We provide a systematic comparison of the out-of-sample forecasts based on multivariate macroeconomic models and forecast combinations for the euro against the US dollar, the British pound, the Swiss franc and the Japanese yen. We use profit maximization measures based on directional accuracy and trading strategies in addition to standard loss minimization measures. When comparing predictive accuracy and profit measures, data snooping bias free tests are used. The results indicate that forecast combinations help to improve over benchmark trading strategies for the exchange rate against the US dollar and the British pound, although the excess return per unit of deviation is limited. For the euro against the Swiss franc or the Japanese yen, no evidence of generalized improvement in profit measures over the benchmark is found. (authors' abstract) / Series: Department of Economics Working Paper Series

Abstract This thesis considers some linear and nonlinear time series models. In the linear case, the analysis of a large number of short time series generated by a first order autoregressive type model is considered. The conditional and exact maximum likelihood procedures are developed to estimate parameters. Simulation results are presented and compare the bias and the mean square errors of the parameter estimates. In Chapter 3, five important nonlinear models are considered and their time series properties are discussed. The estimating function approach for nonlinear models is developed in detail in Chapter 4 and examples are added to illustrate the theory. A simulation study is carried out to examine the finite sample behavior of these proposed estimates based on the estimating functions.

[pt] Esta tese tem dois objetivos principais. O primeiro deles é a investigação dos efeitos da aplicação do filtro Hodrick e Prescott( HP) na deteção de ciclos macroeconômicos na série do PIB brasileiro, no período 1900-1992. Comparamos este resultado com os obtidos por Cribari e com a abordagem dos modelos estruturais de Harvey, concluindo que a aplicação do filtro HP pode gerar ciclos espúrios. O outro objetivo é comparar as estimativas da componente sazonal obtidas pela abordagem estrutural de Harvey com o método X11-ARIMA de dessazonalização. São utilizados na comparação séries artificiais com sazonalidade / [en] The thesis has two main objectives. The first one is to investigate the effects of the application of the Hodrick- Prescott filter (HP) in detecting macro-economic cycles in the brazilian GDP series, from 1900 to 1992, We compare the results from the HP method to those of Cribari and the structural approach of Harvey. We conclude that the HP series may generate spurious cycles. The second objective of this thesis is to compare the estimatives of the seasonal component obtained by fitting the structural model of Harvey with those obtained by X-11 ARIMA method for seasonal adjustment. In comparing the two approaches we use artificial generated series with seasonality.

[pt] Este trabalho apresenta um modelo de volatilidade estocástica com especificação multiplicativa, chamado modelo de escala local. O modelo trabalha com a precisão (recíproca da variância) de uma série temporal. A precisão é tratada como componente não observável, caracterizando o modelo como estrutural, e é suposta evoluir segundo um filtro Gama, com um ruído multiplicativo que segue distribuição Beta. A função de previsão para a variância é uma média móvel com amortecimento exponencial (EWMA) no quadrado das observações passadas, a mesma função de previsão do modelo IGARCH(1,1). O fator de amortecimento é estimado por máxima verossimilhança. A densidade de medida é Gaussiana, condicional à precisão não observável, e a densidade preditiva resulta t de Student, cujos graus de liberdade são monitorados pelo fator de amortecimento estimado. A densidade de medida Gaussiaan, embora induza excesso de curtose nas distribuições incondicional e preditiva, pode ser inadequada para modelar dados com um grande excesso de curtose, como é o caso de séries financeiras. Por isso, é testada uma densidade de medida mais genérica, a densidade de potência exponencial, que possui a normal como caso particular. O modelo é chamado modelo de escala local generalizado. A introdução de variáveis explicativas é efetuada de maneira trivial. Intervalos de confiança para os parâmetros do modelo são obtidos via Bootstrap paramétrico. Os resultados obtidos são semelhantes àqueles fornecidos pelos modelos GARCH (1,1) e AR(1)-SV, sendo que o modelo de escala local, além da maior facilidade de implementação, fornece soluções exatas, o que não ocorre no AR(1)-SV, e é mais parcimonioso do que o GARCH(1,1). / [en] In this thesis, we investigate, and develop further, a stochastic volatility modelo named local scale model. This model deals the precision, which is the inverse of the variance unobserved component, and so fits within the framework of structural time series models, the precision is assumed to be a Gamma variable, which evolves through a multiplicative equation, scaled by a Beta variable. The measurement density is Gaussian, conditional on the unobserved precision, and the resulting forecast is a Student`s t density, with a scale which is approximately an exponencially weighted moving average (EWMA) of the sqares of the past observations. The degrees of freedom of the Student`s t distribution are controlled by the size of the discount parameter of the EWMA scheme. The Gaussiannity of the measurement density is potentially inadequate when the model is applied to heavy tailed finance data. Instead, this assumption can be replaced by an exponential power density, which allows the modeling of the observed excess kurtosis. The extension of the model to account for explanatory variables is straightforward. Confidence intervals for the parameters are obtained by Bootstrap. The model fits like the GARCH(1,1)mand AR(1)- SV, but the local scale model, besides being easier to fit, provides a more parcimonious alternative to the GARCH (1,1) model, and has an exact filter, rather than a best linear one, like in the AR(1)-SV.

