Information and Prediction Criteria in Selecting the Forecasting Model

• Autorzy: Mariola Piłatowska

Warianty tytułu

Kryteria informacyjne i predykcyjne w wyborze modelu prognostycznego

• Języki publikacji: EN

Abstrakty

EN

The purpose of the paper it to compare the performance of both information and prediction criteria in selecting the forecasting model on empirical data for Poland when the data generating model is unknown. The attention will especially focus on the evolution of information criteria (AIC, BIC) and accumulated prediction error (APE) for increasing sample sizes and rolling windows of different size, and also the impact of initial sample and rolling window sizes on the selection of forecasting model. The best forecasting model will be chosen from the set including three models: autoregressive model, AR (with or without a deterministic trend), ARIMA model and random walk (RW) model. (original abstract)

Celem artykułu jest porównanie zachowania się kryteriów informacyjnych i predykcyjnych w wyborze modelu prognostycznego na podstawie danych empirycznych dla Polski, przy założeniu nieznajomości modelu generującego dane. Uwaga będzie poświęcona śledzeniu zmian kryteriów informacyjnych (AIC, BIC) oraz skumulowanego błędu prognoz (APE) dla próby powiększanej iteracyjnie o jedną obserwację i ruchowych okien (o różnej wielkości), a także ocenie wpływu wielkości próby (startowej) i ruchomego okna na wybór modelu prognostycznego. Wybór najlepszego modelu prognostycznego jest dokonywany spośród następującego zestawu modeli: model autoregresyjny (AR, z trendem i bez trendu deterministycznego), model ARIMA, model błądzenia przypadkowego (RW). (abstrakt oryginalny)

Słowa kluczowe

EN

Information; Forecasting models; Econometric models

PL

Informacja; Modele prognostyczne; Modele ekonometryczne

• Czasopismo: Dynamic Econometric Models
• Rocznik: 2011
• Tom: 11
• Strony: 21--39

Twórcy

autor

Mariola Piłatowska

• Nicolaus Copernicus University in Toruń, Poland

Bibliografia

• Armstrong, J. S. (2001), Principles of Forecasting, Springer, New York.
• Armstrong, J. S., Fildes, R. (1995), On the Selection of Error Measures for Comparisons Among Forecasting Methods, Journal of Forecasting, 14, 67-71.
• Box, G. E. P. (1976), Science and Statistics, Journal of the American Association, 71, 791-799.
• Burnham, K. P., Anderson, D. R. (2002), Model Selection and Multimodel Inference, Springer.
• Chatfield, C. (2000), Time-series Forecasting, Chapman & Hall/CRC, Boca Raton-London-New York-Washington.
• Clarke, B. (2001), Combining Model Selection Procedures for Online Prediction, Sankhya: The Indian Journal of Statistics, 63, Series A, 229-249.
• De Leeuw, J. (1988), Model Selection in Multinomial Experiments, in: T. K. Dijkstra (ed.), On Model Uncertainty and its Statistical Implication, Lecture Notes in Economics and Mathematical Systems, Springer-Verlag, New York.
• Dawid, A. P. (1984), Statistical Theory: the Prequential Approach, Journal of Royal Statistical Society Series B, 147, 278-292.
• De Luna, X., Skouras, K. (2003), Choosing a Model Selection Strategy, Scandinavian Journal of Statistics, 30, 113-128.
• Kunst, R. M. (2003), Testing for Relative Predictive Accuracy: A Critical Viewpoint, Economics Series, 130, 1-45, Department of Economics and Finance, Vienna.
• Mentzer, J. T., Kahn, K. B. (1995), Forecasting Technique Familiarity, Satisfaction, Usage, and Application, Journal of Forecasting, 14, 465-476.
• Rissanen, J. (1986), Order estimation by Accumulated Prediction Errors, Journal of Applied Probability, 23A, 55-61. Skouras, K., Dawid, A. P. (1998), On Efficient Point Prediction Systems, Journal of Royal Statistical Society B, 60, 765-780.
• Swanson, N. R., White, H. (1997), Forecasting Economic Time Series Using Flexible Versus Fixed Specification and linear Versus Nonlinear Econometric Models, Journal of Forecasting, 13, 439-461.
• Taub, F. B. (1993), Book Review: Estimating Ecological Risks, Ecology, 74, 1290-1291.
• Wagenmaker, E-J., Grünwald, P., Steyvers, M. (2006), Accumulative Prediction Error and the Selection of Time Series Models, Journal of Mathematical Psychology, 50, 149-166.

Identyfikatory

DOI

10.12775/DEM.2011.002