SavedAdd your journal

Journals / Anadolu Üniversitesi Bilim ve Teknoloji Dergisi :A-Uygulamalı Bilimler ve Mühendislik / 2006 / Cilt: 7 - Sayı: 2

Bayesian estimation of the fractionally differencing parameter in the long range dependence normal white noise processes

Uzun dönem bağımlı normal akgürültü sürecinde kesirli fark parametresinin Bayes tahmini

Süleyman GÜNAY
Erol EĞRİOĞLU
Pages
387–391
Publication Date
2022-10-11
DOI
—
🏛️Bibliographic metadata and full text access for this article are provided via DergiPark.
DergiPark Record ↗
✨

AI Summary & Key Takeaways

AI Insight
⚡ TL;DR(Too Long; Didn't Read)

The proposed method is better than logarithmic periodogram regression.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:The estimation of the fractionally differencing parameter is an important problem in the long memory time series.
📊
Key Findings & Data:There are many parametric and semi parametric methods for the estimation of this parameter.
💡
Conclusion & Impact:The proposed method is better than logarithmic periodogram regression.
🔬Design:Research Article
📍Scope:Comprehensive Sample
⚙️Variables:Domain Parameters

Abstract

The estimation of the fractionally differencing parameter is an important problem in the long memory time series. There are many parametric and semi parametric methods for the estimation of this parameter. In this study, a Bayesian approximation for estimation of the fractionally differencing parameter in long range dependence white noise processes is proposed. Normal prior and exact likelihood functions are used in the proposed Bayesian method. This method is compared with the logarithmic periodogram regression method by a simulation study. The proposed method is better than logarithmic periodogram regression.

Özet

Uzun dönem bağımlı zaman serilerinde kesirli fark parametresinin tahmin edilmesi önemli bir sorun olarak düşünülür. Kesirli fark parametesinin tahmin edilmesinde bazı parametrik ve yarı parametrik yöntemler vardır. Bu çalışmada uzun dönem bağımlı normal akgürültü sürecinde kesirli fark parametresinin tahmin edilmesinde bir Bayesci yaklaşım önerildi. Önerilen yaklaşımda normal önsel dağılım ve tam olabilirlik fonksiyonu kullanıldı. Bir benzetim çalışması ile önerilen yaklaşım ile bulunan tahmin edici logaritmik periodogram tahmin edicisi ile karşılaştırıldı. Önerilen yaklaşımın periodogram tahmin edicisine göre daha iyi sonuçlar verdiği görüldü.

🔖

Cite This Article

GÜNAY, S., EĞRİOĞLU, E. (2022). Bayesian estimation of the fractionally differencing parameter in the long range dependence normal white noise processes. Anadolu Üniversitesi Bilim ve Teknoloji Dergisi :A-Uygulamalı Bilimler ve Mühendislik, Cilt: 7 - Sayı: 2, 387–391. https://ajindex.com/articles/438405

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (14)

  1. Ansley,C.F. (1979). An Algorithm for the Exact Likelihood of a Mixed Autoregressive Moving Avarage Process, Biometrica 66, 59-65.
  2. Baillie R. T. (1996). Long Memory Processes and Fractionally Integration in Econometrics, Journal of Econometrics 73, 5-59.
  3. Beran, J. (1994).
  4. Statistics for Long-Memory Processes, Chapman & Hall CRC. Brent, R. (1973). Algorithms for Minimization with out Derivatives. Prentice-Hall, Englewood Cliffs, NJ, USA. E.Eğrioğlu ve S. Günay (2005). Uzun Dönem Bağımlı Normal Akgürültü Sürecinde Otokorelasyon Regresyonu ile Parametre Tahmini. Anadolu Üniversitesi Bilim ve Teknoloji Dergisi 6, 61-66.
  5. Geweke, J. and Porter-Hudak, S. (1983). The Estimation and Application of Long-Memory Time Series Models. Journal of Time Series Analysis 4, 221-237.
  6. Hosking J.R.M. (1981).
  7. Fractionally Differencing, Biometrica 68, 1, 165-176.
  8. Hosking J.R.M. (1984). Modeling Persistence in Hydrological Time Series Using Fractionally Differencing. Water Resources Research 20(12), 1898-1908.
  9. Hurst H.E. (1951). Long-Term Storage Capacity of Reservoirs. Trans. Am. Soc. Civil Engineers 116,770-799.
  10. Li, W.K. ve Mcleaod, A.I. (1986 ). Fractional Time Series Modelling. Biometrica 73, 217-221.
  11. Nan-Jung Hsu ve F. Jay Breidt (2003). Bayesian Analysis of Fractionally Integrated ARMA with Additive Noise. Journal of Forecasting 22,491-514.
  12. Reinsen V., Abraham B. ve Lopes S. (2001). Estimation of Parameters in ARFEVLA Processes: A simulation Study. Communications Statistics and Simulation 30(4),787-803.
  13. Smith J., Taylo N. ve Yadav S (1997). Comparing The Bias And Misspecificiation in ARFIMA Models. Journal of Time Series Analysis 18, 507-527.
  14. Sowell F. (1992). Maximum Likelihood Estimation of Stationary Univariate Fractionally Integrated Time Series Models. Journal of Econometrics 53,165-188.