Documentos de Académico
Documentos de Profesional
Documentos de Cultura
881 445 129 - 4 PDF
881 445 129 - 4 PDF
RESUMEN
En este artculo se comparan, mediante un estudio de Monte Carlo,
el comportamiento en muestras pequeas de dos estimadores alternativos del error cuadrtico medio (ECM) de prediccin con parmetros estimados para modelos estructurales de series temporales, uno
que incluye un trmino que trata de recoger el error proveniente de la
estimacin de los parmetros, y otro que no incluye dicho trmino.
Para el modelo estructural ms sencillo, el modelo de paseo aleatorio
ms ruido, se comparan ambos estimadores con el verdadero ECM
de prediccin con parmetros estimados para diferentes tamaos de
muestra, valores de los parmetros y horizontes de prediccin.
Palabras clave: Filtro de Kalman, Modelos Estructurales, Error Cuadrtico Medio de Prediccin, Estimacin Mximo-verosmil.
Clasificacin AMS: 62M 10.
1.
INTRC^DUCCION
(1.1)
1 18
ESrADiSr^CA ESPA4LA
donde yr es la serie abservada ^r, Yr ^ ^r Y^r representan ia tendencia, estacionalidad, el ciclo y el componente irregular respectivamente. Cada uno de estos
compnentes se especifica a priori de forma estocstica permitindoseles evolucionar a lo largo del tiempo mediante la introduccin de variables aleatorias. Dependiendo de cules sean ias principales caracteristicas de la serie que se desean
recvger en el rnodelo, estos componentes no observab^es se cOmbinan de diferentes
maneras dando iugar a los distintos modelos estructurales (ver Harvey 1990).
Esta clase de rnodelos se puede representar fcilmnte en el espacio de tos
estadas, lo que posiblita la utilizacin de potentes algoritmos basados en el fiitro
de Kalman para la estimacin mxirno-verosmil de los parmetros, la extraccin
de seales y!a prediccin (Harvey 19$3). Por la tanto, baja el supuesto de que
los parmetros del madelo son conocidos podemos obtener el predictor ptmo
de fas futuras observaciones yT+s, s= 1, 2,... junto con el error cuadrtico medio
(ECN1) de predicin aplicando repetidamente las ecuaciones de prediccn del
filtro de Kalman (ver Anderson & Moore 1979).
Ei problema se plantea porque coma ya seala Pierce ( 1975) rara vez conocermos los parmetros del modela y, en la prctica, para ilevar a cabo predicciones basadas en cualquier modelo hemos de estimar en primer lugar los parmetros de manera eficente. Nuestros predictores son, por io tanto, nicamente
estimaciones de los predictores ptimos lo que conlleva un aumento en el ECM
de prediccin. Estas cuestiones han despertado el inters en Ios ltimos aos
sobre la distribucin del error de prediccin con parmetros estimados.
En la seccin 2 de este artculo se plantean dos estimadores prcticos para el
ECM de prediccin con parmetros estimadas, uno que incluye trminas que
tratan de recoger la variabilidad debida a!a estimacin de los parmetros y otro
que no los inciuye. Restringindanos al caso del modelo estructural ms sencillo,
el paseo aleatorio con ruido, en la seccin 3 comparamos el comportamiento en
muestras pequeas de ambos estimadores propuestos mediante un estudio de
Monte Carlo.
2.
(2.1j
ar - ^ at-1 + n t
11^
^^^^-NC(^E Q))
En los modelos estructurales de series temporales, el vector estado a,^ est
formado par ios elementos que determinan los componentes no observables de
la serie, como ^, ^r, etc. Tanto z', de orden (1 xk), como C de orden (kxk), son
matrices conocidas que no dependen de los parmetros del rnodelo y cuya
estructura es distinta para cada Modelo Estructural que estemos considerando
en particular.
Vamos a denotar por yr (nx1) al vector de parmetros del modelo (2.1), que
incluye nicamente a y los parmetros contenidos en Q.
