Časopis za statističko računanje i simulaciju

Vol. 80, br. 7, srpanj 2010, 729–745

Najveća procjena vjerojatnosti za stacionarni multivarijant

ARFIMA procesi

Wen-Jen Tsay *

Ekonomski institut, Academia Sinica, Taipei, Tajvan, ROC

( Primljeno 14. januara 2009.; konačna verzija primljena 23. januara 2009. )

Ovaj članak razmatra maksimalnu procjenu vjerojatnosti (MLE) klase stacionarnih i invertnih-
ible vektor automatski progresivno frakcijski integrirani pomični prosjek (VARFIMA) procesi u
Jednadžba (26) Lucenoa [ Brza aproksimacija vjerojatnosti za vektorske opće linearne procese s dugim
serija: Primjena na frakcijsko razlikovanje , Biometrika 83 (1996), str. 603–614] ili Model A Lobato
[ Konzistentnost prosječnog unakrsnog periodograma u seriji dugih memorija , J. Time Ser. Analni. 18
(1997),str. 137–155] pri čemu je svaka komponenta y i, t djelomično integriran proces reda d i , i =
1 , ..., r .Pod uvjetima navedenim u pretpostavci 1 ovog članka, uvjetna vjerojatnost funkcionira
ova klasa VARFIMA modela može se učinkovito i tačno izračunati s uvjetnom vjerovatnoćom
Durbin – Levinson (CLDL) algoritam predložen ovdje. Ovaj algoritam CLDL zasnovan je na
multivarijantuDurbin-Levinson algoritam Whittlea [ O uklapanju multivarijantnih autoregresija i
približnom brojukanonička faktorizacija matrice spektralne gustine , Biometrika 50 (1963), str. 129–
134] i nih verovatnoća princip Box i Jenkins [ analize vremenskih serija , predviđanja , i kontrola , 2.
izd.,Holden-Day, San Francisko, Kalifornija]. Nadalje, uvjeti u spomenutoj pretpostavci 1 jesu
dovoljno općenit da obuhvati model razmatran u Andersen et al. [ Modeliranje i prognoziranje
ostvarenovolatilnost , Econometrica 71 (2003), 579–625] za opisivanje realizirane volatilnosti i
model proučavan u Haslettu i Rafteryju [ Prostor-vrijeme modeliranje sa ovisnošću dugog pamćenja:
Procjena Ire-izvor energije vjetra na kopnu , Appl. Statist. 38 (1989), str. 1–50] za prostorne podatke
kao posebne slučajeve. Kao računski trošak implementacije algoritma CLDL mnogo je manji od
troškova korištenja algoritama predloženo u Sowellu [ Maksimalna procjena vjerojatnosti frakcijski
integriranih modela vremenskih serija , Rad papir, Sveučilište Carnegie-Mellon], stoga smo u
mogućnosti izvesti eksperiment Monte Carlo da bismo istražili konačni uzorak performansi algoritma
CLDL za trodimenzionalne VARFIMA procese sa veličina uzorka 400. Rezultati simulacije vrlo su
zadovoljavajući i otkrivaju velike potencijale korištenja CLDL metoda za empirijske aplikacije.
Ključne riječi: Durbin-Levinson algoritam; duga memorija; maksimalna procena
verovatnoće; multivarijantno vrijeme serija
AMS 2000 Predmetna klasifikacija : 60G18; 65C20
* Email: wtsay@econ.sinica.edu.tw

1. Uvod

Razmotrite maksimalnu procjenu vjerojatnosti (MLE) klase stacionarnog i invertibilnog vektora

autoregresivni frakcijski integrirani pomični prosjeci (VARFIMA) procesi:

(1)

gdje je Y t = (y 1 , t , ..., y r, t ), t = 1 , 2 , ..., T , r -dimenzionalni vektor opažanja interest, Φ (B) i

(B) su polinomi matriksa konačnog reda u B (uobičajeni operator zaostajanja), takvi da:
, I r je matrica identiteta (r × r) , a dijagonalna matrica dijagonale ( ∇ d ) definirana je kao

diag ( ∇ d ) =

sa ∇ = 1 - B , i d i ∈ ( -1 / 2 , 1 / 2 ) za sve i = 1 , 2 , ..., r . Ovdje je Z t = (z 1 , t , ..., z r, t ) u

Jednadžba (1) je r -dimenzionalni nezavisni i identično raspodijeljeni (i.i.d.) postupak bijelog buke
s ne-singularnom kovarijantnom matricom Ʃ.
Pod pretpostavkom da Φ(B) i Ɵ(B) udovoljavaju uobičajenim stacionarnim i invertibilnim uslovima,
respektivno, multivarijantni proces Y t može se predstaviti sa sljedećim predstavom MA:

