Bayesian Decision Analysis For Benchmarking Daily And Monthly Time Series

  1. Sanz-Gómez, Jose-Antonio 1
  2. Rojo-García, José-Luis 1
  1. 1 Universidad de Valladolid
    info
    Universidad de Valladolid

    Valladolid, España

    ROR https://ror.org/01fvbaw18

    Localización geográfica de la organización Universidad de Valladolid
Revista:
Estudios de economía aplicada

ISSN: 1133-3197,  1697-5731

Año de publicación: 2024

Título del ejemplar: Advances in Econometric Modeling: Theory and Applications

Volumen: 42

Número: 1

Tipo: Artículo

DOI: 10.25115/SAE.V42I1.9564 DIALNET GOOGLE SCHOLAR

Otras publicaciones en: Estudios de economía aplicada

Resumen

En el análisis de series temporales económicas, suele ser necesaria la desagregación diaria de series mensuales al ajustar series financieras (opciones sobre acciones, swaps, hipotecas u otros préstamos). Los métodos estadísticos clásicos de desagregación sólo permiten estimar series trimestrales o mensuales y sólo pueden aplicarse cuando la alta frecuencia es un múltiplo regular de la baja frecuencia. Por tanto, no hay soluciones para las series financieras habituales. Ello evidencia la necesidad de desarrollar herramientas y métodos para series de mayor frecuencia (diaria o seminal). En este trabajo se obtiene el primer método conocido para utilizar indicadores diarios, teniendo en cuenta el diferente número de días de cada mes. El método bayesiano (normal-gamma) propuesto puede emplear varios indicadores para el modelo de verosimilitud, obteniendo además una solución limpia (no iterativa) para la estimación óptima de series diarias. También es importante observar que el modelo incluye un mecanismo de corrección para los indicadores volátiles, como suele ocurrir en los problemas relacionados con áreas pequeñas. La metodología, en la línea de las especificaciones normal-gamma, permite construir intervalos de credibilidad bayesiana para las series estimadas. 

Referencias bibliográficas

  • Boot, J.C.G. and Feibes, W. (1967). On Glejser's derivation of monthly figures from yearly data. Cahiers Économiques de Bruxelles 36, 539-546.
  • Box, G.E.P. and Tiao, G.C. (1973). Bayesian inference in statistical analysis. Addison Wesley, Boston, MA, USA.
  • Broemeling, L.D. (1985). Bayesian Analysis of Linear Models, Marcel Dekker, New York, NY.
  • Brooks, S.P. and Gelman, A. (1998) General Methods for Monitoring Convergence of Iterative Simulations. Journal of Computational and Graphical Statistics 7:4, 434-455, DOI: 10.1080/10618600.1998.10474787
  • Chow, G.C. and Lin, A.L. (1971) Best Linear Unbiased Interpolation, Distribution and Extrapolation of Time Series by related series. The Review of Economics and Statistics 53(4), 372-375.
  • Dagum, E.B. and Cholette, P.A. (2006) Benchmarking, Temporal Distribution and Reconciliation Methods of Time Series. Springer Science+Business Media. New York.
  • Denton, F.T. (1971). Adjustment of monthly or quarterly series to annual totals: An approach based on quadratic minimization. Journal of the American Statistical Association 66 (333), 99–102. DOI: https://doi.org/10.1080/01621459.1971.10482227
  • di Fonzo, T. (2003). Temporal Disaggregation of Economic Time Series: Towards a dynamic extension (Working Paper), Luxembourg: Office for Official Publication of the European Communities. Retrieved from https://ec.europa.eu/eurostat/documents/3888793/5816173/KS_AN-03-035-EN.
  • di Fonzo, T. and Filosa, R. (1987). Methods of estimation of quarterly national account series: A comparison, in Journée Franco-Italienne de Comptabilité Nationale (Journée de Statistique), Lausanne, Switzerland.
  • Fernández, R.B. (1981). A Methodological note on the estimation of Time Series. The Review of Economics and Statistics 63 (3), 471-478.
  • Gamerman, D. (1997). Markov Chain Monte Carlo: Stochastic simulation for Bayesian inference, Chapman & Hall, London.
  • Gelman, A. and Rubin, D.B. (1992). Inference from Iterative Simulation Using Multiple Sequences. Statistical Sciences 7 (4), 457-511.
  • Geman, S. and Geman, D. (1984) Stochastic Relaxation, Gibbs Distributions, and the Bayesian Restoration of Images, IEEE Transactions on Pattern Analysis and Machine Intelligence 6 (6), 721-741. DOI:10.1109/TPAMI.1984.4767596
  • Rojo, J.L. and Sanz, J.A. (2001). Una propuesta bayesiana para la distribución de Contabilidades regionales por procedimientos indirectos. In Cambios Regionales en la U.E. y Nuevos Retos Territoriales, AECR, ISBN: 84-607-3322-X, Madrid, 1-19.
  • Rojo, J.L. and Sanz, J.A. (2005). A Bayesian benchmarking method with applications to the Quarterly National Accounts. Luxembourg: Office for Official Publications of the European Communities. Retrieved from https://ec.europa.eu/eurostat/documents/3888793/5836929/KS-DT-05-013-EN.
  • Rojo, J.L. and Sanz, J.A. (2017). Benchmarking and reconciliation of time series. An applied Bayesian method, Methodology 13 (4), 123–134. DOI: https://doi.org/10.1027/1614-2241/a000136.
  • J Rojo, J.L. and Sanz, J.A. (2020). Benchmarking and Reconciliation with Time-varying cross-coefficients, Methodology 16 (4), 316-334. https://doi.org/10.5964/meth.4529
  • Rodríguez-López, A., Fernández-Abascal, A., Maté-García, J.J., Rodríguez-Fernández, J.M., Rojo-García, J.L. and Sanz-Gómez, J.A. (2021). Evaluating Euribor Manipulation: Effects on Mortgage Borrowers. Finance Research Letters, 40, 101795. https://doi.org/10.1016/j.frl.2020.101795.
  • Spiegelhalter, D., Thomas, A., and Best, N. (1999) WinBUGS (Version 1.2) [User Manual]. MRC Biostatistics Unit, Cambridge, United Kingdom.
  • Stram, D. and Wei, W. (1986). A Methodological Note on the Disaggregation of Time Series Totals. Journal of Time Series Analysis 7, S. 293-302
  • Young, M.R. (1996). Robust seasonal adjustment by Bayesian modelling, Journal of Forecasting, 15 (5), 355–367. DOI: https://doi.org/10.1002/(SICI)1099-131X(199609)15:5<355::AID-FOR625>3.0.CO;2-K.
  • Zellner, A. (1971). An Introduction to Bayesian Inference in Econometrics, John Wiley & Sons, New York.
Fuente de los datos: Dialnet