No description available.

This thesis has applied the theory of real options to study forestry investment decision-making under stochastic timber prices. Suitable models have been developed for the stochastic timber prices, after addressing major issues in characterisation of the price process. First, the assumption of stochastic timber price process was based on detailed unit root tests, incorporating structural breaks in time-series analysis. The series was found to be stationary around shifting mean, justifying the assumption of mean reversion model. Due to shift in the mean, long-run mean to which the prices tended to revert could not be assumed constant. Accordingly, it was varied in discreet steps as per the breaks identified in the tests. The timber price series failed the normality test implying fat tails in the data. To account for these fat tails, ‘jumps’ were incorporated in the mean reversion model. The results showed that the option values for the jump model were higher than the mean reversion model and threshold levels for investment implied different optimal paths. Ignoring jumps could provide sub-optimal results leading to erroneous decisions. Second, the long-run mean to which prices reverted was assumed to shift continuously in a random manner. This was modeled through the incorporation of stochastic level and slope in the trend of the prices. Since the stochastic level and slope were not observable in reality, a Kalman-filter approach was used for the estimation of model parameters. The price forecasts from the model were used to estimate option values for the harvest investment decisions. Third, investment in a carbon sequestration project from managed forests was evaluated using real options, under timber price stochasticity. The option values and threshold levels for investment were estimated, under baseline and mitigation scenarios. Results indicated that carbon sequestration from managed forests might not be a viable investment alternative due to existing bottlenecks. Overall, the research stressed upon the need for market information and adaptive management, with a pro-active approach, for efficient investment decisions in forestry.

This thesis has applied the theory of real options to study forestry investment decision-making under stochastic timber prices. Suitable models have been developed for the stochastic timber prices, after addressing major issues in characterisation of the price process. First, the assumption of stochastic timber price process was based on detailed unit root tests, incorporating structural breaks in time-series analysis. The series was found to be stationary around shifting mean, justifying the assumption of mean reversion model. Due to shift in the mean, long-run mean to which the prices tended to revert could not be assumed constant. Accordingly, it was varied in discreet steps as per the breaks identified in the tests. The timber price series failed the normality test implying fat tails in the data. To account for these fat tails, ‘jumps’ were incorporated in the mean reversion model. The results showed that the option values for the jump model were higher than the mean reversion model and threshold levels for investment implied different optimal paths. Ignoring jumps could provide sub-optimal results leading to erroneous decisions. Second, the long-run mean to which prices reverted was assumed to shift continuously in a random manner. This was modeled through the incorporation of stochastic level and slope in the trend of the prices. Since the stochastic level and slope were not observable in reality, a Kalman-filter approach was used for the estimation of model parameters. The price forecasts from the model were used to estimate option values for the harvest investment decisions. Third, investment in a carbon sequestration project from managed forests was evaluated using real options, under timber price stochasticity. The option values and threshold levels for investment were estimated, under baseline and mitigation scenarios. Results indicated that carbon sequestration from managed forests might not be a viable investment alternative due to existing bottlenecks. Overall, the research stressed upon the need for market information and adaptive management, with a pro-active approach, for efficient investment decisions in forestry.

Chemical sensor based systems that are used for detection, identification, or quantification of various gases are very complex in nature. Sensor response data collected as a multivariate time series signals encounters gradual change of the sensor characteristics(known as sensor drift) due to several reasons. In this thesis, drift component of a silicon carbide Field-Effect Transistor (SiC-FET) sensor data was analyzed using time series. The data was collected from an experiment measuring output response of the sensor with respect to gases emitted by certain experimental object at different temperatures. Augmented Dickey Fuller Test (ADF) was carried out to analyze the sensor drift which revealed that stochastic trend along with deterministic trend characterized the drift components of the sensor. The drift started to rise in daily measurements which contributed to the total drift. / Traditional Autoregressive Integrated Moving Average (ARIMA) and deep learning based Long Short-Term Memory (LSTM) algorithm were carried out to forecast the sensor drift in reduced set of data. However, reduction of the data size degraded the forecasting accuracy and imposed loss of information. Therefore, careful selection of data using only one temperature from the temperature cycle was chosen instead of all time points. This chosen data from sensor array outperformed forecasting of sensor drift than reduced dataset using both traditional and deep learning methods.