(4)

pri čemu je Ψ 0 = I r , a (rxR) matrice koeficijenta Ψ često se nazivaju impulsnim odzivom

funkcije. Imajte na umu da Ψ raspada sporom hiperboličkom brzinom kada parametri razlikovanja
nisu jednak 0. Kada je r = 1, ovaj postupak su prvi uveli Granger [1], Granger i Joyeux [2],
i Hosking [3]. Oni pokazuju da je Yt nepomično ako je d < 1 / 2. Kako je d> 0, za Yt se kaže da ima dugu
memorije, jer funkcije autokovane vrijednosti univarijantnog procesa Y t nisu apsolutno sažeti.
Pogledajte Beran [4] za preglede procesa duge memorije.
Model u jednadžbi (1) je razmatran u jednadžbi (26) Lucenoa [5] i tačno je model A istražen u Lobatu
[6]. Svaka komponenta y i, t in (1) je frakcijski integrirana postupak reda d i , i = 1 , ..., r , označen u
jednadžbi (3). Sowell [7] je pionir za izračunavanje vjerojatnost funkcija VARFIMA modela u jednadžbi
(1). Ipak, prisutnost AR parametri uvelike kompliciraju izračunavanje odgovarajućih funkcija
autokovane vrijednosti, jer algoritmi Sowella [7,8] uključuju hipergeometrijske funkcije koje treba
procijeniti sa skraćenom beskonačnom sumom, bez obzira jesu li podaci univarijantni ili
multivarijantni. S druge strane, Luceño [5] sugerira približnu funkciju vjerojatnosti dnevnika koja se
temelji na autokovaniranju funkcija modela 'obratno-transponirajući'. Kao posljedica toga, neizbježna
je greška zaokruživanja koristeći približni postupak Luceño [5] i postupak Sowella [7,8]. Uticaji
zaokruživanja pogreške generirane iz ovih algoritama na rezultatima procjene možda nisu trivijalne
kada je dimenzionalnost niza podataka relativno velika.

Doprinos ovog članka je pokazati da je uslovna vjerovatnost funkcija Proces VARFIMA u jednadžbi (1)
može se procijeniti točno i učinkovito ako je model u Jednadžba (1) može se predstaviti kao:

(5)

Na primjer, razlika između modela u jednadžbama (1) i (5) je irelevantna ako je serija podataka je
univarijantna, tj. r = 1. U scenariju multivarijantnih vremenskih serija modeli u jednadžbama (1) i (5)
su identične ako je bilo (B) dijagonala ili su vrijednosti razlikovanja parametri ostaju netaknuti
preko i = 1 , ..., r kako je nametnuto u pretpostavci 1 u sljedećem odjeljku. Dakle, svaka
komponenta y i, t u jednadžbi (5) još uvijek je frakcijski integriran postupak reda d i definiran u
Jednadžba (3) s obzirom da su gore navedena dva uvjeta zadovoljena. U stvari, ovi uvjeti bili su
zaposleni u multivarijantnoj literaturi o dugoj memoriji, npr. Haslett i Raftery [9] nameću homogenu
strukturu frakcijskim razlikovanjem i ARMA parametrima širom meteorološke stanice za opisivanje
brzine vjetra zabilježene na 12 sinoptičkih meteoroloških stanica u Irskoj, kada za svoje prostorne
podatke koristi model VARFIMA. Štaviše, Andersen i sur. [10] upotrijebiti Gaussov trovaratni VAR
model dugog pamćenja u svojoj jednadžbi (15) za opisivanje ostvarene vogartilnosti tečaja logaritma
tečaja gdje su vrijednosti diferencijalnih parametara isto identično preko i = 1 , ..., r . Razlog zašto im
nameću takvu homogenu strukturu Vrijednost parametara razlikovanja u razlozima je da se smanji
računski teret procjene model VARFIMA čija su dimenzionalnost i raspon serija podataka
veliki. Međutim, Metodologija razvijena u ovom članku omogućava nam da se bavimo VARFIMA
modelom u jednadžbi (1) pri čemu se integracija svake komponente y i, t razlikuje u i = 1 , ..., r .