En el modelo gaussiano (2.1 }, la prediccin ptima (en el sentido de ECM
m nimo} de las obsenraciones futuras yT+s, s= 1, 2, .. . viene dada por:
YT+s/T^^^ = Z'aT+slT(W)
donde
{2.2)
ECMCYr+^r{v^)] = Z'Pr+^r{^) z + QZ
(2.3}
E_STAf.^151ft:A ESPAtVC7fvA
12U
criterio de actuacin suele ser el siguiente. En primer lugar estimamos los parmetros de forma eficiente por mxima verosimilitud (1) y posteriormente se sustituyen en (2.2) los valores desconocidos y^ por sus estimaciones mximos
verosimiles, ^. De esta forma el predictor de yT+s con parmetros estimados es:
Yr+srri V ) ^ Z'a r+^rr{ ^ )
(2,4)
Aunque el predictor yT+^{ yr) era ptimo cuando conocamos !os parmetros del
modelo, esto no implica que yT+^{yr} sea el predictor ptimo para un modelo con
parmetros estimados. Sin embargo, yT+^{yr) es e! pr^dictor ms usado en la
prctica y, por lo tanto, nos interesa estudiar sus propiedades.
E! error de prediccin cometido se puede descomponer ahora en dos partes:
.YT+s ^ YT+sJT{^) ' U' T+s ^ YT+slTC^)1 + U' T+s/T^V^) ^ YT+slT{W )J
(2.5)
(2.6)
donde el primer sumando viene dado por (2.3), es decir, e! ECM de prediccin
con parmetros conocidos y e! segundo representa lo que aadimos al ECM de
prediccin para recoger la variabilidad muestral de !as estimaciones de los
parmetros.
Es interesante sealar que el ECM de las estimaciones de los parmetros es
de orden 1/T por io que e! aumento en el ECM de prediccin es de ese orden
mientras que el ECM de prediccn de! verdadero modelo es de orden 1.
Aunque e! ECM del predictor yT+s,7-(y^) viene dado por (2.6), en la prctica e!
estimador usual del ECM de prediccin que se utiliza se basa simplemente en
sustituir e! verdadero valor de los parmetros desconocidos por sus estimaciones
mximo-verosimiles en la frr^ula ( 2.3}^Pero este estimador del ECM del predictor yT+^{y^}, denotado por ECM[yT+^{^)J, presenta dos problemas fundamentales en muestras finitas. En primer lugar, no tiene en cuenta e! error que proviene
de la estimacin de los parmetros y, en segundo lugar, puede presentar sesgos
(1) Vase HARVEY, A. C. y S. PETERS (1984) para una discusin sobre los distintos
mtodos de estimacin mximo-verosmil de los parme#ros desconocidos de los modelos
estruc#urales.
ERRC3R CUADRATICO MEDIO DE PREDICC^I4N PARA MC.^DEI_.OS ESTRUCT ^SRAt ES UE SER ^ ES TEMF'OR.F1l ES
1^1
como estmador de la correspondiente cantidad poblacional ECM[yT.^^-(y^)] debido a que las estimaciones de las parmetros en muestras finitas pueden estar
seriamente sesgadas.
Por otra parte, la frmula (2.6^ no nos proporciona un estimador adecuado para
el ECM de prediccin ya que presenta las dificultades de ser complicada de
calcular porque el segundo sumando habria que obtenerlo por medio de simulaciones. Bloomfield (1972), Yamamoto (1976) y^8ailiie (1980) entre otros, han
estudiado este trmino para modelos autorregresivos y han derivado expresiones
asintticas basadas en la distribucin asinttica de los parmetros estimados. AI
aplicar estos resultados asintticos a!os estudios con muestras finitas que generalmente se realizan en la prctica, se han de tener en cuenta que las estimaciones de los parme#ros en muestras finitas pueden estar seriamente sesgadas
y que estos sesgos se trasladarn a la distribucin condicianada de las predicciones dados los valores observados de la variable endgena utilizados para
iniciar las predicciones. Adems cuando predecimos estamos condicionando a
ciertos valores de la variable endgena, la distribucin de las estimaciones de
las parmetros estar tambin condicionada y esto afectar a la distribucin de
los errores de prediccin. En este sentido, se han desarrollado en la literatura
estudios sobre la distribucin del error de prediccin con parmetros estimados
condicionada a los datos observados. Los trabajos de Phillips (1979) y Fuller y
Hasza (1981) se centran en modelos autorregresivos y el de Ansley y Kohn
(1986} en modelos en el espacio de los estados.
