Diss.--philosophische Fakultät--Münster--Wilhelms-Universität, 1998. / Notes bibliogr. Bibliogr. p. 221-238.

No description available.

This thesis compares MIDAS regressions, introduced in Ghysels, Santa-Clara and Valkanov (2002), to the RAMSES model, used by the Riksbank,in forecasting Swedish quarterly output growth (GDP). Using Swedish GPDdata from 1993Q1 and onwards, we compare forecasts for the period 2010Q1to 2011Q4, and we show that for longer forecast horizons (commonly usedby the Riksbank for monetary policy decisions), such as two and three yearsahead in time, the MIDAS regressions clearly outperforms the RAMSESmodel. For shorter horizons the results are not conclusive.KEYWORDS: MIDAS, GDP, forecasting, Sveriges Riksbank

We forecast US GDP sampled quarterly over horizons ranging from one quarter to three years. Using AR-MIDAS models we study three lag polynomials: the Almon lag, the exponential Almon lag and the beta lag, and nine macroeconomic variables, sampled weekly or monthly. Our benchmark model is an AR(1) and we compare forecast errors using RMSE. In all instances the AR-MIDAS achieves lower forecast errors compared to the benchmark model. The predictor sampled weekly generally performs better compared to other predictors, which are sampled monthly.

Neste trabalho, tínhamos por objetivo propor um modelo dinâmico de estrutura a termo de taxas de juros com variáveis macroeconômicas baseado na formulações de Diebold e Li (2006) e Nelson e Siegel (1987) (DNS). A estrutura de estimação proposta permite utilizar dados de frequências distintas, combinando observações diárias de curvas de juros e mensais de variáveis macroeconômicas de interesse através de uma estrutura MIDAS - Mixed Data Sampling. Também utilizamos uma estrutura de volatilidade estocástica multivariada para os fatores latentes e variáveis macroeconômicas e também permitimos que o parâmetro de decaimento do modelo DNS varie no tempo, permitindo capturar mudanças na estrutura de volatilidade condicional e no formato das curvas em períodos longos. O procedimento de estimação é baseado em métodos Bayesianos usando Markov Chain Monte Carlo. Aplicamos este modelos para a curva de juros de títulos do Tesouro Americano entre 1997 e 2011. Os resultados indicam que incorporação de informações diárias e mensais em um mesmo modelo permite ganhos significantes de ajuste, superando as estimativas usuais baseadas em modelos sem informações macroeconômicas e nos métodos usuais de estimação do modelo de Diebold e Li (2006) / In this present work, we propose a dynamic model for the term structure of interest rates with macroeconomic variables based on Diebold e Li (2006)\'s and Nelson e Siegel (1987)\'s researches. The estimation procedure we intend to build allows time series data sampled at different frequencies, mixing daily observations of yield curves and monthly observations of macroeconomic variable through a Mixed Data Sampling (MIDAS) regression. We also make use of a multivariate stochastic volatility structure for the latent factors and allow the parameter that governs the exponential decay rate to vary trough time, which enables us to capture changes both in the conditional volatility structure and in the curve\'s shapes during long periods. The estimation procedure is based on Baeysian inference trough the usage of of Markov Chain Monte Carlo (MCMC) method. We applied these models to the U.S. Treasure bonds\' yield curve from 1997 to 2011. The results denote that joining daily and monthly information into the same model allows significant gains on fitting these models to the term structure, overcoming the usual estimates based on models without macroeconomics information and on regular estimation methods of Diebold e Li (2006)\'s model.

