SavedAdd your journal

Journals / Anadolu Üniversitesi Bilim ve Teknoloji Dergisi :A-Uygulamalı Bilimler ve Mühendislik / 2005 / Cilt: 6 - Sayı: 1

Parameter estimation with autocorrelation regression in long range dependence normal white noise process

Uzun dönem bağımlı normal akgürültü sürecinde otokorelasyon regresyonu ile parametre tahmini

Süleyman GÜNAY
Erol EĞRİOĞLU
Pages
61–66
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)

Under some circumstances autocorrelation regression is supperior than logarithm pediogram regression.

📌 3 Key Takeaways

🎯
Objective & Hypothesis:It is possible that estimating the parameters-is long range normal white noise process can lead to obtain semi parametric estimates of parameters of fractionally autoregressive moving avarege processes.
📊
Key Findings & Data:Corelogram is hardly used to estimate parameters in long range dependence normal white noise processes.
💡
Conclusion & Impact:Under some circumstances autocorrelation regression is supperior than logarithm pediogram regression.
🔬Design:Research Article
📍Scope:Comprehensive Sample
⚙️Variables:Domain Parameters

Abstract

It is possible that estimating the parameters-is long range normal white noise process can lead to obtain semi parametric estimates of parameters of fractionally autoregressive moving avarege processes. Corelogram is hardly used to estimate parameters in long range dependence normal white noise processes. In this study instead of using corelogram autocorrelation, autocorrelation regression method is employed. The linear regression function is constructed based on taking the logarithm of absolute values of autocorrelations and lags of logarithms. The features of this estimator are examined with a simulation study. Pediogram regression method and autocorrelation regression method are compared using artifical data. Under some circumstances autocorrelation regression is supperior than logarithm pediogram regression.

Özet

Uzun dönem bağımlı normal akgürültü sürecinden elde edilen parametre tahmini kullanılarak, fraksiyonel otoregresif hareketli ortalama süreçlerinin parametreleri yarı parametrik olarak tahmin edilebilir. Uzun dönem bağımlı normal akgürültü sürecinde parametre tahmini için korelogram grafiği çok ender kullanılmaktadır. Bu çalışmada korelogram grafiği kullanılarak uzun dönem bağımlılığı belirlemek yerine otokorelasyonların mutlak değerinin logaritmasının gecikmelerin logaritması üzerine basit doğrusal regresyonunu gerçekleştirerek uzun dönem bağımlılık parametresi tahmin edildi ve bu yöntem için tahmin edicinin özellikleri bir similasyon çalışması ile incelendi.Yapay veriler kullanılarak logaritmik pediogram regresyonu yöntemi ile otokorelasyon regresyonu yöntemi karşılaştırıldı. Otokorelasyon regresyonunun logaritmik pediogram regresyonundan daha üstün olduğu durumlar ortaya çıkarıldı.

🔖

Cite This Article

GÜNAY, S., EĞRİOĞLU, E. (2022). Parameter estimation with autocorrelation regression in long range dependence normal white noise process. Anadolu Üniversitesi Bilim ve Teknoloji Dergisi :A-Uygulamalı Bilimler ve Mühendislik, Cilt: 6 - Sayı: 1, 61–66. https://ajindex.com/articles/438428

📄 Full Text PDF Viewer

📄

PDF görüntüleyici hazırlanıyor...

References (13)

  1. Beran, J. (1994).
  2. Statistics for Long-Memory Processes, Chapman&Hall/CRC Bertelli S. ve M. Coporin (2002). A Note on Calculating Autocovariances of Long Memory Processes. Journal of Time Series Analysis 23(5), 503-508. Fallaw S., (1992). Maximum Likelihood Estimation of Stationary Univariate Fractionally Integrated Time Series Models. Journal of Econometrics 53,165-188.
  3. Fox, R. ve Taqqu M.S. (1986). Large Sample Properties Parameter Estimates for Strongly Dependent Stationary Gaussian Time Series. Ann. Statist. 14,517-532.
  4. Geweke, J. ve Porter-Hudak, S. (1983). The Estimation and Application of Long-Memory Time Series Models. Journal of Time Series Analysis 4,221-237.
  5. Granger, C.W.J. ve Joyeux R. (1980). An Introduction to Long-Memory Time Series Models and Fractionally Differencing. Journal of Time Series Analysis 1 (1), 15-29.
  6. Hosking, J.R.M., (1981). Fractionally Differencing. Biometrica 68( 1), 165-176.
  7. Hosking, J.R.M., (1984). Modeling Persistence in Hydrological Time Series Using Fractionaly Differencing. Water Resources Research 20(12), 1898-1908.
  8. Hurst, H.E. (1951). Long-term storage capacity of reservoirs. Trans. Am. Soc. Civil Engineers 116, 770-799.
  9. Koop, G., Ley, E., Osiewalski, J. ve Steel, M.F.J. (1997). Bayesian Analysis of Long Memory and Persistence Using ARFIMA Models. Journal of Econometrics 76,149-169.
  10. Li, W.K. ve Mcleaod, A.I. (1986 ). Fractional Time Series Modelling. Biometrica. 73, 217-221. Pai J.S. ve Ravishanker N., (1998). Bayesian Analysis of Autoregressive Fractionally Integrated Moving-Avarage Processes. Journal of Time Series Analysis 19, 99-112.
  11. Robinson (1995). Gaussian Semi-Parametric Estimation of Long Range Dependence. Annals of Statistics 23, 1630-1661.
  12. Reinsen, V., Abraham, B. ve Lopes, S. (2001). Estimation of Parameters in ARFIMA Processes: A simulation Study. Comun. Statist. Simula. 30(4),787-803.
  13. Whittle, P. (1951). Hypothesis Testing in Time Series Analysis. Almquist and Wiksells. Uppsala. Yoshiro (1985). Oh Estimation of Long Memory Time Series Models. Austral. J. Statist. 27(3), 303-320.