1. Обнаружение множественных точек изменения в структурированных моделях VAR: пакет VARDetect R (arXiv)
Автор:Пейлян Бай, Юэ Бай, Абольфазл Сафихани, Георгий Михайлидис
Аннотация: модели векторной авторегрессии (VAR) фиксируют временную динамику опережения-запаздывания многомерных данных временных рядов. Они широко используются в макроэкономике, финансовой эконометрике, нейробиологии и функциональной геномике. Во многих приложениях данные демонстрируют структурные изменения в их авторегрессионной динамике, которые соответствуют изменениям в матрицах перехода модели VAR, которые задают такую динамику. Мы представляем пакет R VARDetect, который реализует два класса алгоритмов для обнаружения множественных точек разлома в кусочно-стационарных моделях VAR. Первый демонстрирует сублинейную вычислительную сложность по количеству моментов времени и лучше всего подходит для структурированных разреженных моделей, в то время как второй демонстрирует линейную временную сложность и предназначен для моделей, в которых предполагается, что матрицы перехода имеют низкий ранг плюс разреженное разложение. Пакет также имеет функции для генерации данных из различных вариантов обсуждаемых моделей VAR, которые полезны при имитационном моделировании, а также для визуализации результатов с помощью сетевых схем.
2. Коллективное обнаружение аномалий в многомерных моделях VAR(arXiv)
Автор: Hyeyoung Maeng, Idris Eckley, Paul Fearnhead
Аннотация. Растет интерес к обнаружению коллективных аномалий: потенциально коротких периодов времени, когда характеристики данных меняются, прежде чем вернуться к нормальному поведению. Мы предлагаем новый метод обнаружения коллективной аномалии в моделях VAR. Наше внимание сосредоточено на ситуациях, когда изменение матрицы коэффициентов VAR при аномалии является разреженным, то есть изменяется небольшое количество элементов матрицы коэффициентов VAR. Для решения этой проблемы мы предлагаем тестовую статистику для локального сегмента, построенную на лассо-оценщике изменения параметров модели. Это позволяет нам более эффективно обнаруживать разреженные изменения, и наш подход на основе лассо становится особенно выгодным, когда аномальный интервал короткий. Мы показываем, что новая процедура контролирует ошибку первого рода и имеет асимптотическую мощность, стремящуюся к единице. Практичность нашего подхода демонстрируется с помощью моделирования и двух примеров данных, включая данные о поездках на такси в Нью-Йорке и данные ЭЭГ.
3.Байесовский анализ сезонно-коинтегрированной модели VAR(arXiv)
Автор :Justyna Wróblewska
Аннотация. Целью статьи является разработка байесовской сезонно-коинтегрированной модели для квартальных данных. Мы предлагаем априорную структуру, выводим набор полных условных апостериорных распределений и предлагаем схему выборки. Идентификация коинтегрирующих пространств достигается \emph{} через ограничения ортонормированности, накладываемые на векторы, их покрывающие. В случае годовой повторяемости коинтегрирующие векторы имеют комплексный характер, что следует учитывать при их идентификации. Обсуждается также точечная оценка коинтегрирующих пространств. Представленные методы иллюстрируются имитационным экспериментом и используются для анализа денег и цен в польской экономике.