Cette thèse porte sur l’enseignement des langues, vue par la perspective de la théorie des intelligences multiples proposée par Gardner. J’adopte la position selon laquelle le niveau de réussite d’un étudiant n’est pas uniquement influencé par la manière dont l’enseignement est dispensé, mais également par un ensemble de corrélations qui font que chaque individu est influencé par un environnement immédiat et un environnement non immédiat. La capacité humaine de réagir de manière appropriée à un ensemble de corrélations est ce qui constitue la définition moderne d’intelligence (Barrington 2007 : 423) et plus précisément la théorie des intelligences multiples (intelligences multiples). J’émets l’hypothèse qu’une approche par les intelligences multiples a un effet positif sur l’apprentissage des langues.Afin de confirmer ou non cette hypothèse, j’ai évalué le retour d’information de divers acteurs suite à des activités basées sur les intelligences multiples. J’ai d’abord effectué une enquête auprès des enseignants en LANSAD (Langues pour spécialistes d’autres disciplines) au sujet des leurs pratiques. Puis, j’ai sollicité des enseignants en anglais des sciences pour mettre en place ces activités auprès de leurs étudiants, afin d’avoir une vision subjective. Enfin, j’effectue une enquête spécifique autour de la motivation parmi les étudiants en LANSAD.Cette thèse s’organise en trois parties principales. La première partie porte sur la corrélation entre la théorie des intelligences multiples et la réussite en cours d’anglais de spécialité. La deuxième partie est consacrée à la corrélation entre la théorie des intelligences multiples et la créativité. Enfin, la dernière partie propose une analyse de la relation entre la théorie des intelligences multiples et la motivation des étudiants. La conclusion propose quelques suggestions pour l’enseignement des langues de spécialité. / This thesis focuses on language teaching from the perspective of Gardner’s theory of multiple intelligences. The level of success of a student is not only influenced by the way in which instruction is delivered, but also by a set of correlations that influence each individual, be that by an immediate or a non-immediate environment. The human capacity to react appropriately to this set of correlations is what constitutes the modern definition of intelligence (Barrington 2007: 423), and more specifically, the theory of multiple intelligences. The thesis hypothesis questions whether a multiple intelligence approach has a positive effect on language learning.To confirm or not this hypothesis, we evaluated various sets of activities based on multiple intelligences. We first conducted a survey of LANSAD teachers on their class practices. Then, we asked teachers in Scientific English to set up these activities in their own classes in order to have a subjective view. Finally, we also carried out a specific investigation on motivation among ESP students.This thesis is divided into three main sections. The first section deals with the correlation between multiple intelligences and language sustainability in English. The second examines the correlation between multiple intelligences and creativity. The last section discusses the relationship between multiple intelligences and motivation in students. The conclusions offer some suggestions for teaching and learning English for specific purposes.

A abordagem de regressão MIDAS (Mixed Data Sampling), proposta por Ghysels et al. (2004), permite relacionar diretamente variáveis em freqüências distintas. Esta característica é particularmente atraente quando se deseja utilizar os dados nas freqüências em que são disponibilizados, bem como quando o objetivo é calcular previsões multi-períodos à frente. Nesta tese, utiliza-se a abordagem de regressão MIDAS em três ensaios em que são realizadas aplicações empíricas nas áreas de finanças e macroeconomia. Os três ensaios são de caráter comparativo. Com aplicações em diferentes contextos de previsão, objetiva-se contribuir fornecendo evidências empíricas comparativas. No primeiro ensaio, são explorados resultados comparativos no contexto de previsão de volatilidade multi-períodos. Compara-se a abordagem MIDAS com dois métodos amplamente utilizados no cálculo de previsões multi-períodos à frente: as abordagens direta e iterada. Seus desempenhos relativos são investigados em um estudo de Monte Carlo e em um estudo empírico em que são computadas previsões de volatilidade para horizontes de até 60 dias à frente. Os resultados do estudo de Monte Carlo indicam que a abordagem MIDAS fornece as melhores previsões para os horizontes iguais ou superiores a 15 dias. Em contraste, as previsões geradas a partir da abordagem iterada são superiores nos horizontes de 5 e 10 dias à frente. No estudo empírico, utilizando-se retornos diários dos índices S&P 500 e NASDAQ, os resultados não são tão conclusivos, mas sugerem um melhor desempenho para a abordagem iterada. Todas as análises são fora da amostra. No segundo ensaio, são comparados diversos modelos de previsão de volatilidade multi-períodos, especificamente das famílias MIDAS e HAR. As comparações são realizadas em termos da acurácia das previsões de volatilidade fora da amostra. No segundo ensaio, são comparados diversos modelos de previsão de volatilidade multi-períodos, especificamente das famílias MIDAS e HAR. As comparações são realizadas em termos da acurácia das previsões de volatilidade fora da amostra. Combinações