Wybrane aspekty nieparametrycznego prognozowania nieliniowych szeregów czasowych

• Authors: Orzeszko Witold

Title variants

Several Aspects of Nonparametric Prediction of Nonlinear Time Series

• Languages of publication: PL

Keywords

regresja nieparametryczna; nieparametryczne prognozowanie; metody jądrowe; nieliniowe szeregi czasowe; analiza Monte Carlo

• Publisher: Główny Urząd Statystyczny
• Journal: Przegląd Statystyczny
• Year: 2018
• Volume: 65
• Issue: 1
• Pages: 7-24

Contributors

author

Orzeszko Witold

• Uniwersytet Mikołaja Kopernika w Toruniu, Wydział Nauk Ekonomicznych i Zarządzania, Katedra Zastosowań Informatyki i Matematyki w Ekonomii

References

• Bowman A. W., Azzalini A., (1997), Applied Smoothing Techniques for Data Analysis: The Kernel Approach with S-Plus Illustrations, Clarendon Press, Oxford.
• Brock W. A., Dechert W. D., Scheinkman J. A., LeBaron B., (1996), A Test for Independence Based on the Correlation Dimension, Econometric Reviews, 15 (3), 197–235.
• Bruzda J., (2007), Procesy nieliniowe i zależności długookresowe w ekonomii. Analiza kointegracji nieliniowej, Wydawnictwo Naukowe UMK, Toruń.
• Diks C., Panchenko V., (2007), Nonparametric Tests for Serial Independence Based on Quadratic Forms, Statistica Sinica, 17, 81–98.
• Fan J., Gijbels I., (1992), Variable Bandwidth and Local Linear Regression Smoothers, Annals of Statistics, 20 (4), 2008–2036.
• Fan J., Yao Q., (2005), Nonlinear Time Series. Nonparametric and Parametric Methods, Springer, New York.
• Finkenstädt B., Kuhbier P., (1995), Forecasting Nonlinear Economic Time Series: A Simple Test to Accompany the Nearest Neighbor Approach, Empirical Economics, 20, 243–263.
• Gajek L., Kałuszka M., (1996), Wnioskowanie statystyczne. Modele i metody, Wydawnictwa Naukowo-Techniczne, Warszawa.
• Granger C. W. J., Lin J-L., (1994), Using the Mutual Information Coefficient to Identify Lags in Nonlinear Models, Journal of Time Series Analysis, 15, 371–384.
• Granger C. W. J., Maasoumi E., Racine J., (2004), A Dependence Metric for Possibly Nonlinear Processes, Journal of Time Series Analysis, 25 (5), 649–669.
• Granger C. W. J., Teräsvirta T., (1992), Experiments in Modeling Nonlinear Relationships Between Time Series, w: Castagli M., Eubank S., (red.), Nonlinear Modeling and Forecasting, Redwood City, Addison-Wesley, 189–197.
• Granger C. W. J., Teräsvirta T., (1993), Modelling Nonlinear Economic Relationships, Oxford University Press.
• Härdle W., Lütkepohl H., Chen R., (1997), A Review of Nonparametric Time Series Analysis, International Statistical Review, 65 (1), 49–72.
• Hong Y., White H., (2005), Asymptotic Distribution Theory for an Entropy-Based Measure of Serial Dependence, Econometrica, 73, 837–901.
• Hyndman R. J., Bashtannyk D. M., Grunwald G. K., (1996), Estimating and Visualizing Conditional Densities, Journal of Computational and Graphical Statistics, 5, 315–336.
• Jerzman B., Kicinski W., (2009), Kernel Estimation of Probability Density Function: Properties and Parameters Optimization, Metrology and Measurement Systems, 16 (1), 85–105.
• Kosiorowski D., (2015), Two Procedures for Robust Monitoring of Probability Distributions of Economic Data Streams, Operations Research and Decisions, 55–79.