^
Vamos a proponer un estimador alternativo para el ECM del predictor yT+^{^^ ),
derivando una expresin analtica para el segundo sumando del segundo miembro de ( 2.6) condicionada a 1os datos observados.
Podemos observar que, sustituyendo las expresiones (2.2) y(2.4), este segundo sumando de (2.6) se puede escribir como:
^T+slT^4^ - .yT+s^l^{^)^2 ^
(2-7)
= Z^F^^ar+^rr{^) - ar+.^r{ 4^)]^ar+^r{^^) ! ar+^{4^))'}z
lo que significa que la parte del error de prediccin que proviene de la estimacin
de los parmetros es una combinacin lineal del error de prediccin del vector
estado que proviene de ia estimacin de los parmetros. Por lo #anta, para derivar
una expresin analtica para (2.7) podemos aplicar la aproximacin propuesta
por Ansley y Kohn (1986).
Ansley y Kohn (1986) derivan una aproximacin al ECM de prediccin del
vector estado con parmetros estimados condicionado a ia muestra, que propor-
122
ESTApISTICA ESPAOLA
ciona una correccin de orden 1l T a Pr+^{y^) que es la expresin usual, bajo las
siguientes condiciones de regularidad:
i)
ii)
La diferencia
aT+^){^^ ~ ^T+^^) ' ^T+s^Ti^} (^-^) ^p(1^^
aa r^srr{ ^ )
a^
La esperanza condicionada:
ET(V^rw} (V^-4^}'^Ar+^{^) ^ = V(V^}lT + oP(1IT)
donde --^
V es la matriz de covarianzas de {os estimadores ^r evaluada en el
T
verdadero valor de los parmetros yr.
iv)
Apiicando l correccin anterior a los Modelos Estructurales de Series Temporales, obtenemos la siguiente aproximacin a! ECM de prediccin con parmetros
estimados:
ECM *^YT+s/T{W}^ -- Z'PT+s/T{^} Z+ a^ + ^^Z'AT+s^r{4^} V(^) A'T+^rl{4^}Zj
T
(Z.8)
1Z3
sido estirnados consistentemente; ii) la eficiencia en prediccin se puede aurnentar, es decir, reducir el ECM de prediccin, si mejoramos ia eficiencia del estimador yr. Por ejemplo, si disponemos de informacin a priori sobre restricciones en
algunos elementos de y^ y podemos obtener un estimador m^ximo-verosmii
res#ringido.
Un estimador dei ECM de prediccin con parametros estimados se puede
obtener sustituyendo en (2.8} los verdaderos valores de los parmetros por sus
estimaciones mximo verosimiles yr. EI estimador de ECM* [yT+^ ( yr}] depende
slo de la muestra yr y es fcil de calcular.
3.
ECM * CYT+^r{ ^ }l = Z' ^T+srr( ^ )Z + a2 + ^^- [z'A r+^{ yr > V( ^W) A' r+ sr1{ V^^ >z^
Mediante un estudio de Monte Car{a vamos a analizar su comportamiento
como estimadores del verdadero error cuadrtico medio de prediccin con parmetros estimados, ECMoCYr^r{W)l,
tomando como marco de trabajo el modela
^
estructural ms sencillo, el modelo de paseo aleatorio con ruido.
3.^.
donde
^r
^1 r
U^ a
^ IV o g ^2
124
FSTAD(STfCA ESF'A(VOt_A
donde
.s-1,2,...
s=1,2,...
(3.2)
Por la tanto, para el modefo que nos ocupa la prediccin ptima para la serie
observada es la misma que para el vector estado.
EI ECM de prediccin correspondiente sera, aplicando (2.3):
ECMCY r+ slr{ ^)l = Pr+ sn{ y, >+ ^? = 1'r( r}r ) + s 6 + Q 2
(3.3)
L(,^,y) ^
.
T-1
^{^
^ glogc ^e'^) - n ^ - ;^
1^^
(3.4)
^^ p g^ej ^
donde ^,^ = 2nj/T^`, j= 1, ..., T^`-1, y T"k = T-d, siendo d el orden de diferenciacin
necesario para que la serie (^ -L}dyt sea estacionaria. Adems I(^,j) es la ordenada
correspondiente de! periodograma y g(e^^) es la funcin generatriz espectral que
para el modelo (3.1) es de 1a forma g(e^^`) = 6^ + 2(1-cos^,^) a^.