Model jednadžbe (5) diskutiran je u Luceñovoj jednadžbi (27) [5]. Također je ekvivalentno prema
modelu B koji se razmatra u Lobatu [6] i može se procijeniti Luceñovim [5] aproksimativom funkcija
vjerojatnosti dnevnika. Kao što smo prethodno tvrdili, greška zaokruživanja neizbježna je prilikom
upotrebe približni postupak Luceñoa [5]. Naprotiv, s obzirom na to da model u jednadžbi (1) može
transformirati kao onaj u Jednadžbi (5), pokazat ćemo da je uvjetna vjerojatnost funkcija VARFIMA
postupak u jednadžbi (1) može se procijeniti točno i učinkovito kombiniranjem multivarijantni Durbin-
Levinson algoritam Whittlea [11] sa principom uslovne vjerojatnosti Box-a i Jenkinsa [12], iako su
dimenzionalnost i raspon serija podataka relativno veliko. Ovaj postupak nazivamo algoritmom
uslovne vjerojatnosti Durbin – Levinson (CLDL) algoritam. U literatura, Deriche i Tewfik [13] i Tsay i
Härdle [14] procjenjuju univarijantnu ARFIMA postupak s univarijantnim algoritmom Durbin-
Levinson, dok Doornik i Ooms [15] sugeriraju koristeći Whittle-ovu [11] metodu za VARFIMA modele,
ali bez implementacije. Jer su procesi VARFIMA razmatrani u Andersen i sur. [10] pripadaju
podskupovima od modela u jednadžbi (1), predloženi CLDL algoritam lako se primjenjuje na podatke
Andersena et al. [10]. Najvažnije je da će algoritam CLDL pružiti znatno efikasniju procjenu nego
metoda jednadžbe običnih najmanjih kvadrata (OLS) Andersen et al. [10], ko popravite vrijednost d u
jednadžbi (1) s zajedničkom procjenom 0.401 kroz tri niza podataka. Još jedna vrijedna značajka CLDL
algoritma je njegov računski dobitak u odnosu na izvornik algoritam Sowella [7]. Poznato je da su
računski tereti primjene Sowellovih [7] algoritam prema VARFIMA podacima je ogroman. Posebno,
prilikom proučavanja zajedničkog ponašanja stopa američkih i kanadskih obveznica, Dueker i Startz
[16] pokazuju da je potrebno oko 35 min na PC-u od 200 MHz za svaku iteraciju MLE-a bivarijantnog
VARFIMA procesa sa 121 opažanja i 18 parametara prilikom implementacije Sowellovog [7]
algoritma. Međutim, potrebno je manje od oko 40 s na PC-u od 1066 MHz za svaku iteraciju uvjetnog
MLE-a bivarijata VARFIMA (1 , d, 1) proces s 400 promatranja i 11 parametara prilikom
implementacije predloženi CLDL algoritmi. Ovo jasno pokazuje snagu algoritma CLDL za mnoge

potencijalne empirijske aplikacije. Takođe objašnjava zašto možemo sprovesti eksperiment u Monte
Carlu ispitati performanse konačnog uzorka CLDL algoritma za trodimenzionalni VARFIMA procesa
ispod veličine uzorka do 400.

Preostali dijelovi ovog članka raspoređeni su na sljedeći način: Odjeljak 2 predstavlja

autokovansiranje funkcije VARFIMA (0 , d, q ) procesa i implementacija multivarijantnog Durbina -
Levinson algoritam. Treći dio razmatra klasu VARFIMA ( p, d, q ) procesa s kojima možemo
odgovarajuću funkciju uvjetne vjerojatnosti izračunati upravo s CLDL-omalgoritam. Konačni uzorak
performansi algoritma CLDL istražuje se putem Monte Carloov eksperiment u odjeljku 4. Odjeljak 5
daje zaključak.

2. Autokovariranje procesa VARFIMA (0 , d, q )

Model u jednadžbi (5) bitno se razlikuje od modela iz jednadžbe (1) o redoslijedu od Φ(B) i
diag ( ∇d ) . Glavna ideja ovog članka je pokazati kolika je uslovna verovatnoća funkcija VARFIMA
procesa u jednadžbi (1) može se procijeniti točno i učinkovito ako je model u jednadžbi (1) može se
transformirati kao onaj u jednadžbi (5). Pretpostavka 1 sumira ovih uslova.

Pretpostavka 1 S obzirom da su podaci generirani jednadžbom (1), pretpostavljamo da je

(i) Φ(B) dijagonalna, ili (ii) vrijednosti razlika parametara i ostaju netaknute preko i = 1 , ..., r .

Pod uslovom da pretpostavka 1 drži, razlika u izboru između modela u jednačine (1) i (5) više ne
postoje. Shodno tome, mi postavljamo uvjete iz Pretpostavke 1 u ovom članku, a svaka
komponenta y i, t u modelu (1) ili (5) je dijelom integrirana postupak reda d i , i = 1 , ..., r, kako je
definirano u jednadžbi (3). Točka (ii) pretpostavke 1 omogućava nam za procjenu podataka
Andersena i sur. [10] i one Hasletta i Rafteryja [9] sa predloženim CLDL algoritam kasnije je jasnije
objasnio. Prednosti upotrebe točke (i) pretpostavke 1 su očitije kada je dimenzionalnost serije
podataka relativno velika. Na primjer, kada r = 7, možda ćemo zahtijevati da Φ (B) bude dijagonalna i
pridruženi broj parametara za takav a 7-dimenzionalni VARFIMA (1 , d, 1) postupak je samo 91 u
usporedbi sa 133 parametra unutar VARFIMA (1 , d, 1) proces bez nametanja bilo kakvih
ograničenja. Pri tome, rezultirajući pojednostavljeni model je još uvijek prilično fleksibilan, jer
strukturi ne namećemo nikakva ograničenja MA parametara; međutim, računski teret procjene
takvog pojednostavljenog modela je znatno ublaženo na osnovu CLDL algoritma kao što je
dokumentirano u 1. odjeljku.