• Kulczycki P., (2005), Estymatory jądrowe w analizie systemowej, Wydawnictwa Naukowo-Techniczne, Warszawa.
• LeBaron B., (1994), Chaos and Nonlinear Forecastability in Economics and Finance, Philosophical Transactions of the Royal Society of London A, 348 (1686), 397–404.
• Markellos R. N., (2002), Nonlinear Dynamics in Economics and Finance, Working paper, Athens University of Economics and Business.
• Morley J., (2009), Macroeconomics, Nonlinear Time Series in, w: Meyers R. A., (red.), Encyclopedia of Complexity and System Science, Springer Verlag, New York, 5325–5348.
• Nadaraya E. A., (1964), On Estimating Regression, Theory of Probability and its Applications, 9 (1), 141–142.
• Orzeszko W., (2004a), Krótkoterminowe prognozowanie chaotycznych szeregów czasowych, Przegląd Statystyczny, 51 (3), 115–127.
• Orzeszko W., (2004b), How the Prediction Accuracy of Chaotic Time Series Depends on Methods of Determining the Parameters of Delay Vectors, Dynamic Econometric Models, 6, 231–239.
• Orzeszko W., (2005), Identyfikacja i prognozowanie chaosu deterministycznego w ekonomicznych szeregach czasowych, FPiAKE, PTE, Warszawa.
• Orzeszko W., (2016), Nieparametryczna identyfikacja nieliniowości w finansowych i ekonomicznych szeregach czasowych, Wydawnictwo UMK, Toruń.
• Orzeszko W., (2017), Nonparametric Testing for Serial Independence Using the NRL Statistic, Communications in Statistics - Simulation and Computation, 46 (7), 5151–5165.
• Osińska M., Górka J., (2006), Identification of Non-linearity in Economic Time Series, Dynamic Econometric Models, 7, 83-92.
• Pagan A., Ullah A., (1999), Nonparametric Econometrics, Cambridge University Press, Cambridge.
• Racine J. S., (2008), Nonparametric Econometrics: a Primer, Foundations and Trends in Econometrics, 3 (1), 1–88.
• Ramsey J. B., (1996), If Nonlinear Models Cannot Forecast, What Use are They?, Studies in Nonlinear Dynamics & Econometrics, 1 (2), 65–86.
• Rosenstein M. T., Collins J. J., De Luca C. J., (1993), A Practical Method for Calculating Largest Lyapunov Exponents from Small Data Sets, Physica D, 65, 117–134.
• Śliwicki D., (2016), Estymacja jądrowa w analizie ekonometrycznej, Wydawnictwo UMK, Toruń.
• Stelmach J., (2014), O interpretacji nieparametrycznych modeli regresyjnych, w: Barczak A. S.,
• Miśkiewicz-Nawrocka M., (red.), Studia Ekonomiczne, 203, 154–162, Uniwersytet Ekonomiczny w Katowicach.
• Stinchcombe M. B., Drukker D. M., (2013), Regression Efficacy and the Curse of Dimensionality, w: Chen X., Swanson N., (red.), Recent Advances and Future Directions in Causality, Prediction, and Specification Analysis, 527-549, Springer, New York.
• Stone C. J., (1977), Consistent Nonparametric Regression, Annals of Statistics, 5, 595–620.
• Stone C. J., (1982), Optimal Global Rates of Convergence for Nonparametric Regression, Annals of Statistics, 10, 1040–1053.
• Takens F., (1981), Detecting Strange Attractors in Turbulence, w: Rand D., Young L., (red.), Dynamical Systems and Turbulence, Springer-Verlag, 366–381.
• Wand M. P., Jones M. C., (1995), Kernel Smoothing, Chapman & Hall, London.
• Watson G. S., (1964), Smooth Regression Analysis, Sankhya: The Indian Journal of Statistics (Series A), 26 (4), 359–372.

Identifiers

DOI

10.5604/01.3001.0014.0522