Metody identyfikacji obserwacji jednorazowych i długotrwałych - analiza porównawcza na światowych rynkach kapitałowych

• Autorzy: Grażyna Trzpiot , Justyna Majewska

Warianty tytułu

Identification Methods of Additive and Level Shift Outliers - Performance Analysis on Worldwide Capital Markets

• Języki publikacji: PL

Abstrakty

W artykule zaprezentowano klasyczne i odporne narzędzie do wykrywania jednorazowych i długotrwałych obserwacji odstających w modelach ARIMA. Przedstawiono klasyczną procedurę identyfikacji obserwacji nietypowych wykorzystującą estymację parametrów klasyczną metodą największej wiarygodności oraz zmodyfikowaną procedurę wykorzystującą odporną metodęestymacji parametrów (τ-estymację). Celem artykułu jest zweryfikowanie obu metod na danych empirycznych pochodzących z parkietów światowych (o różnych poziomach zmienności, kurtozy i skośności). (fragment tekstu)

EN

Outlier detection is vital because the presence of outliers causes biasedness in the parameters estimates, which in turn increase prediction error. Among lots of existing in literature methods of detecting and correcting outliers it is worth to choose these that can not only indentify the location of the outlier but can also its types and impact. In the paper we discuss classical and robust diagnostic methods to detect additive outliers and level shift in ARIMA models. The classical one is based on residuals obtained using nonrobust estimates. In general, this procedure succeed only when the proportion of outliers is very low and the outliers are not very large. Otherwise, due to masking effects, the outliers may not be detected. The second described method uses innovation residuals based on the filtered τ estimates of the ARIMA parameters instead of Gaussian MLE. For the empirical analysis we choose time series of world's stock exchanges. (original abstract)

Słowa kluczowe

PL

Rynek kapitałowy; Estymatory

EN

Capital market; Estimators

• Czasopismo: Studia Ekonomiczne / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2012
• Numer: nr 91 Analiza szeregów czasowych a statystyczny pomiar ryzyka
• Strony: 111--121

Twórcy

autor

Grażyna Trzpiot

• Uniwersytet Ekonomiczny w Katowicach

autor

Justyna Majewska

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Ben-Gal I. (2005): Outlier Detection. W: Data Mining and Knowledge Discovery Handbook: A Complete Guide for Practitioners and Researchers. Red. O. Maimon, L. Rockach. Kluwer Academic Publishers.
• Bianco M., García B.M., Martínez E.J., Yohai V.J. (2001): Outlier Detection in Regression Models with ARIMA Errors Using Robust Estimates. "Journal of Forecasting", Vol. 20 (8).
• Chang I., Tiao G.C., Chen C. (1988): Estimation of Time Series Parameters in the Presence of Outliers. "Technometrics", 30.
• Chen C., Liu L.M. (1993): Joint Estimation of the Model Parameters and Outlier Effects in Time Series. "Journal of the American Statistical Association" 88.
• Hawkins D. (1980): Identification of Outliers. Chapman and Hall.
• Maronna R., Martin R., Yohai V. (2006): Robust Statsitics. Theory and Methods. John Wiley and Sons, NY.
• Martin R.D., Yohai V.J. (1996): Highly Robust Estimation of Autoregressive Integrated Time Series Models. Publicaciones Previas 89, Facultad de Ciencias Exactas Naturales, Universidad de Buenos Aires.
• Seo S. (2006): A Review and Comparison of Methods for Detecting Outliers in Univariate Data Sets. University of Pittsburgh, http://etd.library.pitt.edu/ETD.
• Tsay R.S. (1988): Outliers, Level Shifts and Variance Changes in Time Series. "Journal of Forecasting", 7.
• Zivot E., Wang J. (2001): Modelling Financial Time Series with S-PLUS. September, 27.