Prije implementacije MLE-a za model u jednadžbi (1), moramo izračunati autovarijanca Funkcije
VARFIMA modela. Prvo razmotrimo najjednostavniji slučaj gdje nastaje Y t kao model VARFIMA (0 ,
d, 0):
(.) je gama funkcija. Označavanje

(h) = E (Y t + h Y t ) , h = - T + 1 , - T +

2 , ..., 0 , 1 , 2 , ..., T - 2 , T - 1, funkcija autokovane vrijednosti Y t u jednadžbi (6) na zaostajanju h je

Od Abramowitza i Steguna [17, str. 556, odjeljci 15.1.1 i 15.1.20], napominjemo da hipergeometrijska
funkcija je definirana kao

i ona ispunjava sledeći odnos:

Koristeći
gornje rezultate, dobivamo (m, n) element Ω(h) u jednadžbi (8) kao

Luceño [5, str. 611] neovisno predstavlja formulu za Ωm, n (h) u svojoj jednadžbi (8), ali indirektno.

Za računsku efikasnost dobro je poznato u literaturi da Ωm, n (h) u Jednadžbi (9) može izračunava se
na sljedeći način:

gdje je m, n = 1 , 2 , ..., r i h = 1 , 2 , ....

Kombinovanje rezultata u jednadžbama (9) i (10) sa Whittle-ovom [11] multivarijantom Durbin-

Levinson algoritam, ocjenjujemo tačnu bezuslovnu funkciju vjerovatnosti a VARFIMA (0 , d, 0)
model, L ( ΦƟ d ƩY) , kao
 gdje Y j o
značava jedan korak ispred prediktor Y j sa zapažanjem Y (j - 1 ) =(Y 1 , Y 2 , ..., Y j −1

) kao j ≥ 2. Ovdje je V j −1 odgovarajuća greška predviđanja u jednom koraku naprijed matrica. Kao j =
1, Y 1 = 0, i V 0 = ( 0 ) . Za definiciju i izračunavanje Y j i onihV j -1 , za detalje pogledajte Whittle [11] ili
Brockwell i Davis [18, Prijedlog 11.4.1]. Kada je Y t VARFIMA (0 , d, q ) proces,

je (m, n) tog elementa svojih odgovarajućih autocovariance funkciju,Ω (h) , je

gdje

a Ɵmn, k označava (m, n) th element Ɵk u Jednadžbi (1). Imajte na umu da postoje (rq + 1 ) 2izrazi s
desne strane jednadžbe (13). Sa funkcijama autokovane vrijednosti u jednadžbi (13),na VARFIMA (0 ,
d, q ) primjenjujemo multivarijantni Durbin-Levinson algoritam Whittlea [11]procesi kao što smo
predložili za VARFIMA (0 , d, 0) procese.

Sowell [7] pruža formulu za izračunavanje funkcija autokovane vrijednostiVARFIMA (0 , d, q )

obrađuje na stranicama 12 i 14 njegovog rukopisa. U ovom članku predstavljamo formula iz
jednadžbe (13) jasnije, omogućavajući jednostavan pristup empirijskim aplikacijama kationa. Nadalje,
slični rezultatima u Jednadžbi (10), omjeri gama funkcija u Jednadžba (13) se može izračunati sa
sljedećim odnosom:
što ukazuje na to da je bezuvjetna funkcija vjerojatnosti r- dimenzionalnog VARFIMA (0 , d, q ) Proces
se može evaluirati efikasno i bez greške u zaokruživanju.

Za restriktivniji VARFIMA (0 , d, q ) postupak gdje Ɵ(B) je dijagonala, vrijednost Ωm, n (h) u jednadžbi
(13) postaje

m, n (h) ≡ σ mn

Sada na
2
desnoj strani jednadžbe (16) postoje samo (q + 1 ) pojma. Kako je r = 1, funkcija autokovane
vrijednosti u jednadžbi (16) jednaka je Sowellovoj [8, str. 173] formula.

3. CLDL algoritam za VARFIMA ( p, d, q ) procese

Sada pokazujemo da je funkcija uvjetne vjerojatnosti modela u (1) pod pretpostavkom 1 može se
tačno proceniti. Iz jednadžbe (1) ili (5) imamo Φ(B) Y t = diag ( ∇ - d )Ɵ(B) Z t , i

izraz dijagnoza ( ∇ - d ) Ɵ(B) Z t na desnoj strani znaka jednakosti odgovara a VARFIMA (0 , d, q ) proces
čije su autokovane vrijednosti prikazane u jednadžbi (13). Usvajanje ideju o funkciji uslovne
vjerojatnosti u Boxu i Jenkinsu [12, Poglavlje 7], transformiramo Y t u jednadžbi (1) u diag ( ∇ - d ) Ɵ(B)
Z t za zadani izbor parametara u Φ(B) i od odgovarajuće početne vrijednosti. Posebno, ako je p = 1,
onda je uslovljeno na Φ1 i Y 1 , Y t -Φ 1 Y t −1 , t = 2 , 3 , ..., T , je VARFIMA (0 , d, q ) proces, i
označavamo njegovu pridruženu uvjetnu vjerovatnost. funkcioniraju kao

Primjena multivarijantnog Durbin-Levinson algoritma Whittlea [11] na transformirani

podataka, Y t - Φ1 Y t −1 , istovremeno procjenjujemo sve parametre Φ, Ɵ, d , i Ʃ u VARFIMA ( p, d, q )
proces u jednadžbi (1) metodom numeričke optimizacije. Nema zaokruživanja dolazi do pogreške
tokom procjene funkcije uvjetne vjerojatnosti VARFIMA ( p, d, q ) procesi u jednadžbi (18).

