Prognozy kwantylowe w zastosowaniach logistycznych. Wprowadzenie do problematyki

• Autorzy: Joanna Bruzda

Warianty tytułu

Forecasts with Regression Quantiles in Logistic Applications - Some Simulation and Empirical Results

• Języki publikacji: PL

Abstrakty

Jak już wspomniano, tematem niniejszej pracy są prognozy kwantylowe, które traktowane są tutaj jako jeden z rodzajów prognoz uzyskiwanych w ramach tzw. teorio-decyzyjnego podejścia do prognozowania. Prognozy takie okazują się szczególnie dobrze umiejscowione w prognozowaniu logistycznym, a to ze względu na związane z nimi zyski planistyczne (planning benefits). O teorio- -decyzyjnym podejściu do konstrukcji prognoz i tzw. prognozach punktowo optymalnych traktuje punkt drugi niniejszego opracowania. W punkcie trzecim dyskutuje się logistyczne zastosowania prognoz kwantylowych, a także wskazuje na inne obszary, gdzie prognozy te powinny być brane pod uwagę. W kolejnych dwu punktach prezentowane są statystyczne metody wyznaczania takich prognoz oraz porównanie ich własności na bazie danych symulowanych i rzeczywistych. Punkt ostatni zawiera najważniejsze wnioski. (fragment tekstu)

EN

In the paper different methods of quantile forecasting are discussed and compared on the basis of simulations. Quantile predictions are treated as a specific decision theoretic approach to forecasting in logistics. Certain logistic decision situations requiring this particular methodology are presented. The theoretical considerations of the paper are illustrated with an empirical example concerning forecasting of energy prices. (original abstract)

Słowa kluczowe

PL

Prognozowanie; Regresja kwantylowa; Analiza ekonometryczna; Logistyka

EN

Forecasting; Quantile regression; Econometric analysis; Logistics

• Czasopismo: Zeszyty Naukowe Uniwersytetu Gdańskiego. Ekonomika Transportu i Logistyka
• Rocznik: 2014
• Numer: nr 51 Modelowanie procesów i systemów logistycznych, cz. XIII
• Strony: 175--195

Twórcy

autor

Joanna Bruzda

• Uniwersytet Mikołaja Kopernika w Toruniu

Bibliografia

• Aiolfi M., Capistrán C., Timmermann A., Forecast Combinations, [w:] M.P. Clements, D.F. Hendry (red.), The Oxford Handbook of Economic Forecasting, Oxford University Press, Oxford 2011.
• Banerjee A., Guo X., Wang H., On the Optimality of Conditional Expectation as a Bregman Predictor, IEEE Transactions on Information Theory, 2005.
• Clements M.P., Evaluating Econometric Forecasts of Economic and Financial Variables, Palgrave Macmillan, New York 2005.
• De Gooijer J.G., Gannoun A., Zerom D., Multi-stage Kernel-based Conditional Quantile Prediction in Time Series, "Communications in Statistics - Theory and Methods" 2001, no. 30.
• Doman M., Doman R., Ekonometryczne modelowanie dynamiki polskiego rynku finansowego, Wydawnictwo Akademii Ekonomicznej w Poznaniu, Poznań 2004.
• Doman M., Doman R., Modelowanie zmienności i ryzyka. Metody ekonometrii finansowej, Wolters Kluwer Business, Kraków 2009.
• Elliott G., Komunjer I., Timmermann A., Biases in Macroeconomic Forecasts. Irrationality or Asymmetric Loss?, "Journal of the European Economic Association" 2008, no. 6.
• Engle R.F., Manganelli S., CAViaR: Conditional Autoregressive Value at Risk by Regression Quantiles, "Journal of Business and Economic Statistics" 2004, no. 22.
• Ferbar L., Čreslovnik D., Mojškerc B., Rajgelj M., Demand Forecasting Methods in a Supply Chain: Smoothing and Denoising, "International Journal of Production Economics" 2009, no. 118.
• Gneiting T., Quantiles as Optimal Point Predictors, Technical Report no. 538, Department of Statistics, University of Washington, Washington 2008.
• Gneiting T., Quantiles as Optimal Point Forecasts, "International Journal of Forecasting" 2011, no. 27.
• Gordon T.P., Morris J.S., Dangerfield B.J., Top-Down or Bottom-Up: Which Is the Best Approach to Forecasting?, "Journal of Business Forecasting" 1997, no. 16.
• Granger C.W.J., Prediction with a Generalized Cost of Error Function, "Operations Research Quarterly" 1969, no. 20.
• Granger C.W.J., Outline of Forecast Theory Using Generalized Cost Functions, "Spanish Economic Review" 1999, no. 1.
• Granger C.W.J., Machina M.J., Forecasting and Decision Theory, [in:] G. Elliott, C.W.J. Granger, A. Timmermann, "Handbook of Economic Forecasting" 2006, vol. 1.
• Granger C.W.J., Newbold P., Forecasting Economic Time Series, Academic Press, New York 1986, wyd. 2.
• Huwiler M., Kaufmann D., Combining Disaggregate Forecasts for Inflation: The SNB's ARIMA Model, "Swiss National Bank Economic Studies" 2013, no. 7.
• Koenker R., Quantile Regression, Cambridge University Press, Cambridge 2005.
• Koenker R., Hallock K., Quantile Regression: An Introduction, 2001, www.econ.uiuc.edu/ ~roger/research/intro/rq3.pdf.
• Koenker R., Bassett G., Regression Quantiles, Econometrica, 1979, no. 46.
• Koenker R., Xiao Z., Quantile Autoregression, "Journal of the American Statistical Association" 2006a, no. 101.
• Koenker R., Xiao Z., Rejoinder of Quantile Autoregression, "Journal of the American Statistical Association" 2006b, no. 101.
• Kuester K., Mittik S., Paolella M.S., Value-at-Risk Prediction: A Comparison of Alternative Strategies, "Journal of Financial Econometrics" 2005, no. 4.
• Laurent T., Kozluk T., Measuring GDP Forecast Uncertainty Using Quantile Regressions, "OECD Economics Department Working Papers" 2012, no. 978.
• West K.D., Forecast Evaluation, [w:] G. Elliot, C. Granger (red.), "Timmermann Handbook of Economic Forecasting" 2006, vol. 1, Elsevier, Amsterdam.