Promotie Marie Carla Ternes

Trefwoorden: gemengde frequentie, tijdreeksen, hoge dimensionaliteit
 

"Forecasting Mixed-Frequency Time Series with Statistical Learning"

Gemengde-frequentie tijdreeksen, gedefinieerd als gegevens die op verschillende tijdsintervallen worden geregistreerd, zoals kwartaal-, maand- of daggegevens, komen veel voor in verschillende vakgebieden, met name in de macro-economie. Een voorbeeld is de groei van het bruto binnenlands product (BBP), een belangrijke economische indicator die echter per kwartaal wordt gepubliceerd en met een lange vertraging, terwijl gegevens met een hogere frequentie die invloed hebben op de BBP-groei, zoals werkloosheid en inflatie, maandelijks worden vrijgegeven en de actuele economische omstandigheden weerspiegelen. In tegenstelling tot standaard econometrische modellen kunnen gemengde-frequentiemodellen variabelen modelleren en voorspellen die op verschillende frequenties zijn geregistreerd. Echter, bij het werken met grote datasets neemt de dimensionaliteit van deze modellen snel toe, wat alternatieve schattingstechnieken vereist. Deze thesis ontwikkelt statistische leermethoden voor het voorspellen van hoge-dimensionale gemengde-frequentie tijdreeksen. Het introduceert nieuwe benaderingen en breidt bestaande methoden uit om de schattings- en voorspellingsnauwkeurigheid van gemengde-frequentiemodellen te verbeteren, wat waardevolle instrumenten biedt voor beleidsmakers en praktijkmensen om tijdige en goed onderbouwde voorspellingen te doen. De methoden worden empirisch geëvalueerd op klassieke macro-economische datasets evenals op meer moderne platformstreamingdatasets.

Klik hier voor het volledige proefschrift.

Klik hier voor de livestream.