Ovdje se moraju riješiti tri primjedbe. Prvo, slično kao Li i McLeod [19], CLDL algoritam je postupak u
jednom koraku, jer procjenjujemo sve parametre Φ, Ɵ, d i Ʃ u Jednadžba (1) istovremeno. Drugo,
ako je Ɵ(B) u jednadžbi (1) dijagonalan, tada promatramo

gdje je = diag ( ∇ - d ) Z t je VARFIMA (0 , d, 0) proces. Opet, uslovno na skupu Φ (B) i Ɵ (B) i

odgovarajuće početne vrijednosti, možemo procijeniti funkciju uvjetne vjerojatnosti postupak u
jednadžbi (19) zasnovan na VARFIMA (0 , d, 0) procesu, baš kao i kad procjenjujemo uvjetna
vjerojatnost funkcija VARMA ( p, 0 , q ) procesa zasnovanog na vektorskom bijelom šumu
procesa. Usvojena je ista metoda transformacije za univarijantni ARFIMA postupak u Duekeru i
Serletisu [20] i Tsayu i Härdleu [14].

Treće, za razliku od Li i McLeoda [19], koji prvi primjenjuju binomnu transformaciju na podataka, Y t ,
a zatim izračunati vjerojatnu funkciju za preostale parametre AR i MA, mi u početku
transformirajte Y t s nizom početnih vrijednosti AR parametara, a zatim izračunajte tačno vjerojatnost
funkcija preostalog VARFIMA (0 , d, q ) procesa. Pri tome izbjegavamo pristranosti svojstvena
mnogim metodama procjene za stacionarne univarijantne ARFIMA procese koji skraćuju beskonačna
suma koja definira ( 1 - B) d , uključujući metode vremenske i frekvencijske domene.

Ovaj problem odrezanog beskonačnog zbroja prvi je ukazao Sowell [8], koji tvrdi da je transformirani
niz iz skraćene beskonačne frakcijske diferencirajuće transformacije je zbroj an ARMA model i
linearna kombinacija beskonačnog broja neopaženih pojmova. Dakle, ARMA parametri se nikada ne
mogu ispravno procijeniti iz procjenitelja na temelju skraćene beskonačnosti frakcijska
diferencirajuća transformacija. Stoga je procjena iz jednadžbe po jednadžbi OLS metoda Andersena i
dr. [10] popravljanjem vrijednosti d u jednadžbi (1) s zajedničkim procjena 0.401 kroz tri serije
podataka može biti problematična. Vidi Sowell [8, str. 170] za detalje diskusija o ovom problemu
skraćenja.

4. Monte Carlo eksperiment

Ovaj dio razmatra performanse konačnih uzoraka MLE-a VARFIMA procesa sa predloženi CLDL
algoritam. Koliko znamo, ovo je prva simulacijska studija koja se odnosi na to na puni MLE vremenske
domene VARFIMA procesa. Bez gubitka općenitosti, fokusiramo se na postupak u kojem su svi
parametri frakcijskog razlikovanja pozitivni u toj dugoj memoriji Proces je glavna briga frakcijski
integrirane literature. Štaviše, dijelimo naše studije u dva dela. Prvi dio se bavi trodimenzionalnim
VARFIMA (0 , d, 1) procesom, dok drugi dio razmatra dvodimenzionalnu VARFIMA (1 , d, 1).

4.1. Trodimenzionalni VARFIMA ( 0 , d, 1 )

Prvo razmotrimo slijedeći trodimenzionalni VARFIMA (0 , d, 1) postupak za Monte Carlo eksperiment

Imajte na umu da parametri AR nisu uključeni u jednadžbu (20). Štaviše, specifikacija u Jednadžba
(20) otkriva da je y i, t djelomično integrirani proces reda d i .

Za simulacije su uzeti u obzir parametri

S obzirom na specifikaciju iz jednadžbe (20), prihvatamo Cholesky algoritam raspadanja koju je

predložio McLeod i Hipel [21] i Hosking [22] kako bi simulirali tri ( T × 1) ARFIMA procesa z i, t , i =
1 , 2 , 3.

Procjenjujemo parametar

sa sledećom funkcijom transformacije:

gde

jesu li parametri stvarno procijenjeni predloženim algoritmom. Za kreiranje realne simulacije sheme,
ne koristimo izračunatu inverznu funkciju prethodne funkcije transformacije pri stvarnoj vrijednosti
parametra od ξ kao početne vrijednosti za postupak procjene. Umjesto toga, zapošljavamo pravu
vrijednost ξ kao početne vrijednosti for~ ξ . Drugim riječima, u simulaciji koju koristimo

kao početne vrijednosti za ˜ ξ u jednadžbi (24). Ovo je prvi mehanizam za stvaranje realne simulacije
šemu.

