Bayesian inference for asymmetric time series having unobserved values

Abstract

We propose new method to analyze dynamic asymmetry for a specific kind of in- complete data which contains both quarterly and monthly structures. The basic idea is considering unobserved monthly points between quarterly data as unknown observations so that we make them perfect by adding their estimates to data set. Art MCMC method is used for parameter estimation in the presence of the incomplete data. Since adjusted data set has just a simple structure, standard classical methods can be applied to it easily. The method is suggested through an illustrative example. For the data set our method provides stronger evidences for asymmetry and nonstationarity compared with other standard methods which investigate just either quarterly or monthly data.;상당수의 경제 시계열자료는 과거에는 분기별로 얻어지다가 일정시점 이후부터는 월별로 조사가 이루어지는 등의 복합적인 구조를 갖고있다. 이처럼 혼합된 구조의 자료를 분석할때는 분기별 자료만 사용하거나, 월별 자료만 사용해서 모델링 하는것이 일반적인데 이러한 기존의 방법들은 자료가 갖고있는 정보의 일부분만을 이용하기때문에 분석의 신뢰성과 정확성을 떨어뜨릴수 있으므로 본 논문에서는 미관측값들을 알려지지 않은 모수로 간주한 후 베이지안 방법을 적용하는 새로운 분석방법을 제시한다. 즉, 기본적으로 모형에 포함되어있는 모수뿐만 아니라 미관측값들도 모두 미지의 모수로 간주하고 사후 분포를 유도한 후에 깁스 샘플링을 통하여 모수 추정과 가설 검정을 행하는것이다. 정확한 사후 분포를 유도하기 힘들때는 깁스 샘플링 대신 메트로폴리스 해스팅스 알고리즘을 사용한다. 논문의 예에서는 미관측값의 추정치를 포함하여 모든 자료를 사용한 새로운 방법을 기존의 방법대로 분기별 자료만을 사용한 경우와 비교했으며 그 결과 새로운 방법이 자료의 비대칭성과 안정성 여부를 더 잘 반영함을 보여주고 있다.