[pt] Esta tese propõe um modelo para o tratamento de observações diárias e é aplicado na área do setor elétrico, no problema de previsão de carga horária. O modelo proposto é basicamente um modelo estrutural onde a sazonalidade anual (movimentos periódicos dentro do ano) é modelada utilizando a técnica de Splines. Esta técnica também é utilizada na estimação do efeito não linear de uma variável explicativa. O modelo desenvolvido nesta tese também leva em conta os feriados dada a grande influência dos mesmos no consumo de energia elétrica. A metodologia proposta é aplicada à três concessionárias do Sistema Interligado Brasileiro: LIGHT (Estado do Rio de Janeiro); CEMIG (Estado de Minas Gerais) e COPEL (Estado do Paraná). A estimação é levada a cabo utilizando o software STAMP conjuntamente com módulos desenvolvidos no utilitário MATLAB. / [en] This thesis presents a model that deals with daily obsevations applied to the problem of forecasting daily elecricity demand. This approach is basaed on a structural time series model with the annual seasonal pattern being modelled by a Periodic Sppline. The methods of Splines was first used in Harvey and Koopman (1993) to analyse hourly load observations, including temperature used an explanatory variable which is also modelled by a Spline. The main contribuition of this thesis is the treatment of holidays and the temperature response modelled by a spline which considerss the possible vsariations that the effect of temperature has on electricity demand within the year. The methodology is applied to three companies of the Brazilian electrical system: LIGHT (State of Rio de Janeiro), CEMIG (State of Minas Gerais) and COPEL (state of Paraná).

[pt] O presente trabalho trata da melhoria da estatí­stica-teste Multiplicador de Lagrange com distribuição qui-quadrado até ordem n (-1) , baseando-se na expansão de Harris (1985) e na melhoria obtida para os testes Escore, fornecida por Cordeiro e Ferrari (1991 e 1994), Apresentamos uma abordagem totalmente ambientada aos modelos estruturais de séries temporais, utilizando-se tais testes na detecção de ciclos. O trabalho apresenta também uma série de simulações comparando as performances destes testes aperfeiçoados com os tradicionalmente utilizados. / [en] The presente work discusses the improvement of the statistics-test Lagrange Multipliers with chi-squared distribution to order n (-1) , basing itself in Harris´ (1995) expansion and in the improvement for the score tests, furnished by Cordeiro and Ferrari (1991 and 1994). We present a totally adapted aproach to time series structural models, utilizing these tests in the cycles detection. The work aldo presents a serie simulations comparing the perfomances of these improved tests with the ones traditionally utilized.

Este trabalho a um estudo a respeito da aplicação de Redes Neurais Artificiais (RNAs), mais especificamente do modelo perceptron multi-camadas com aprendizado por retro-propagação de erros, a previsão de valores futuros de Series Temporais. 0 estudo foi realizado através da realização de previsões a partir de uma determinada arquitetura de rede neural, a qual é construída com base na analise estatística da serie, para três series reais. A primeira representa o Índice mensal de passageiros das linhas aéreas americanas entre janeiro de 1960 e dezembro de 1971, a segunda corresponde ao índice pluviométrico anual da cidade de Fortaleza no estado do Ceara entre 1849 e 1984, e a terceira trata do índice mensal de produção industrial do estado do Rio Grande do Sul entre janeiro de 1981 e julho de 1993. As duas primeiras series são exemplos clássicos utilizados no estudo dos modelos estatísticos aplicados a previsão de Series Temporais. Os resultados obtidos com as RNAs foram comparados aos progn6sticos realizados pelo método economêtrico que apresenta os melhores resultados para o problema da previsão de Series Temporais: o método da decomposição da serie em suas componentes básicas não-observáveis (tendência, sazonalidade, ciclo e irregular). Tais resultados mostraram que as RNAs podem apresentar excelentes níveis de precisão em seus prognósticos, indicando sua adaptação ao problema da previsão de valores futuros de Séries Temporais. / This work presents a study of the prediction power of Artificial Neural Networks (ANN) in comparison with prediction capability of traditional Time Series models, more specifically the Unobservable Components Models (UCM). The data used to perform the study was the monthly american airlines passengers, the annual rainfall in Fortaleza, Brazil and the monthly gross industrial output for the state of Rio Grande do Sul, Brazil. The results show that Artificial Neural Networks can outperform the forecasts of Unobservable Components Models.