Bajo ciertas condiciones de regularidad, Hannan (197^) prueba que ^ es un
estimador consistente que sigue una distribucin asinttica normal con matriz de
ERRUR CI_lADFZATICO MEDIC^ C)E PF^FDCCCION PAR,A ti1C.)UELO;S E7TRl1C:Tl^RAlES D^ SER^E^S Tf"ti1f'C)Ft^LE.S
^^^:^
1/ 2 ^g( e'^
^) -2
1/ 2 ^
2(1 - cos^,^)
^^2
9^t e^ )
2(1 - cos^,^)
4(1 - 2cos^.^)2
1/ 2^
^^ 2
1/ 2^
^^ 2
9^( e^ )
9( e^ )
(3.5)
La diferencia
Mr+^w) _ amr+^^)
ay^
Este supuesto se cumple si mr+^-(r^) tiene derivadas continuas de segundo
orden con respecto a yr, ya que yr es un estimadar consistente de y^.
iii) EI tercer supuesto se cumple si (y^-y^) es aproximadamente independiente
de Mr+^-( ^^ ) .
Podramos evitar la dificultad de probar este supuesto considerando que tenemos una muestra semiinfinita o que la muestra utilizada en la estimacin de los
parmetros es independiente de los valares de la variable endgena con las que
iniciamos la prediccin. Los trabajos de Fuller y Hasza (1980), Reinsel (1980),
entre otros, indican que para muestras de tamao moderado, el supuesto de tener
procesos independientes es una hiptesis de trabajo razonable.
12f
ESTApISTiCA ESPANOLA
j^-0
^( 4^ ) = F,(
P(W) + Q
+ ^.2 + Q2
W>
Cl^ )1^^ ^ 2
Por I tanto, podemos aproximar e1 ECM de prediccin con parmetros estimados apiicando la expresin (2.8) a nuestro modelo:
3.2.
t3.6)
Resultados obtenidos
^ 27
Para cada tamao muestral T y para cada par de valores (a^,a?) se generan
artificialmente N= 1.000 muestras de yt que siguen el modelo (3.1). Una vez
generadas las variables aleatorias pseudonormales, r^t y>E^, ia serie de observaciones yt se obtienen a partir det modelo (3.1), utilizando como valor inicial de1
vector estado m^ = 0. Para cada tamao muestral T, se han generado series de
observaciones yt de tamao T+ 100. Las 100 primeras observaciorties se rechazan para evitar que nuestros datos dependan de los valores iniciales tornados
para generar la secie. Las T observaciones siguientes se utiizan para estimar los
parmetros del modelo.
Para cada tamao muestral T y para cada par de valores ( Q^, c^^ ) se han
calculado los siguientes estad sticos:
1)
N
sQ^
+
Q2
+
^
ECMo^.Yr+srrE4^}^ - P^(^) +
^ [mr+^rtW ) - mr^^r{^)j^
N
2)
la
ECM(yr+^r(^)] = P^t^) + S^ + ^
N
3)
[Pr( 4^ ) + sQ2n+ Q ] ^^
ECM[yr+ ^r( ^ }] = ^ ^ ECA^II.Yr+ ^r{ 4r )] ^^ _ ^ ^
N ;a ^
N ^_ ^
4)
^ *
,^ ^ 1 N
^
^^ ^2
^
"
^ [Pr(^) + san + aF + MT+^{V^) V(T.#^) ^r+^r(V^)];
ECM [yr+^r{^)l
N fa ^
128
ESTADISTICA ESPAOLA
^Z^
matriz de informacin depende nicamente de ellas}, y de proporcionar directamente la matriz de covarianzas para los estimadores (3.5}. Los criterios de
convergencia utilizados para terminar las iteraciones han sido los habituales: i)
la diferencia entre parmetros sea menor de 10^4; ii) la diferencia entre los valores
de ia funcin sea menor que 10-$. En este trabajo se ha elegido la funcin de
verosimilitud (3.4}, en lugar de los mtodos en el dominio del tiempo, porque la
experiencia de clculo de estimadores mximo-verosmiles para muestras pequeas y moderadas, menores de 200, nos seala que los mtodos de estimacin
en el dominio de la frecuencia son mucho ms rpidos que en el dominio del
tiempo, y que el algoritmo de scoring proporciona muy buenos resultados en 1a
mayora de los casos.
