• Communications for Statistical Applications and Methods
• /
• 제29권1호
• /
• pp.53-64
• /
• 2022

High dimensional time series is gaining considerable attention in recent years. The sparse vector heterogeneous autoregressive (VHAR) model proposed by Baek and Park (2020) uses adaptive lasso and debiasing procedure in estimation, and showed superb forecasting performance in realized volatilities. This paper extends the sparse VHAR model by considering non-convex penalties such as SCAD and MCP for possible bias reduction from their penalty design. Finite sample performances of three estimation methods are compared through Monte Carlo simulation. Our study shows first that taking into cross-sectional correlations reduces bias. Second, nonconvex penalties performs better when the sample size is small. On the other hand, the adaptive lasso with debiasing performs well as sample size increases. Also, empirical analysis based on 20 multinational realized volatilities is provided.

• 응용통계연구
• /
• 제36권6호
• /
• pp.529-545
• /
• 2023

본 논문에서는 장기 기억성을 가지는 고차원 시계열 데이터 분석에 유용한, 밴드 구조의 계수행렬들을 가지는 밴드구조 VHAR (Banded-VHAR) 모형을 제안한다. 밴드구조 VHAR 모형은 인접한 차원의 시계열에서만 상관구조를 가지는 성근 고차원 시계열 모형으로 밴드구조에 영향을 주는 요인으로는 대표적으로 지리적 특성이 있다. 밴드구조 VHAR 모형의 빠른 추정을 위해 본 논문은 행별추정방법을 사용하고 또 밴드의 크기를 추정하기 위해 BIC와 잔차제곱합의 비율을 이용한 추정 방법을 소개하였다. 더불어 모의 실험을 통해서 제안한 추정 방법의 점근적 일치성을 확인하였다. 실증자료 분석으로 지역별 초미세먼지 및 아파트 거래량 자료를 활용하여 모형을 적용한 결과 밴드구조 VHAR 모형이 표본외예측 능력의 우수하고, 지리적정보에 기반하여 모형의 해석이 용이하다는 큰 장점이 있음을 살펴보았다.