Este trabalho a um estudo a respeito da aplicação de Redes Neurais Artificiais (RNAs), mais especificamente do modelo perceptron multi-camadas com aprendizado por retro-propagação de erros, a previsão de valores futuros de Series Temporais. 0 estudo foi realizado através da realização de previsões a partir de uma determinada arquitetura de rede neural, a qual é construída com base na analise estatística da serie, para três series reais. A primeira representa o Índice mensal de passageiros das linhas aéreas americanas entre janeiro de 1960 e dezembro de 1971, a segunda corresponde ao índice pluviométrico anual da cidade de Fortaleza no estado do Ceara entre 1849 e 1984, e a terceira trata do índice mensal de produção industrial do estado do Rio Grande do Sul entre janeiro de 1981 e julho de 1993. As duas primeiras series são exemplos clássicos utilizados no estudo dos modelos estatísticos aplicados a previsão de Series Temporais. Os resultados obtidos com as RNAs foram comparados aos progn6sticos realizados pelo método economêtrico que apresenta os melhores resultados para o problema da previsão de Series Temporais: o método da decomposição da serie em suas componentes básicas não-observáveis (tendência, sazonalidade, ciclo e irregular). Tais resultados mostraram que as RNAs podem apresentar excelentes níveis de precisão em seus prognósticos, indicando sua adaptação ao problema da previsão de valores futuros de Séries Temporais. / This work presents a study of the prediction power of Artificial Neural Networks (ANN) in comparison with prediction capability of traditional Time Series models, more specifically the Unobservable Components Models (UCM). The data used to perform the study was the monthly american airlines passengers, the annual rainfall in Fortaleza, Brazil and the monthly gross industrial output for the state of Rio Grande do Sul, Brazil. The results show that Artificial Neural Networks can outperform the forecasts of Unobservable Components Models.

<p>Phenomena investigated from complex systems are characteristically dynamic, multi-dimensional, and nonlinear. Their traits can be captured through data generating mechanisms (<i>DGM</i>) that explain the interactions among the systems’ components. Measurement is fundamental to advance science, and complexity requires deviation from linear thinking to handle. Simplifying the measurement of complex and heterogeneous data in statistical methodology can compromise their accuracy. In particular, conventional statistical methods make assumptions on the DGM that are rarely met in real world, which can make inference inaccurate. We posit that causal inference for complex systems phenomena requires at least the incorporation of subject-matter knowledge and use of dynamic metrics in statistical methods to improve on its accuracy.</p> <p>This thesis consists of two separate topics on handling data and data generating mechanisms complexities, the evaluation of bundled nutrition interventions and modeling atmospheric data.</p> <p>Firstly, when a public health problem requires multiple ways to address its contributing factors, bundling of the approaches can be cost-effective. Scaling up bundled interventions geographically requires a hierarchical structure in implementation, with central coordination and supervision of multiple sites and staff delivering a bundled intervention. The experimental design to evaluate such an intervention becomes complex to accommodate the multiple intervention components and hierarchical implementation structure. The components of a bundled intervention may impact targeted outcomes additively or synergistically. However, noncompliance and protocol deviation can impede this potential impact, and introduce data complexities. We identify several statistical considerations and recommendations for the implementation and evaluation of bundled interventions. </p> <p>The simple aggregate metrics used in clustering randomized controlled trials do not utilize all available information, and findings are prone to the ecological fallacy problem, in which inference at the aggregate level may not hold at the disaggregate level. Further, implementation heterogeneity impedes statistical power and consequently the accuracy of the inference from conventional comparison with a control arm. The intention-to-treat analysis can be inadequate for bundled interventions. We developed novel process-driven, disaggregated participation metrics to examine the mechanisms of impact of the Agriculture to Nutrition (ATONU) bundled intervention (ClinicalTrials.gov Identifier: NCT03152227). Logistic and beta-logistic hierarchical models were used to characterize these metrics, and generalized mixed models were employed to identify determinants of the study outcome, dietary diversity for women of reproductive age. Mediation analysis was applied to explore the underlying determinants by which the intervention affects the outcome through the process metrics. The determinants of greater participation should be the targets to improve implementation of future bundled interventions.</p> <p>Secondly, observed atmospheric records are often prohibitively short with only one record typically available for study. Classical nonlinear time series models applied to explain the nonlinear DGM exhibit some statistical properties of the phenomena being investigated, but have nothing to do with their physical properties. The data’s complex dependent structure invalidates inference from classical time series models involving strong statistical assumptions rarely met in real atmospheric and climate data. The subsampling method may yield valid statistical inference. Atmospheric records, however, are typically too short to satisfy<i> </i>asymptotic conditions for the method’s validity, which necessitates enhancements of subsampling with the use of approximating models (those sharing statistical properties with the series under study). </p> <p>Gyrostat models (<i>G-models</i>) are physically sound low-order models generated from the governing equations for atmospheric dynamics thus retaining some of their fundamental statistical and physical properties. We have demonstrated statistic that using G-models as approximating models in place of traditional time series models results in more precise subsampling confidence intervals with improved coverage probabilities. Future works will explore other types of G-models as approximating models for inference on atmospheric data. We will adopt this technique for inference on phenomena for AstroStatistics and pharmacokinetics. </p>

No description available.