Za procenu Ʃ U jednadžbi (22) koristimo ( 3 × 3 ) gornju trokutastu matricu U do

provesti sljedeću transformaciju:

Parametri sadržani u U su parametri stvarno procijenjeni predloženim algoritmom. Međutim,

početne vrijednosti za svaki element U postavljene su na 1. Dakle, početna vrijednost od U za
pokretanje postupka nije podešen, da je pravi vrijednost U . Ovo je drugi mehanizam za to stvoriti
realno okruženje za simulaciju.

Svi programi su napisani u GAUSS-u koji se vrednuje u tri veličine uzorka, T = 200 , 300 , 400. Izbor
ovih veličina uzorka snažno otkriva da je računski teret implementacije CLDL algoritam je
blag. Štaviše, ove veličine uzorka se često susreću sa uobičajene makroekonomske vremenske serije.

Dvije stotine dodatnih vrijednosti generiraju se za dobivanje slučajnih početnih

rijednosti. Optimizacija algoritam koji se koristi za implementaciju CLDL algoritma je kvazi Newtonov
algoritam Broydena, Fletcher, Goldfarb i Shanno (BFGS) sadržani u biblioteci GAUSS
MAXLIK. Maksimum broj ponavljanja za svaku replikaciju je 100. Prvih 250 replika normalne
konvergencije bilježe se za naknadnu analizu podataka.

Definirajte pristranost kao prave vrijednosti parametara umanjene za odgovarajuće prosječne

procijenjene vrijednosti. Rezultati simulacije u Tablici 1 za ρ = 0 . 5 otkrivaju da je pristranost
performansi od upotrebe bezuvjetni procjena najveće vjerojatnosti je zadovoljavajući i pridruženi
kvadrat korijena-srednji pogreška (RMSE) smanjuje se s povećanjem veličine uzorka za sve
konfiguracije razmatrane u eksperiment.

Da bismo dali jasniju sliku o konačnim uzorcima performansi algoritma CLDL, takođe smo izvijestite
rezultate simulacije s okvirnim crtežima na slikama 1-3 za slučaj ρ = 0 . 5. Slika 1 pokazuje

okvir-crteži procijenjenog d , dok slika 2 prikazuje okvire-crteže procijenjenog Ɵ. The okvirne ploče
procijenjene Ʃ prikazani su na slici 3. Sve ove brojke pokazuju da je performanse algoritma CLDL
djeluju dobro na većoj veličini uzorka kao što je prikazano u tablici 1,

Tabela 1. Pristranost i RMSE procjene trodimenzionalnog VARFIMA (0 , d, 1) procesa.

podržavajući korisnost CLDL algoritma u procjeni prikazanih VARFIMA procesa u jednadžbi (20).

Rezultati simulacije za slučaj ρ = 0 . 2 su kvalitativno identične onima u Tablici 1 i na slikama 1-3, gdje
je ρ = 0 . 5. Da bismo uštedjeli prostor, rezultate ne izvještavamo sa ρ = 0 . 2 Međutim, ovi su rezultati
dostupni na zahtjev autora.

Upoređujemo i performanse CLDL algoritma u procjeni modela u Jednadžba (20) s

poluparametrijskom QMLE u jednadžbi (8) Lobatoa [23]. Izdvojena karakteristika QMLE-a je ta što je
dizajniran da bude robustan u prisustvu AR i MA parametri. Dakle, on može generirati robusne
procjene parametara razlučivanja u jednadžbi (1), bez brige o redoslijedu polinoma AR i MA. Kako
god, provedba Lobatovog [23] QMLE-a zahtijeva odabir broja Fourierovih frekvencija λ j = 2 πj /
T sa j = 1 , ..., m za procjenu. Izbor m je presudan za rad sustava poluparametrijski QMLE. U ovom
odjeljku odabiremo dvije vrijednosti m = [ T 0 . 5 ] i m = [ T 0 . 65 ], gdje [ X ] je najveći cijeli broj manji od
ili jednak X .

Koristimo algoritam algoritma kvadratnog programiranja 'sqpSolve' sadržan u GAUSS-u knjižnica za

implementaciju QMLE-a Lobato [23]. Slično je eksperimentalnom dizajnu za CLDL algoritam, generira
se 200 dodatnih vrijednosti da bi se dobile nasumične početne vrijednosti. Opet, prvih 250 replika
normalne konvergencije zabilježeno je za naknadnu analizu podataka kao učinili smo za algoritam
CLDL.

Za razliku od CLDL algoritma, gdje je maksimalni broj iteracija za svaki replikacija je 100, ne
namećemo ograničenje na maksimalni broj ponavljanja kada vođenje QMLE-a. Ovo je prvi dizajn koji
favorizira implementaciju QMLE-a u odnosu na CLDL algoritam. Nadalje, prave vrijednosti
parametara d i u jednadžbi (20) postavljaju se kao početna vrijednost za postupak procjene. Ovo je
drugi dizajn koji favorizira implementacija QMLE-a u odnosu na CLDL algoritam. Ako rezultati
simulacije to pokazuju izvedba algoritma CLDL u procjeni parametara razlikovanja frakcije je još bolji
od QMLE-a Lobato [23] u okviru gore spomenutog eksperimentalnog dizajna, tada ovaj nalaz
možemo pribaviti izvanrednim performansama MLE-a u odnosu na njegovu poluparametriju prema
ispravnoj šemi specifikacije modela.