das previsões dos referidos modelos também são consideradas. São utilizados retornos intradiários do IBOVESPA no cálculo de medidas de volatilidade, tais como variância realizada, variação potente realizada e variação bipotente realizada, sendo estas medidas usadas como regressores em ambos os modelos. Adicionalmente, utiliza-se um procedimento não paramétrico na estimação das medidas de variabilidade dos componentes contínuo e de saltos do processo de variação quadrática. Estas medidas são utilizadas como regressores separados em especificações MIDAS e HAR. Quanto às evidências empíricas, os resultados em termos de erro quadrático médio sugerem que regressores baseados em medidas de volatilidade robustas a saltos (i.e., variação bipotente realizada e variação potente realizada) são melhores em prever volatilidade futura. Entretanto, observa-se que, em geral, as previsões baseadas nestes regressores não são estatisticamente diferentes daquelas baseadas na variância realizada (o regressor benchmark). Além disso, observa-se que, de modo geral, o desempenho relativo das três abordagens de previsão (i.e., MIDAS, HAR e combinação de previsões) é estatisticamente equivalente. No terceiro ensaio, busca-se comparar os modelos MS-MIDAS (Markov-Switching MIDAS) e STMIDAS (Smooth Transition MIDAS) em termos de acurácia preditiva. Para tanto, realiza-se um exercício de previsão em tempo real em que são geradas previsões fora da amostra para o crescimento do PIB trimestral dos Estados Unidos com o uso de indicadores financeiros mensais. Neste exercício, também são considerados modelos lineares MIDAS e outros modelos de previsão (lineares e não-lineares) que incluem informação dos indicadores (via agregação temporal das observações mensais) para fins comparativos de desempenho preditivo. A partir dos resultados do estudo empírico, observa-se que, de modo geral, os modelos MS-MIDAS fornecem previsões mais acuradas que os modelos STMIDAS. / The Mixed Data Sampling (MIDAS) regression approach, proposed by Ghysels et al. (2004), allows us to directly relate variables at different frequencies. This characteristic is particularly attractive when one wishes to use the data at their original sampling frequencies, as well as when the objective is to calculate multi-period-ahead forecasts. In this thesis, we use the MIDAS regression approach in three papers in which we perform empirical applications in the areas of finance and macroeconomics. All papers are comparative studies. With applications in different forecasting contexts, we aim at contributing with empirical comparative evidence. In the first paper, we explore comparative results in the context of multi-period volatility forecasting. We compare the MIDAS approach with two widely used methods of producing multi-period forecasts: the direct and the iterated approaches. Their relative performances are investigated in a Monte Carlo study and in an empirical study in which we forecast volatility at horizons up to 60 days ahead. The results of the Monte Carlo study indicate that the MIDAS forecasts are the best ones at horizons of 15 days ahead and longer. In contrast, the iterated forecasts are superior for shorter horizons of 5 and 10 days ahead. In the empirical study, using daily returns of the S&P 500 and NASDAQ indexes, the results are not so conclusive, but suggest a better performance for the iterated forecasts. All analyses are out-of-sample. In the second paper, we compare several multi-period volatility forecasting models, specifically from MIDAS and HAR families. We perform our comparisons in terms of out-of-sample volatility forecasting accuracy. We also consider combinations of the models forecasts. Using intra-daily returns of the IBOVESPA, we calculate volatility measures such as realized variance, realized power variation, and realized bipower variation to be used as regressors in both models. Further, we use a nonparametric procedure for separately measuring the continuous sample path variation and the discontinuous jump part of the quadratic variation process. Thus, MIDAS and HAR specifications with the continuous sample path and jump variability measures as separate regressors are estimated. Our results in terms of mean squared error suggest that regressors involving volatility measures which are robust to jumps (i.e., realized bipower variation and realized power variation) are better at forecasting future volatility. However, we find that, in general, the forecasts based on these regressors are not statistically different from those based on realized variance (the benchmark regressor). Moreover, we find that, in general, the relative forecasting performances of the three approaches (i.e., MIDAS, HAR and forecast combinations) are statistically equivalent. In the third paper, we compare the Markov-Switching MIDAS (MS-MIDAS) and the Smooth Transition MIDAS (STMIDAS) models in terms of forecast accuracy. We perform a real time forecasting exercise in which out-of-sample forecasts for the quarterly U.S. output growth are generated using monthly financial indicators. In this exercise, we also consider linear MIDAS models, and other forecasting models (linear and nonlinear) that include information on the indicators (via temporal aggregation of the monthly observations) for comparative purposes. From the results of the empirical study, we observe that, in general, the MS-MIDAS models provide more accurate forecasts than do the STMIDAS models.

