DOI QR코드

DOI QR Code

변환된 자기회귀이동평균 모형에서의 예측구간추정

Prediction Interval Estimation in Ttansformed ARMA Models

  • 조혜민 (숙명여자대학교 통계학과) ;
  • 오승언 (숙명여자대학교 통계학과) ;
  • 여인권 (숙명여자대학교 통계학과)
  • Cho, Hye-Min (Department of Statistics, Sookmyung Women's University) ;
  • Oh, Sung-Un (Department of Statistics, Sookmyung Women's University) ;
  • Yeo, In-Kwon (Department of Statistics, Sookmyung Women's University)
  • 발행 : 2007.11.30

초록

시계열자료를 분석하는데 있어 중요한 목적 중에 하나가 미래값에 대한 예측이다. 일반적으로 자기회귀이동평균모형에서는 백색잡음이 정규분포를 따른다는 가정 하에서 모수의 추론과 예측 및 예측구간의 추정이 이루어지고 있다. 그러나 자료가 이러한 가정을 만족하지 않는 경우, 자료를 가정에 맞게 변환시킨 후 분석하는 방법을 생각해 볼 수 있다. 이 논문에서는 변환된 자료를 분석하여 얻은 결과를 이용하여 본래의 척도에서의 미래값에 대한 예측구간을 추정하는 문제에 대해 알아본다. 제안하는 방법에서는 먼저 적절한 변환을 이용하여 자료를 정규가정을 만족하도록 변환시키고 변환된 자료를 이용하여 미래값에 대한 예측구간을 추정한 후, 역변환을 이용하여 예측구간을 추정한다. 이 논문에서는 시계열분석에서 모델링이 상대적으로 어려운 왜도의 문제를 해결하기 위해 Yeo-Johnson 변환을 중심으로 한 방법론을 소개한다. 모의실험 결과 제안된 방법에 의한 단측예측구간의 포함확률이 변환을 사용하지 않은 구간보다 명목수준에 가까운 것을 확인하였다.

One of main aspects of time series analysis is to forecast future values of series based on values up to a given time. The prediction interval for future values is usually obtained under the normality assumption. When the assumption is seriously violated, a transformation of data may permit the valid use of the normal theory. We investigate the prediction problem for future values in the original scale when transformations are applied in ARMA models. In this paper, we introduce the methodology based on Yeo-Johnson transformation to solve the problem of skewed data whose modelling is relatively difficult in the analysis of time series. Simulation studies show that the coverage probabilities of proposed intervals are closer to the nominal level than those of usual intervals.

키워드

참고문헌

  1. Atkinson, A. C. and Pericchi, L. R. (1991). Grouped likelihood for the shifted power transformation, Journal of the Royal Statistical Society, Ser. B, 53, 473-482
  2. Box, G. E. P. and Cox, D. R. (1964). An analysis of transformations, Journal of the Royal Statistical Society, Ser. B, 26, 211-252
  3. Cho, K and Loh, W.-Y. (2005). Bias and convergence rate of the coverage probability of prediction intervals in Box-Cox transformed linear models, Journal of Statistical Planning and Inference, 136, 3614-3624 https://doi.org/10.1016/j.jspi.2005.03.004
  4. Duan. N. (1983). Smearing estimate: a nonparametric retransformation method, Journal of the American Statistical Association, 78, 605-610 https://doi.org/10.2307/2288126
  5. Fama, E. F. (1965). The behavior of stock-market prices, The Journal of Business, 38, 34-105 https://doi.org/10.1086/294743
  6. Li, D. (1999). Value at risk based on the volatility skewness and kurtosis, RiskMetrics Group
  7. McCulloch, J. H. (1996). Financial applications of stable distribution, Handbook of Statistics, 14, 393-425 https://doi.org/10.1016/S0169-7161(96)14015-3
  8. McDonald, J. B. (1996). Probability distribution for financial models, Handbook of Statistics, 14, 427-461 https://doi.org/10.1016/S0169-7161(96)14016-5
  9. Nelson, D. B. (1991), Conditional heteroskedasticity in asset returns: a new approach, Econometrica, 59, 347-370 https://doi.org/10.2307/2938260
  10. Pearson, E. S. (1930). A further development of tests for normality, Biometrika, 22, 239-249 https://doi.org/10.1093/biomet/22.1-2.239
  11. van Zwet, W. R. (1964). Convex Transformations of Random Variables, Mathematisch Centrum, Amsterdam
  12. Yeo, I. K. and Johnson, R. A. (2000). A new family of power transformation to improve normality or symmetry, Biometrika, 87, 954-959 https://doi.org/10.1093/biomet/87.4.954