Radi lakše usporedbe, rezultati simulacije QMLE-a također su prikazani u tablici 1 za ρ = 0 . 5. Tabela 1
jasno pokazuje da se performanse QMLE poboljšavaju kada je m = [ T 0 . 5 ] koristi se u usporedbi s
drugim izborom m = [ T 0 . 65 ]. Ovaj nalaz je razuman, jer je dizajn QMLE motivira se ispitivanjem
funkcije spektralne gustoće blizu nulte frekvencije dugog procesa pamćenja. Ova tablica također
otkriva da za sva tri različita parametra uzeti u obzir u eksperimentu, performanse algoritma CLDL
mnogo su bolje od onih u QMLE čak i kada je m = [ T 0 . 5 ] je odabrano, jer je RMSE algoritam CLDL
manji od QMLE, respektivno. Ovo je očekivano s obzirom da je algoritam CLDL uvjet
procjena najveće vjerojatnosti koja bi trebala biti učinkovitija od poluparametrijskog kolege pod
tačnom specifikacijom modela.

Rezultati simulacije iz CLDL-a i QMLE-a također su spojeni s okvirnim crtežima radi jasnoće
izlaganja. Na slici 4 prikazani su rezultati za slučaj ρ = 0 . 5. Da bismo uštedjeli prostor, samo
predstavljamo simulacije koje se odnose na parametar d 1 = 0 . 4. Imajte na umu da se rezultati
QMLE-a temelje o izboru m = [ T 0 . 5 ] iz ranije navedenog razloga. Iz ove cifre je jasno da performanse
algoritma CLDL mnogo su bolje od performansi QMLE-a. Štaviše, prethodni nalazi ostaju netaknuti
kada je ρ = 0 . 2. Opet, rezultati sa ρ = 0 . 2 su dostupni na zahtjev autora

4.2. Dvodimenzionalna VARFIMA ( 1 , d, 1 )

Ovaj pododjeljak razmatra utjecaj AR parametara na performanse CLDL algoritmi kada van
dijagonalni elementi Φ(B) u jednadžbi (5) nisu jednaki nuli. Da biste spremili opterećenja procjene,
fokusiramo se na sljedeći dvodimenzionalni VARFIMA (1 , d, 1) model:
 Slika 7. Okvirni crteži
procijenjenog AR parametra iz dvodimenzionalnog VARFIMA (1 , d, 1) modela definiranog
uJednadžbe (29) i (30), a ρ = 0 . 5 zasnovana na CLDL algoritmu sa 250 replikacija. Gornja leva ploča
prikazuje slikuprocjene za 11 , 1 , gornja desna ploča prikazuje procjene za 12 , 1 , donja lijeva ploča
prikazuje procjene za 21 , 1 ,a ploča desno u desno prikazuje procjene za 22 , 1 .

gde

Imajte na umu da su parametri AR uključeni u jednadžbu (29) u usporedbi s modelom u Jednadžba

(20). Prisutnost non-zero off-dijagonalnih elemenata u Φ(B) ukazuje da kondicije nametnute u
pretpostavci 1 više nisu obvezujuće za model definiran u jednadžbama (29) i (30) što je poseban
slučaj modela u jednadžbi (5). Dakle, redoslijed integracije y i, t više nije jednako d i . To
podrazumijeva da su parametri za razlučivanje frakcije d 1 i d 2 u jednadžbi (29) se ne može dosljedno
procijeniti s QMLE-om Lobato [23], jer jest linearna kombinacija y i, t , y i, t −1 , i y j, t −1 sa j ≠ i je frakcijski
integrisan proces reda d i . Međutim, CLDL algoritam se još uvijek može nositi s modelom definiranim
u jednadžbama (29) i (30) lako.

Za simulacije su uzeti u obzir parametri

 Pr
incip postavljanja početnih vrijednosti za CLDL algoritme i QMLE Lobato [23] je identičan onome
navedenom u odjeljku 4.1. Pored toga, načini izbora početnih

Slika 8. Okvirne plohe procijenjenog d iz dvodimenzionalnog VARFIMA (1 , d, 1) modela definirane u jednadžbama (29) i (30)
sa 250 replikacija i ρ = 0 . 5. Vrijednost f (g, QMLE ) označava rezultate procjene kada procjenitelj je QMLE od Lobatoa [23],
a m = [ T 0 . 50 ], f označava pravu vrijednost d = f , a g označava veličinu uzorka, takvu da je g = A = 200, g = B = 300, g = C =
400. Isto tako, vrijednost f (g, CLDL ) označava rezultate procjene kada je procjenjivač je predloženi CLDL
algoritam, f označava pravu vrijednost d = f , a g označava veličinu uzorka, tako da g = A = 200, g = B = 300, g = C = 400.

vrijednosti za AR parametre identične su vrijednosti odabira početnih vrijednosti za MA parametre

za CLDL algoritam naveden u odjeljku 4.1.

