MétaCan
Menu
Retour à la cohorte
Enregistrement W2763158781 · doi:10.5539/ijsp.v6n6p127

Unit Roots in Time Series with Changepoints

2017· article· en· W2763158781 sur OpenAlexvenueno aff
Ed Herranz, James E. Gentle, George Wang

Notice bibliographique

RevueInternational Journal of Statistics and Probability · 2017
Typearticle
Langueen
DomaineDecision Sciences
ThématiqueAdvanced Statistical Process Monitoring
Établissements canadiensnon disponible
Organismes subventionnairesnon disponible
Mots-clésUnit rootCointegrationSpurious relationshipMathematicsNull (SQL)Series (stratigraphy)Autoregressive modelUnit root testUnit circleAutoregressive integrated moving averageStatisticsTime seriesEconometricsCombinatoricsComputer science

Résumé

récupéré en direct d'OpenAlex

Many financial time series are nonstationary and are modeled as ARIMA processes; they are integrated processes (I(n)) which can be made stationary (I(0)) via differencing n times. I(1) processes have a unit root in the autoregressive polynomial. Using OLS with unit root processes often leads to spurious results; a cointegration analysis should be used instead. Unit root tests (URT) decrease spurious cointegration. The Augmented Dickey Fuller (ADF) URT fails to reject a false null hypothesis of a unit root under the presence of structural changes in intercept and/or linear trend. The Zivot and Andrews (ZA) (1992) URT was designed for unknown breaks, but not under the null hypothesis. Lee and Strazicich (2003) argued the ZA URT was biased towards stationarity with breaks and proposed a new URT with breaks in the null. When an ARMA(p,q) process with trend and/or drift that is to be tested for unit roots and has changepoints in trend and/or intercept two approaches that can be taken: One approach is to use a unit root test that is robust to changepoints. In this paper we consider two of these URT's, the Lee-Strazicich URT and the Hybrid Bai-Perron ZA URT(Herranz, 2016.) The other approach we consider is to remove the deterministic components with changepoints using the Bai-Perron breakpoint detection method (1998, 2003), and then use a standard unit root test such as ADF in each segment. This approach does not assume that the entire time series being tested is all I(1) or I(0), as is the case with standard unit root tests. Performances of the tests were compared under various scenarios involving changepoints via simulation studies. Another type of model for breaks, the Self-Exciting-Threshold-Autoregressive (SETAR) model is also discussed.

Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.

Comment cette classification a été obtenuedéplier

Prédiction machine sur la base complète

Imitation des enseignants

Ni prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.

score de la tête « metaresearch » (Codex)0,006
score de la tête « metaresearch » (Gemma)0,053
Version: metacan-v3-hybrid-931329e0061cStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Théorique ou conceptuel · Signal consensuel: Théorique ou conceptuel
GenreSignal candidat: Méthodes · Signal consensuel: Méthodes
Score de désaccord entre enseignants0,014
Score d'incertitude au seuil0,046

Scores du classifieur distillé par catégorie (deux têtes)

CatégorieCodexGemma
Métarecherche0,0060,053
Méta-épidémiologie (sens strict)0,0010,001
Méta-épidémiologie (sens large)0,0010,001
Bibliométrie0,0020,004
Études des sciences et des technologies0,0010,003
Communication savante0,0030,005
Science ouverte0,0010,002
Intégrité de la recherche0,0020,004
Charge utile insuffisante (le modèle a refusé de juger)0,0140,002

Scores machine (provisoires)

Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.

Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.

Tête enseignante Opus0,088
Tête enseignante GPT0,411
Écart entre enseignants0,323 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeThéorique ou conceptuel
Domainenon disponible
GenreMéthodes

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations1
Publié2017
Routes d'admission1
Résumé présentoui

Explorer davantage

Même revueInternational Journal of Statistics and ProbabilityMême sujetAdvanced Statistical Process MonitoringTravaux en français237 207