^os resultados obtenidos en las simulaciones para el modelo (3.1) se encuentran reflejados en los cuadros 1 y 2.
En primer lugar, hemos tratado de estudiar la importancia cuantitativa de los
problemas que plantea utilizar directamente un estimador de ECM[yT+^{^r)] para
calcular el ECM de prediccin con parmetros estimados.
Por un lado, un estimador de ECM[yT+^{y,)] no tiene en cuenta que los
parmetros del modelo han sido estimados y que el error que proviene de ia
estimacin de los parmetros producir un incremento en el ECM de prediccin
de manera que:
ECMo[YT+^r{W)] ^ ECMCYT+^r{V^)l
En la primera columna del Cuadro 1, se presentan para cada tamao rnuestral
T, para cada valor del parmetro Q y para el horizonte de prediccin s= 1, los
resultados de calcular la razn:
_ ^^^/% U' T+s/7{ ^ )^
R^ ^ EC^
CYT+^r{ ^w )]
130
ESTADISTICA ESPA^LA
CUADR01
T= 25
T= 200
T= 100
R^
R2
R^
R2
R^
R2
R1
R2
Q? = 4^01
1.11
1.13
1.07
1.09
1.03
1.05
1.02
1.03
o^= 0.05
1.09
1.06
1.06
1.02
1.02
1.01
1.01
1.01
Qz
^-- p.1
1.10
1.06
1.04
1.05
1.02
1.04
1.0 ^
1. 02
,^2^-- p_5
1.05
0.97 ^
1.02
1.01
1.01
1.02
1.00
1.00
Q2
n-- 1.00
1.03
0.96
1.03
0.98
1.01
1.00
1.01
1.01
Q^ = 5.00
1.05
1.03
1.01
1.02
1.01
1.01
1.01
1. 00
Q^_^ o.ao
1.04
0.96
1.02
1.01
1.01
1.01
1.00
0.99
Q^= 50.00
1. 06
0. 93
1.03
0.98
1.01
0. 99
1.01
1. 00
Q^ = 100.0
1.04
0.99
1.02
1.01
1.01
1.00
1.00
1.00
n
Por otro lado, nos interesa c^omprobar ia calidad de ECM[yT+^(^)] como
estimador de su correspondiente cantidad poblacional ECM[yT+^-(y^)]. La columna R2 del Cuadro 1 trata de recoger los sesgos en la estimacin de ECM[yT+^{y,}j
debidos a los sesgos en la estimacin de ^os parmetros a travs de la razn:
n
_ ECM CYT+^r{W )1
^2 ECM CYT+$rr( ^ )l
^
Se puede observar que para valores de Q^ pequeos, ECM[yT+^-{^r)j est sistemticamente sesgado hacia arriba, hasta un 13 por 100 para T= 25 y un 9 por
100 para T= 50. Estos sesgos en la estimacin de ECM[yT+,^{y ^ )] van disrninuyendo conforme aumenta a y nos alejamos de la zona de no invertibilidad del
modelo, hasta cambiar de signo y, asi, para valores grandes de Q^, el estimador
n
ECM[yT^{ y,)] est sesgado hacia abajo, por ejemplo para Q^ = 50, es un 93 por
100 de ECM[yT+^{^r)]. Estos sesgos desaparecen rpidamente con el tamao
muestral.
Los resultados obtenidos en la zona de no invertibildad del modelo (valores
pequeos de 6) pueden estar influenciados por el mtodo de estimacin elegido.
Los distintos mtodos de estimacin mximo-verosmil tienen las mismas propiedades asntticas, aunque pueden tener propiedades en muestras pequeas
131
^
_ ECM LYr+^{ ^ )l
ECMo IYr+^r( v^ )I
R4
En general el estimador ECM [yT+,^y^)] subestima el verdadero ECM de prediccin con parmetros estimados. Esta subestimacin aumenta de forma considerable conforme crece el horizonte de prediccin s. Por ejemplo, para 6^ = 50,
n
^
el ECM[yT+^{ yr)] es el 88 pc+r 100 del verdadero ECM de prediccien para s= 1,
pasa a ser el 73 por 100 para s= 3 y se reduce al 67 par 100 para s= 12.