A abordagem de regressão MIDAS (Mixed Data Sampling), proposta por Ghysels et al. (2004), permite relacionar diretamente variáveis em freqüências distintas. Esta característica é particularmente atraente quando se deseja utilizar os dados nas freqüências em que são disponibilizados, bem como quando o objetivo é calcular previsões multi-períodos à frente. Nesta tese, utiliza-se a abordagem de regressão MIDAS em três ensaios em que são realizadas aplicações empíricas nas áreas de finanças e macroeconomia. Os três ensaios são de caráter comparativo. Com aplicações em diferentes contextos de previsão, objetiva-se contribuir fornecendo evidências empíricas comparativas. No primeiro ensaio, são explorados resultados comparativos no contexto de previsão de volatilidade multi-períodos. Compara-se a abordagem MIDAS com dois métodos amplamente utilizados no cálculo de previsões multi-períodos à frente: as abordagens direta e iterada. Seus desempenhos relativos são investigados em um estudo de Monte Carlo e em um estudo empírico em que são computadas previsões de volatilidade para horizontes de até 60 dias à frente. Os resultados do estudo de Monte Carlo indicam que a abordagem MIDAS fornece as melhores previsões para os horizontes iguais ou superiores a 15 dias. Em contraste, as previsões geradas a partir da abordagem iterada são superiores nos horizontes de 5 e 10 dias à frente. No estudo empírico, utilizando-se retornos diários dos índices S&P 500 e NASDAQ, os resultados não são tão conclusivos, mas sugerem um melhor desempenho para a abordagem iterada. Todas as análises são fora da amostra. No segundo ensaio, são comparados diversos modelos de previsão de volatilidade multi-períodos, especificamente das famílias MIDAS e HAR. As comparações são realizadas em termos da acurácia das previsões de volatilidade fora da amostra. No segundo ensaio, são comparados diversos modelos de previsão de volatilidade multi-períodos, especificamente das famílias MIDAS e HAR. As comparações são realizadas em termos da acurácia das previsões de volatilidade fora da amostra. Combinações das previsões dos referidos modelos também são consideradas. São utilizados retornos intradiários do IBOVESPA no cálculo de medidas de volatilidade, tais como variância realizada, variação potente realizada e variação bipotente realizada, sendo estas medidas usadas como regressores em ambos os modelos. Adicionalmente, utiliza-se um procedimento não paramétrico na estimação das medidas de variabilidade dos componentes contínuo e de saltos do processo de variação quadrática. Estas medidas são utilizadas como regressores separados em especificações MIDAS e HAR. Quanto às evidências empíricas, os resultados em termos de erro quadrático médio sugerem que regressores baseados em medidas de volatilidade robustas a saltos (i.e., variação bipotente realizada e variação potente realizada) são melhores em prever volatilidade futura. Entretanto, observa-se que, em geral, as previsões baseadas nestes regressores não são estatisticamente diferentes daquelas baseadas na variância realizada (o regressor benchmark). Além disso, observa-se que, de modo geral, o desempenho relativo das três abordagens de previsão (i.e., MIDAS, HAR e combinação de previsões) é estatisticamente equivalente. No terceiro ensaio, busca-se comparar os modelos MS-MIDAS (Markov-Switching MIDAS) e STMIDAS (Smooth Transition MIDAS) em termos de acurácia preditiva. Para tanto, realiza-se um exercício de previsão em tempo real em que são geradas previsões fora da amostra para o crescimento do PIB trimestral dos Estados Unidos com o uso de indicadores financeiros mensais. Neste exercício, também são considerados modelos lineares MIDAS e outros modelos de previsão (lineares e não-lineares) que incluem informação dos