Wybrane metody redukcji szumu losowego w ekonomicznych szeregach czasowych

• Autorzy: Monika Miśkiewicz-Nawrocka
• Języki publikacji: PL

Abstrakty

Rzeczywiste szeregi czasowe (st) składają się z części deterministycznej szeregu (yt) oraz części stochastycznej szeregu (εt). Składnik εt = st - yt wyraża poziom szumu losowego reprezentującego szum obserwacyjny, systemowy lub kombinację szumu obserwacyjnego i systemowego. Redukcja szumu losowego pozwala poznać własności szeregu (yt) w oparciu o analizę szeregu obserwacji (st). Metody redukcji szumu można podzielić na statystyczne i szczegółowe. Metody statystyczne pozwalają wyznaczyć szereg podobny (pod względem statystycznych własności) do (yt) natomiast metody szczegółowe polegają na zrekonstruowaniu poszczególnych obserwacji szeregu (yt). W rozdziale zostaną omówione wybrane metody redukcji szumu losowego w szeregach czasowych. Ponadto, metoda najbliższych sąsiadów zostanie zastosowana do redukcji szumu losowego w wybranych ekonomicznych szeregach czasowych oraz zostanie zbadana efektywność tej metody. Badania empiryczne zostaną przeprowadzone w oparciu o rzeczywiste dane natury ekonomicznej. (fragment tekstu)

Słowa kluczowe

PL

Szeregi czasowe; Ekonomia

EN

Time-series; Economics

• Czasopismo: Prace Naukowe / Uniwersytet Ekonomiczny w Katowicach
• Rocznik: 2012
• Tom: Metody i modele analiz ilościowych w ekonomii i zarządzaniu. Cz. 4
• Strony: 73--87

Twórcy

autor

Monika Miśkiewicz-Nawrocka

• Uniwersytet Ekonomiczny w Katowicach

Bibliografia

• Brock W.A., Hsieh D.A. i LeBaron B., Nonlinear Dynamics, Chaos, and Instability: Statistical Theory and Economica Evidence, The MIT Press, Cambridge 1991
• Cao L., Method of false nearest neighbors, w: Modeling and Forecasting Financial Data, eds. A.S. Soofi, L. Cao, Kluwer, Boston 2001
• Farmer J.D., Sidorowich J.J., Optimal shadowing and noise reduction, „Physica D” 1991, Vol. 47
• Frank M., Stengos T., Chaotic dynamics in economics time series, „Journal of Economic Surveys” 1988, Vol. 2
• Kantz H., Schreiber T., Nonlinear Time Series Analysis, Cambridge University Press 2004
• Kennel M.B., Brown R., Abarbanel H.D.I., Detecting Embedding Dimension for Phase Space Reonstruction Using a Geometrical Construction, „Physical Review A” 1992, vol. 45
• Kyrtsou C., Terraza M., Stochastic chaos or ARCH effects in stock series? A comparative study, „International Review of Financial Analysis” 2002, Vol. 11
• Mayfield E.S., Mizach B., On Determining the Dimension of Real-Time Stock-Price Data, „Journal of Business & Economic Statistics” 1992
• Nowiński M., Nieliniowa dynamika szeregów czasowych, Akademia Ekonomiczna, Wrocław 2007
• Orzeszko W., Identyfikacja i prognozowanie chaosu deterministycznego w ekonomicznych szeregach czasowych, Polskie Towarzystwo Ekonomiczne, Warszawa 2005
• Ott E., Chaos w układach dynamicznych, Wydawnictwa Naukowo-Techniczne, Warszawa 1997
• Packard N.H. i in., Geometry from a time series, „Physical Review Letters” 1980, Vol. 45
• Rosenstein M.T., Collins J.J., De Luca C J., A practical method for calculating largest Lyapunov exponents fi'om small data sets, „Physica D” 1993, Vol. 65
• Stawicki J., Metody filtracji w modelowaniu procesów ekonomicznych, Uniwersytet Mikołaja Kopernika, Toruń 1993
• Takens F., Detecting Strange Attractor In Turbulence, w: Dynamical Systems and Turbulence, eds. D. Rand, L. Young, Springer-Verlag 1981
• Zawadzki H., Chaotyczne systemy dynamiczne. Elementy teorii i wybrane zagadnienia ekonomiczne, Akademia Ekonomiczna, Katowice 1996