Podemos concluir que los efectos de la estimacin de los parmetros en el ECM
de prediccin son importan#es y deben ser tenidos en cuenta, sobre todo en
muestras pequeas, T= 25, 50, como era de esperar. Por^lo tanto, ^arece
conveniente utilizar el estimador alternativo que proponemos ECM'"`[yT+^(y^)] que
corrige esta subestimacin en la direccin adecuada aunque no siernpre en la
proporcien suficiente para solucionar totalmente el probfema. Por ejempio, para
62
n = 50 y s= 1 e! E^M^'"`[yT S^( y^)] es el 92 por 100 del verdadero ECM. Adems
132
ESTAOISTICA ESPAOLA
CUADRI^ 2
Comparacin de Errores Cuadrticos Medios de Prediccin
con parmetros estimados
s=3
s=1
s=12
R^
R{
R^
R3
R4
RS
R^
R^
R5
Q2 - a.o^
^!
25
50
100
200
1.02
1.01
1.02
1.02
1.05
1.03
1.03
1.02
0.93
0.95
0.98
0.99
1.19
1.09
1.06
1.03
1.21
1.11
1.06
1.04
0.97
0.95
0.98
0.99
1.86
1.43
1.21
1.11
1.88
1.45
1.22
1.12
0.93
0.95
0.98
0.99
a^= 0 . 05
25
50
100
200
0.97
0.97
0.99
1. 00
1.00
0.98
1.00
1. 01
0.95
0.97
0.99
1.00
1.12
1.04
1.03
1.02
1.15
1.05
1.04
1.02
0.95
0.97
0.99
1.00
1.60
1.26
1.14
1. 06
1.62
1.27
1.14
1.06
0.96
0.98
0.99
1.00
QZ _- 0.1
^
25
50
100
2 00
0.97
1.01
1.02
1. 01
1.00
1.03
1.03
1. 02
0.95
0.99
0.99
1. 00
1.10
1.07
1.05
1. 0 3
1.13
1.09
1.06
1. 0 3
0.96
0.99
0.99
1. 00
1.45
1.21
1.11
1. 06
1.47
1.22
1.12
1. 06
0.97
0.99
1.00
1. 00
Q2 _- 0.5
^
25
50
100
200
0.92
0.98
1.00
1. 00
0.96
1.00
1.02
1. 00
0.99
1.00
1.00
1.00
1.00
1.02
1.03
1. 00
1.03
1.04
1.03
1.01
1.00
1.00
1,00
1.00
1.10
1.08
1.05
1. 01
1.11
1.08
1.05
1. 01
1.00
1.00
1.00
1. 00
Q2 __ ^ 0
^
25
50
100
200
0.93
0.95
0.98
1.01
0.96
0.97
1.00
1.01
0.99
1.00
1.00
1.00
0.94
0.97
0.99
1.01
0.95
0.99
1.00
1.01
1.00
1.00
1.00
1.00
0.94
0.99
1.00
1.01
0.95
1.00
1.00
1.01
1.00
1.00
1.00
1.00
^? = 5.0
^
25
50
100
200
0.98
1.00
1.00
1.00
1.02
1.02
1.01
1.00
1.00
1.00
1.00
1.00
0.89
0.96
0.99
0.99
0.91
0.96
0.99
1.00
1.00
1.00
1.00
1.00
0.84
0.93
0.98
0.99
0.84
0.93
0.98
0.99
1.00
1.00
1.00
1.00
Q2 _ ^ 0 0
n -
25
50
100
200
0.93
0.99
1.00
0.98
0.96
1.01
1.02
0.99
0.99
1.00
1.00
1.00
0.82
0.91
0.96
0.97
0.83
0.92
0.96
0.97
1.00
1.00
1.00
1.00
0.76
0.87
0.94
0.96
0.77
0.87
0.94
0.96
1.00
1.00
1.00
1.00
Q^
^-- 50.0
25
50
100
200
0.88
0.96
0.98
1.00
0.92
0.98
0.99
1.00
0.99
1.00
1.00
1.00
0.73
0.84
0.89
0.94
0.75
0.84
0.90
0.94
1.00
1.00
1.00
1.00
0.67
0.79
0.86
0.92
0.68
0.79
0.86
0.92
1.00
1.00
1.00
1.00
v2^-- 100.0
25
50
100
200
0.95
0.98
0.99
0.99
0.98
1.00
1.00
1.00
1.00
1.00
1.00
1.00
0.79
0.86
0.90
0.93
0.80
0.87
0.90
0.93
1.00
1.00
1.00
1.00
0.72
0.81
0.87
0.91
0.73
0.81
0.87
0.91
1.00
1.00
1.00
1.00
133
Si observamos los resultados obtenidos para ECM*[yT+^{y,)] vemos que funciona muy bien para todo tamao muestral y para todos los valores de c^^, por lo
que parece que la aproximacin asinttica es adecuada. Sin embargo,
ECM*[yT+^(y^)] no es un estimador factible del verdadero ECM de prediccin con
parmetros estimados.