indicadores (via agregação temporal das observações mensais) para fins comparativos de desempenho preditivo. A partir dos resultados do estudo empírico, observa-se que, de modo geral, os modelos MS-MIDAS fornecem previsões mais acuradas que os modelos STMIDAS. / The Mixed Data Sampling (MIDAS) regression approach, proposed by Ghysels et al. (2004), allows us to directly relate variables at different frequencies. This characteristic is particularly attractive when one wishes to use the data at their original sampling frequencies, as well as when the objective is to calculate multi-period-ahead forecasts. In this thesis, we use the MIDAS regression approach in three papers in which we perform empirical applications in the areas of finance and macroeconomics. All papers are comparative studies. With applications in different forecasting contexts, we aim at contributing with empirical comparative evidence. In the first paper, we explore comparative results in the context of multi-period volatility forecasting. We compare the MIDAS approach with two widely used methods of producing multi-period forecasts: the direct and the iterated approaches. Their relative performances are investigated in a Monte Carlo study and in an empirical study in which we forecast volatility at horizons up to 60 days ahead. The results of the Monte Carlo study indicate that the MIDAS forecasts are the best ones at horizons of 15 days ahead and longer. In contrast, the iterated forecasts are superior for shorter horizons of 5 and 10 days ahead. In the empirical study, using daily returns of the S&P 500 and NASDAQ indexes, the results are not so conclusive, but suggest a better performance for the iterated forecasts. All analyses are out-of-sample. In the second paper, we compare several multi-period volatility forecasting models, specifically from MIDAS and HAR families. We perform our comparisons in terms of out-of-sample volatility forecasting accuracy. We also consider combinations of the models forecasts. Using intra-daily returns of the IBOVESPA, we calculate volatility measures such as realized variance, realized power variation, and realized bipower variation to be used as regressors in both models. Further, we use a nonparametric procedure for separately measuring the continuous sample path variation and the discontinuous jump part of the quadratic variation process. Thus, MIDAS and HAR specifications with the continuous sample path and jump variability measures as separate regressors are estimated. Our results in terms of mean squared error suggest that regressors involving volatility measures which are robust to jumps (i.e., realized bipower variation and realized power variation) are better at forecasting future volatility. However, we find that, in general, the forecasts based on these regressors are not statistically different from those based on realized variance (the benchmark regressor). Moreover, we find that, in general, the relative forecasting performances of the three approaches (i.e., MIDAS, HAR and forecast combinations) are statistically equivalent. In the third paper, we compare the Markov-Switching MIDAS (MS-MIDAS) and the Smooth Transition MIDAS (STMIDAS) models in terms of forecast accuracy. We perform a real time forecasting exercise in which out-of-sample forecasts for the quarterly U.S. output growth are generated using monthly financial indicators. In this exercise, we also consider linear MIDAS models, and other forecasting models (linear and nonlinear) that include information on the indicators (via temporal aggregation of the monthly observations) for comparative purposes. From the results of the empirical study, we observe that, in general, the MS-MIDAS models provide more accurate forecasts than do the STMIDAS models.

