistics Payame Noor University, Tehran, I.R of Iran

² Department of Statistics Payame Noor University P.O.Box 19395-4697, Tehran, I.R of Iran

چکیده [English]

Outliers in the time series data lead to model misspecification, biased estimation of parameters and poor forecasts. In this research, a new robust simulation-based estimation for vector ARMA models is introduced. The robustness of this method reduces the bad effects of these points in the modeling. On the other hand, the simulation studies show that the standard deviation of this estimator is lower than the conditional maximum likelihood estimator. Then the modeling of the price for the gold and dollar data in free market from 92/05/06 to 97/01/19 shows that using this robust method compared to the conditional maximum likelihood procedure reduces the standard deviation of errors of this varaiables 33 and 28 percentiles, respectively. In other words, this method will causes better predictions with lower variance.

کلیدواژه‌ها [English]

• Outlier
• robustness
• simulation-based
• VARMA model