بازه های پیشگویی بوت استرپ بلوکی در سری های زمانی

تحلیل سری های زمانی که داده هایی از مشاهدات یک پدیده در طول زمان هستند، یکی از مسائل مهم و متداول در مباحث آماری است که در اقتصاد سنجی کاربرد دارد. از جمله مسائل مهم در تحلیل سری های زمانی، پیشگویی مشاهدات آینده است. به طور معمول گام اول در تحلیل این گونه داده ها شناسایی و برازش مدل است که در راستای آن نیاز است، پارامترهای مدل به روشی مناسب برآورد شوند و معمولاً وجود فرضیاتی مانند نرمال بودن باقیمانده ها الزامی است. از آنجا که این فرضیات ممکن است همواره برقرار نباشند، می توان از روش های بازنمونه گیری بوت استرپ استفاده نمود. این روش ها بر اساس نمونه ی مشاهده شده است و در آن برقراری فرضیاتی مانند مشخص بودن توزیع باقیمانده ها الزامی نیست. در این مقاله ابتدا روش های بوت استرپ بلوکی که یک روش ناپارامتری است، ارائه می شوند. سپس روش بلوکی مشاهدات گمشده برای حفظ ساختار وابستگی بین بلوک ها ارائه می گردد. در ادامه در یک مطالعه ی شبیه سازی روش های معرفی شده مورد مقایسه عددی قرار می گیرند. در نهایت روش های بوت استرپ بلوکی برای برآورد مقادیر اینده در تحلیل داده های اقتصادی مورد استفاده قرار می گیرند.

کلیدواژه ها:

بازه ی پیشگویی ، بوتاسترپ بلوک متحرک ، بوتاسترپ بلوکی مشاهدات گمشده ، شبیه سازی مونت کارلو