A abordagem de regressão MIDAS (Mixed Data Sampling), proposta por Ghysels et al. (2004), permite relacionar diretamente variáveis em freqüências distintas. Esta característica é particularmente atraente quando se deseja utilizar os dados nas freqüências em que são disponibilizados, bem como quando o objetivo é calcular previsões multi-períodos à frente. Nesta tese, utiliza-se a abordagem de regressão MIDAS em três ensaios em que são realizadas aplicações empíricas nas áreas de finanças e macroeconomia. Os três ensaios são de caráter comparativo. Com aplicações em diferentes contextos de previsão, objetiva-se contribuir fornecendo evidências empíricas comparativas. No primeiro ensaio, são explorados resultados comparativos no contexto de previsão de volatilidade multi-períodos. Compara-se a abordagem MIDAS com dois métodos amplamente utilizados no cálculo de previsões multi-períodos à frente: as abordagens direta e iterada. Seus desempenhos relativos são investigados em um estudo de Monte Carlo e em um estudo empírico em que são computadas previsões de volatilidade para horizontes de até 60 dias à frente. Os resultados do estudo de Monte Carlo indicam que a abordagem MIDAS fornece as melhores previsões para os horizontes iguais ou superiores a 15 dias. Em contraste, as previsões geradas a partir da abordagem iterada são superiores nos horizontes de 5 e 10 dias à frente. No estudo empírico, utilizando-se retornos diários dos índices S&P 500 e NASDAQ, os resultados não são tão conclusivos, mas sugerem um melhor desempenho para a abordagem iterada. Todas as análises são fora da amostra. No segundo ensaio, são comparados diversos modelos de previsão de volatilidade multi-períodos, especificamente das famílias MIDAS e HAR. As comparações são realizadas em termos da acurácia das previsões de volatilidade fora da amostra. No segundo ensaio, são comparados diversos modelos de previsão de volatilidade multi-períodos, especificamente das famílias MIDAS e HAR. As comparações são realizadas em termos da acurácia das previsões de volatilidade fora da amostra. Combinações das previsões dos referidos modelos também são consideradas. São utilizados retornos intradiários do IBOVESPA no cálculo de medidas de volatilidade, tais como variância realizada, variação potente realizada e variação bipotente realizada, sendo estas medidas usadas como regressores em ambos os modelos. Adicionalmente, utiliza-se um procedimento não paramétrico na estimação das medidas de variabilidade dos componentes contínuo e de saltos do processo de variação quadrática. Estas medidas são utilizadas como regressores separados em especificações MIDAS e HAR. Quanto às evidências empíricas, os resultados em termos de erro quadrático médio sugerem que regressores baseados em medidas de volatilidade robustas a saltos (i.e., variação bipotente realizada e variação potente realizada) são melhores em prever volatilidade futura. Entretanto, observa-se que, em geral, as previsões baseadas nestes regressores não são estatisticamente diferentes daquelas baseadas na variância realizada (o regressor benchmark). Além disso, observa-se que, de modo geral, o desempenho relativo das três abordagens de previsão (i.e., MIDAS, HAR e combinação de previsões) é estatisticamente equivalente. No terceiro ensaio, busca-se comparar os modelos MS-MIDAS (Markov-Switching MIDAS) e STMIDAS (Smooth Transition MIDAS) em termos de acurácia preditiva. Para tanto, realiza-se um exercício de previsão em tempo real em que são geradas previsões fora da amostra para o crescimento do PIB trimestral dos Estados Unidos com o uso de indicadores financeiros mensais. Neste exercício, também são considerados modelos lineares MIDAS e outros modelos de previsão (lineares e não-lineares) que incluem informação dos indicadores (via agregação temporal das observações mensais) para fins comparativos de desempenho preditivo. A partir dos resultados do estudo empírico, observa-se que, de modo geral, os modelos MS-MIDAS fornecem previsões mais acuradas que os modelos STMIDAS. / The Mixed Data Sampling (MIDAS) regression approach, proposed by Ghysels et al. (2004), allows us to directly relate variables at different frequencies. This characteristic is particularly attractive when one wishes to use the data at their original sampling frequencies, as well as when the objective is to calculate multi-period-ahead forecasts. In this thesis, we use the MIDAS regression approach in three papers in which we perform empirical applications in the areas of finance and macroeconomics. All papers are comparative studies. With applications in different forecasting contexts, we aim at contributing with empirical comparative evidence. In the first paper, we explore comparative results in the context of multi-period volatility forecasting. We compare the MIDAS approach with two widely used methods of producing multi-period forecasts: the direct and the iterated approaches. Their relative performances are investigated in a Monte Carlo study and in an empirical