4.
CoNCLUSIONES
ii)
Los efectos de la variabilidad muestral de las estimaciones de los parmetros en el ECM de prediccin con parmetros estimados, son bastante
importantes.
^
EI estimador ECI^I^`[yT+s^{yr)] subestima, en general, el verdadero ECM de
prediccin con parmetros estimados. Los efec#os son mayores para
tamaos muestrales pequeos, para valores de c^ prximos a la zona de
no invertibilidad y para horizontes de prediccin largos. EI estimador
alternativo c^ue se ha propuesto corrige esta subestimacin en la direccin
deseada aunque no siempre en la proporcin suficiente para solucionar
totalmente el problema.
13d
ESTADISTiCA ESPAlJ^OLA
REFERENCIAS
AN^3ERSaN, B. D. O. y MooRE, J. B. (1979). Optimai Filtering, Englewoad Cliffs:
Prentice Hall.
ANSLEY, C. F. y KoHN, R. (1986). Prediction mean squared error for state space
models with estima#ed parameters, Biometrika, 76, 467-473.
BAILLIE, R. T. (1980}. Predictions for ARMAX models, Journal of Econometrics,
12, 365-314.
BLOOMFIIELD, P. (1972}. On the error of prediction of a time series, Biometrika, 59,
501-507.
FULLER, r/1/. A. y HASZA, D. P. (1980). Predictors for the first-order autoregressive
process, Journal of Econometrics, 13, 139-157.
FULLER, W. A. y HASZA, D. P. (1981). Properties of predictors fr the autorregresive
time series, Journal of the American Statistical Association, 76, 155-161.
HANNAN, E. J. (1970). Multiple Tirne Series, New York: John vviley.
HARVEY, A. C. (1983). The formulation of Structural Time Series Models in discrete
and continuous time, Questioo, 7, 563-575.
HARVEY, A. C. (1990). Forecasting, Structural Time Series Models and the Kalman
Filter, Cambridge Academic Press.
HARVEY, A. C. y PETERS, S. (1984). Estimation procedures for Structural Time
Series Models, LSE Econometrics Programme, Discussion Paper nm. A44.
PHILLIPS, P. C. B. (1979), The sampling distribution of forecasts from a first order
autoregresion, Journal af Econometrics, 9, 241-261.
PiERCE, D. A. (1975). Forecasting in dynamic models with stochastic regressors,
Journal of Econometrics, 3, 349-374.
^
1^^
SUMMARY
FORECASTING MEAN SQUARED ERROR FOR STRUCTURAL TIME
SERIES MODELS
A simulation study is carried out to examine the behaviour in small
samples of various estimators of the forecasting mean squared error
(MSE) with estirnated parameters. The attention is focused on the
class of Structural Time Series Models.
Two practical estimates of the forecating MSE, one of which includes
terms reflecting parameter estimation and one which exludes these terms,
are compared to the mean squared error of forecast for the simplest
structural model, the random walk plus noise model, considering different
values of the parameters of the mode! and different sample sizes.
Key wt^rds: Kalman Filter, Structural Models, Forecasting Mean Squared error, maximum likelihood estimation.
AMS Classification: 62M 10.