Η παρούσα διατριβή ασχολείται με δύο ιδιαιτέρως σημαντικά και διαχρονικά επίκαιρα ζητήματα στην ανάλυση χρονολογικών σειρών, τα οποία εντάσσονται, υπό ευρεία έννοια, στο πεδίο της Μακροοικονομετρίας. Ειδικότερα, μελετώνται θέματα και μεθοδολογίες ή τεχνικές ιδιαίτερα χρήσιμες για εκείνους τους ερευνητές, οι οποίοι επικεντρώνονται στην ανάλυση της συμπεριφοράς των συναθροιστικών (aggregate) μεγεθών της οικονομίας, βασιζόμενοι στη χρήση δεδομένων χρονοσειρών ή πιο απλά χρονοσειρές (time series). Το πρώτο ζήτημα αφορά στη μελέτη της δυναμικής αλληλεξάρτησης ανάμεσα σε μακροοικονομικές μεταβλητές κάτω από την υιοθέτηση ενός πολλαπλού πλαισίου ανάλυσης χρονοσειρών. Το ενδιαφέρον εστιάζεται κυρίως στην γενικευμένη ή εκτεταμένη έννοια της αιτιότητας κατά Granger, δηλαδή στην επέκταση της τυπικής έννοιας της αιτιότητας κατά Granger σε μεγαλύτερους του ενός ή σε πολλαπλούς ορίζοντες πρόβλεψης. Το δεύτερο ζήτημα αφορά στην παρουσία μη-γραμμικών χαρακτηριστικών σε μακροοικονομικές χρονοσειρές, καθώς και την υποδειγματοποίηση της μη-γραμμικότητας με τη χρήση μη-γραμμικών οικονομετρικών μοντέλων. Επικεντρώνεται δε ιδιαίτερα στον έλεγχο μοναδιαίας ρίζας κάτω από την εναλλακτική υπόθεση της στασιμότητας γύρω από μη-γραμμικές τάσεις της μορφής τάσεων ομαλής μετάβασης (smooth transition trends) στις μακροοικονομικές χρονοσειρές. Ουσιαστικά, η διατριβή διακρίνεται σε δύο κεφάλαια. Στο Κεφάλαιο 1 παρουσιάζεται η τυπική έννοια της αιτιότητας κατά Granger, καθώς και η γενικευμένη ή εκτεταμένη έννοια της αιτιότητας ή η αιτιότητα σε πολλαπλούς ορίζοντες (multi-horizon causality), στο πλαίσιο των διανυσματικών αυτοπαλίνδρομων υποδειγμάτων (VAR). Η τυπική έννοια της αιτιότητας κατά Granger περιορίζεται στη βελτίωση της προβλεψιμότητας σε ορίζοντα πρόβλεψης μίας περιόδου (one-step ahead), ενώ λαμβάνει υπ'όψιν μόνο τις άμεσες ροές πληροφόρησης μεταξύ των μεταβλητών ενδιαφέροντος (direct causality). Ωστόσο, σε υποδείγματα VAR με περισσότερες από δύο μεταβλητές η τυπική έννοια της αιτιότητας μπορεί να επεκταθεί με την μελέτη της βελτίωσης της προβλεψιμότητας σε μεγαλύτερους του ενός ορίζοντες πρόβλεψης. Σε μία περίπτωση όπως η τελευταία, πλην της άμεσης αιτιότητας, δύνανται να μελετηθούν και οι έμμεσες σχέσεις αιτιότητας (indirect causality) που ενδέχεται να προκύψουν μέσω των πρόσθετων μεταβλητών του συστήματος. Το θεωρητικό πλαίσιο της γενικευμένης έννοιας της αιτιότητας που παρουσιάζει η παρούσα διατριβή έχει αναπτυχθεί από τους Dufour and Renault (1998). Παράλληλα, δίνεται ιδιαίτερη βαρύτητα σε δύο πρόσφατες μεθόδους στατιστικής επαγωγής αιτιωδών σχέσεων κατά Granger σε πολλαπλούς ορίζοντες, οι οποίες παρέχουν πρόσθετη πληροφόρηση σχετικά με τη δυναμική αλληλεξάρτηση οικονομικών χρονοσειρών, και πιο συγκεκριμένα σχετικά με τον άμεσο ή έμμεσο χαρακτήρα των αιτιωδών σχέσεων, το διαχωρισμό μεταξύ βραχυχρόνιας και μακροχρόνιας (μη)-αιτιότητας, καθώς και τις πιθανές χρονικές υστερήσεις της αιτιότητας. Τέλος, στα πλαίσια του Κεφαλαίου 1, ερευνάται η δυνατότητα εφαρμογής των μεθόδων αυτών μέσω εμπειρικών εφαρμογών πάνω σε δύο διαχρονικά ζητήματα αιτιωδών σχέσεων ανάμεσα σε οικονομικές μεταβλητές. Στο Κεφάλαιο 2 παρουσιάζονται υποδείγματα ομαλής μετάβασης, καθώς και έλεγχοι μοναδιαίας ρίζας οι οποίοι επιτρέπουν την στασιμότητα γύρω από ομαλές ή βαθμιαίες μεταβάσεις κάτω από την εναλλακτική υπόθεση. Κύριο χαρακτηριστικό των υποδειγμάτων ομαλής μετάβασης είναι η παρουσία μη-γραμμικών τάσεων στη διαχρονική εξέλιξη των χρονοσειρών. Κεντρικό ρόλο στα υποδείγματα αυτά κατέχουν οι διαρθρωτικές μεταβολές (structural changes) στην προσδιοριστική τάση, οι οποίες, δεδομένου ότι αντιπροσωπεύουν μεταβολές της συναθροιστικής συμπεριφοράς, υποδειγματοποιούνται με τη χρήση ενός προσδιοριστικού στοιχείου το οποίο επιτρέπει την βαθμιαία αντί της στιγμιαίας προσαρμογής. Οι έλεγχοι μοναδιαίας ρίζας, οι οποίοι επιτρέπουν περισσότερη ευελιξία στην συνάρτηση της τάσης σε σχέση με την γραμμική εξειδίκευση της