study in which we forecast volatility at horizons up to 60 days ahead. The results of the Monte Carlo study indicate that the MIDAS forecasts are the best ones at horizons of 15 days ahead and longer. In contrast, the iterated forecasts are superior for shorter horizons of 5 and 10 days ahead. In the empirical study, using daily returns of the S&P 500 and NASDAQ indexes, the results are not so conclusive, but suggest a better performance for the iterated forecasts. All analyses are out-of-sample. In the second paper, we compare several multi-period volatility forecasting models, specifically from MIDAS and HAR families. We perform our comparisons in terms of out-of-sample volatility forecasting accuracy. We also consider combinations of the models forecasts. Using intra-daily returns of the IBOVESPA, we calculate volatility measures such as realized variance, realized power variation, and realized bipower variation to be used as regressors in both models. Further, we use a nonparametric procedure for separately measuring the continuous sample path variation and the discontinuous jump part of the quadratic variation process. Thus, MIDAS and HAR specifications with the continuous sample path and jump variability measures as separate regressors are estimated. Our results in terms of mean squared error suggest that regressors involving volatility measures which are robust to jumps (i.e., realized bipower variation and realized power variation) are better at forecasting future volatility. However, we find that, in general, the forecasts based on these regressors are not statistically different from those based on realized variance (the benchmark regressor). Moreover, we find that, in general, the relative forecasting performances of the three approaches (i.e., MIDAS, HAR and forecast combinations) are statistically equivalent. In the third paper, we compare the Markov-Switching MIDAS (MS-MIDAS) and the Smooth Transition MIDAS (STMIDAS) models in terms of forecast accuracy. We perform a real time forecasting exercise in which out-of-sample forecasts for the quarterly U.S. output growth are generated using monthly financial indicators. In this exercise, we also consider linear MIDAS models, and other forecasting models (linear and nonlinear) that include information on the indicators (via temporal aggregation of the monthly observations) for comparative purposes. From the results of the empirical study, we observe that, in general, the MS-MIDAS models provide more accurate forecasts than do the STMIDAS models.

Neste trabalho, tínhamos por objetivo propor um modelo dinâmico de estrutura a termo de taxas de juros com variáveis macroeconômicas baseado na formulações de Diebold e Li (2006) e Nelson e Siegel (1987) (DNS). A estrutura de estimação proposta permite utilizar dados de frequências distintas, combinando observações diárias de curvas de juros e mensais de variáveis macroeconômicas de interesse através de uma estrutura MIDAS - Mixed Data Sampling. Também utilizamos uma estrutura de volatilidade estocástica multivariada para os fatores latentes e variáveis macroeconômicas e também permitimos que o parâmetro de decaimento do modelo DNS varie no tempo, permitindo capturar mudanças na estrutura de volatilidade condicional e no formato das curvas em períodos longos. O procedimento de estimação é baseado em métodos Bayesianos usando Markov Chain Monte Carlo. Aplicamos este modelos para a curva de juros de títulos do Tesouro Americano entre 1997 e 2011. Os resultados indicam que incorporação de informações diárias e mensais em um mesmo modelo permite ganhos significantes de ajuste, superando as estimativas usuais baseadas em modelos sem informações macroeconômicas e nos métodos usuais de estimação do modelo de Diebold e Li (2006) / In this present work, we propose a dynamic model for the term structure of interest rates with macroeconomic variables based on Diebold e Li (2006)\'s and Nelson e Siegel (1987)\'s researches. The estimation procedure we intend to build allows time series data sampled at different frequencies, mixing daily observations of yield curves and monthly observations of macroeconomic variable through a Mixed Data Sampling (MIDAS) regression. We also make use of a multivariate stochastic volatility structure for the latent factors and allow the parameter that governs the exponential decay rate to vary trough time, which enables us to capture changes both in the conditional volatility structure and in the curve\'s shapes during long periods. The estimation procedure is based on Baeysian inference trough the usage of of Markov Chain Monte Carlo (MCMC) method. We applied these models to the U.S. Treasure bonds\' yield curve from 1997 to 2011. The results denote that joining daily and monthly information into the same model allows significant gains on fitting these models to the term structure, overcoming the usual estimates based on models without macroeconomics information and on regular estimation methods of Diebold e Li (2006)\'s model.