Jer simulacija rezultira za slučaj ρ = 0 . 2 su kvalitativno identične onima iz slučaj ρ = 0 . 5 u ovom

pododjeljku, mi raspravljamo samo o rezultatima s ρ = 0 . 5 da skrati dužinu članak. Simulacije su
prikazane grafikonima na slikama 5-7. Na slici 5 prikazani su okviri od procijenjenog d , slike 6
prikazuju crteže pretpostavljenih okviraƟ, a slika 7 prikazuje okvirne plohe procijenjene Φ. Da bismo
uštedjeli na prostoru, ne prikazujemo procjene okvira sa procjenomƩ u ovom članku, ali istaknite da
su slične onima prikazanim na slici 3. Sve ove brojke demonstriraju da se performanse CLDL algoritma
poboljšavaju s porastom uzorka veličine i pristranosti upotrebe CLDL-a vrlo su male kao što smo
pronašli u studijama koje se tiču trodimenzionalni postupak VARFIMA (0 , d, 1) u odjeljku 4.1. Ove
simulacije izričito rezultiraju podržavaju korisnost CLDL algoritma u procjeni VARFIMA (1 , d, 1)
procesa prikazani u jednadžbama (29) i (30).

Mi također pripremamo usporedbu između QMLE i CLDL algoritma u procjeni parametar frakcijskog
razlikovanja pod modelom u jednadžbama (29) i (30). Prije nego što razgovaramo nalaza, ovdje
ističemo da redoslijed integracije y 1 , t u jednadžbu (29) nije 0,4 zbog prisustva nulta nulta
dijagonalnog elementa prikazanog u (B) jednadžbe (29). Dakle, procjene za d 1 iz upotrebe QMLE-a
naravno neće biti blizu stvarnog parametra vrijednost 0,4. Zapravo, na slici 8 nalazimo
procjene d 1 na temelju Lobatovog [23] QMLE-a daleko udaljen od prave vrijednosti parametra d 1 =
0 . 4. Naprotiv, uslovni MLE na osnovu CLDL algoritam daje obećavajuću procjenu d 1 , što ukazuje na
izvrsnu sposobnost predložio CLDL algoritam za procjenu svih AR, MA i frakcijskih razlika po modelu iz
jednadžbe (5).

5. Zaključak

Izričito ilustriramo analitičke formule funkcija autokovane vrijednosti r- dimenzije VARFIMA (0 , d, q )

proces i numerički pokazuju da je bezuvjetni MLE od VARFIMA (0 , d, q ) procesi mogu se efikasno i
tačno provoditi s multivari-jeo Durbin-Levinson algoritam Whittlea [11] kroz eksperiment Monte
Carlo. U prisustvu AR parametara, dodatno pokazujemo da se može primijeniti točno uslovni MLE s
predloženim algoritmom CLDL za VARFIMA procese prikazane u Jednadžbi (1) ispod Pretpostavka 1.
Kao posljedica toga, problemi greške zaokruživanja generirani iz Sovelove [7,8] i Luceño [5] algoritmi
u potpunosti se izbjegavaju zajedničkom upotrebom CLDL algoritma i Uvjeti u pretpostavci 1. U stvari,
algoritam CLDL jedini je postupak bez kojeg se radi greška zaokruživanja u multivarijantnoj literaturi o
dugoj memoriji. Ova značajka je važna kada to radimo nema pojma za procjenu utjecaja pogrešaka
zaokruživanja na preciznost rezultata procjene, posebno kad su dimenzionalnost i duljina uzorka
serije podataka relativno veliki kao i mi pronaći u mnogim meteorološkim i prostornim podacima.

Obuhvat metodologije zasnovane na pretpostavci 1 i algoritmu CLDL je općenit dovoljno da obuhvati

model razmatran u Andersen et al. [10] i model izučavan u Haslettu i Raftery [9]. S obzirom na dobre
performanse predloženog Gaussovog VAR modela s dugotrajnom memorijom autora Andersen et
al. [10], prednosti primjene CLDL algoritma u promjenjivim vremenima okruženje povratne
volatilnosti je očitije, jer smo sada u mnogo boljoj poziciji bave se takvom vrstom finansijskih
podataka čija su dimenzionalnost i raspon serija podataka istovremeno veliki. Nadalje, poznato je da
Haslett i Raftery [9] nameću homogenu strukturu frakcijskog razlikovanja i ARMA parametara kako bi
se opisale brzine vjetra zabilježene na 12 sinoptičke meteorološke stanice u Irskoj zbog ogromnog
računskog opterećenja koristeći se neograničenim VARFIMA modelom. U suštini, razvoj CLDL
algoritma uvelike ublažava ograničenja koja nameću suvremeni ARFIMA model Haslett i Raftery [9] i
osvjetljava modeliranje podataka dugog memorijskog prostora i vremena.