προσδιοριστικής τάσης που χρησιμοποιούν οι τυπικοί έλεγχοι μοναδιαίας ρίζας, αποτελούν το επίκεντρο μελέτης του Κεφαλαίου 2 της διατριβής. Η αναγκαιότητα υιοθέτησης πρόσθετων ελέγχων μοναδιαίας ρίζας, όπως οι έλεγχοι μοναδιαίας ρίζας οι οποίοι επιτρέπουν στασιμότητα γύρω από ομαλές μεταβάσεις κάτω από την εναλλακτική υπόθεση, ισχυροποιείται από τα αποτελέσματα της εφαρμογής των ελέγχων αυτών σε ένα σύνολο οικονομικών χρονοσειρών. / This thesis discusses two central research topics in applied time series econometrics that generally belong in the field of Macroeconometrics. In particular, we investigate issues and methods which are of interest to those researchers who want to analyze economic problems or economic aggregates by means of time series data. The first topic deals with the dynamic interrelationships between sets of theory related variables in a multiple time series context. Research interest is primarily focused on the generalized or extended notion of Granger causality, that is the extension of the standard Granger causality concept to higher forecast horizons. The second topic deals with nonlinear behavior of macroeconomic time series, as well as the modelling of nonlinearities in economic time series using nonlinear econometric models. Specific attention is paid to unit root tests that allow stationarity around nonlinear trends in the form of smooth transitions under the alternative. The dissertation consists of two chapters. The first chapter presents the standard concept of Granger causality, along with the generalized or extended notion of causality, also known as multiple-horizon causality, in the vector autoregressive (VAR) framework. The standard notion of Granger causality restricts prediction improvement to a forecast horizon of one period, while it considers only direct flows of information between the variables of interest. However, in VAR models with more than two variables, the concept of standard Granger causality can be extended by studying prediction improvement at forecast horizons greater than one. If this is the case, then, except for direct causality, indirect flows of information might be revealed through the additional variables of the system. The theoretical framework of the extended concept of causality which is presented in the present dissertation has been developed by Dufour and Renault (1998). In addition, special attention is paid to two recent methods for testing hypothesis of non-causality at various horizons which can provide further information on the dynamic interaction of time series, and more specifically on the direct or indirect nature of causal effects, the distinction between short-run and long-run (non)-causality, as wells as the possibility of causal delays. Finally, the potential implementation of these methods is examined through empirical applications on causality relations among different sets of economic variables. Chapter 2 presents smooth transition (STR) trend models, as well as unit root tests that allow stationarity around smooth transitions under the alternative. Smooth transition regression models presume the presence of nonlinear trends in the long-run evolution of time series. A key feature of these models is the presence of structural changes in the deterministic trend which, given that they represent changes in aggregate behavior (economic aggregates), are modelled through a deterministic component that permits gradual rather than instantaneous adjustment between regimes. Unit root tests that permit a more versatile trend function in the unit root procedure, rather than the standard linear trends, are the main concern of Chapter 2. The necessity of employing additional unit root tests, such as unit root tests that allow stationarity around smooth transitions under the alternative, becomes evident through the unit root test results that are observed in an application in a set of economic time series.