• Journal of the Korean Data and Information Science Society
• /
• v.20 no.3
• /
• pp.475-483
• /
• 2009

In this paper we introduced a class of nonlinear time series models to analyse KOSPI data. We introduce the Generalized Power-Transformation TGARCH (GPT-TGARCH) model and the model includes Zakoian (1993) and Li and Li (1996) models as the special cases. We showed the effectiveness and efficiency of the new model based on KOSPI data.

• Communications for Statistical Applications and Methods
• /
• v.1 no.1
• /
• pp.94-101
• /
• 1994

본 논문은 패널(panel) 자기회귀 모형에서 자기회귀 계수의 추정을 베이지안 방법으로 접근하였는데, 이 때 특별히 Gibbs Sampling 방법을 이용하여 사후분포를 계산하였다. 또한 모의 실험을 통하여 자기회귀계수를 Gibbs Sampling 방법으로 추정한 베이지안 추정치가 non-Bayesian 방법으로 구한 추정치보다 더 우월함을 보였다.

• The Korean Journal of Financial Management
• /
• v.16 no.2
• /
• pp.285-308
• /
• 1999

증권의 가격형성에 유리한 뉴스와 불리한 뉴스가 도착할 때 이 뉴스가 주가의 변동성에 미치는 영향의 정도는 차이가 있다. 불리한 뉴스가 변동성에 미치는 영향도가 유리한 뉴스가 변동성에 미치는 영향도보다 크다. 따라서 불리한 뉴스가 발생할 때 형성되는 변동성의 양이 유리한 뉴스의 도착시보다 크다. 그리고 충격의 크기에 따라 이 충격이 야기하는 변동성의 양의 크기에도 차이가 존재한다. 일반 자기회귀 조건부 이분산 과정은 유리한 뉴스와 불리한 뉴스를 대칭적으로 반영하고 있다. 이 뉴스들을 비대칭적으로 포착하는 자기회귀 조건부 이분산 과정의 모형들을 실증적으로 분석하였다. 뉴스의 비대칭성과 규모를 적절히 포착하고 있는 모형들이 비선형 일반 자기회귀 조건부 이분산 과정, 지수 일반 자기회귀 조건부 이분산 과정과 정보 포착 자기회귀 조건부 이분간 과정임이 발견되었다. 이 중 비선형 일반 자기회귀 조건부 이분산 과정이 가장 좋은 모형으로 보인다. 비선형 일반 자기회귀 조건부 이분산 과정의 경우 예측오차의 승멱(power)이 약 1.5이다. 따라서 일반 자기회귀 조건부 이분산 과정의 예측오차의 승멱인 2에 비하여 작다. 이 사실은 일반 자기회귀 조건부 이분산의 예측오차의 승멱이 과도하게 측정되고 없음을 알 수 있다. 뉴스의 비대칭성과 규모를 반영하고 있는 모형들은 한결같이 예측오차의 크기에 적절한 가중치를 부여하여 예측오차의 크기를 조정하고 있다. 이 모형의 성질과 실증분석의 결과에 의하여 예측오차의 승멱은 2 이하로 수정하여 사용해야 한다는 점이 시사되고 있다. 음의 충격이 양의 충격보다 주가의 변동성을 크게 하고 없음이 발견되었다. 주가형성에 유리한 뉴스와 불리한 뉴스가 주가의 변동성에 미치는 영향의 차이와 충격의 중대성을 양으로 표시하는 규모의 차이를 반영해주는 변수들의 추정된 계수가 미국과 일본보다 절대값에 있어서 상당히 작다. 이 현상은 뉴스의 비대칭성과 규모보다는 발생하는 충격, 즉 뉴스 자체에 보다 민감하게 반응하고 있음을 보여주고 있다. 물론 투자자들이 뉴스의 비대칭성과 규모를 완전히 무시하고 투자활동을 전개하고 있다는 것을 의미하는 것은 아니다.

• The Korean Journal of Applied Statistics
• /
• v.29 no.1
• /
• pp.257-266
• /
• 2016

Random Coefficient Autoregressive models (RCA) have attracted increased interest due to the wide range of applications in biology, economics, meteorology and finance. We consider an RCA as an appropriate model for non-linear properties and better than an AR model for linear properties. We study the methods of RCA parameter estimation. Especially we proposed the special case that an random coefficient ${\phi}(t)$ has the initial value ${\phi}(0)$ in the RCA model. In practical study, we estimated the parameters and compared Prediction Error Sum of Squares (PRESS) criterion between AR and RCA using Korean Mumps data.

• The Korean Journal of Applied Statistics
• /
• v.29 no.1
• /
• pp.133-144
• /
• 2016

This paper proposes a parsimonious periodic autoregressive (PAR) model. The proposed model performance is evaluated through an analysis of Korean unemployment rate series that is compared with existing models. We exploit some common features among each seasonality and confirm it by LR test for the parsimonious PAR model in order to impose a parsimonious structure on the PAR model. We observe that the PAR model tends to be superior to existing seasonal time series models in mid- and long-term forecasts. The proposed parsimonious model significantly improves forecasting performance.

• The Korean Journal of Applied Statistics
• /
• v.29 no.5
• /
• pp.835-847
• /
• 2016

To analyze lattice or areal data, a conditionally autoregressive (CAR) model has been widely used in the eld of spatial analysis. The spatial neighborhoods within CAR model are generally formed using only inter-distance or boundaries between regions. Kyung and Ghosh (2010) proposed a new class of models to accommodate spatial variations that may depend on directions. The proposed model, a directional conditionally autoregressive (DCAR) model, generalized the usual CAR model by accounting for spatial anisotropy. Properties of maximum likelihood estimators of a Gaussian DCAR are discussed. The method is illustrated using a data set of median property prices across Greater Glasgow, Scotland, in 2008.

• Journal of the Korean Data and Information Science Society
• /
• v.27 no.5
• /
• pp.1133-1146
• /
• 2016

Counts or averages over arbitrary regions are often analyzed using conditionally autoregressive (CAR) models. The spatial neighborhoods within CAR model are generally formed using only the inter-distance or boundaries between the sub-regions. Kyung and Ghosh (2009) proposed a new class of models to accommodate spatial variations that may depend on directions, using different weights given to neighbors in different directions. The proposed model, directional conditionally autoregressive (DCAR) model, generalized the usual CAR model by accounting for spatial anisotropy. Bayesian inference method is discussed based on efficient Markov chain Monte Carlo (MCMC) sampling of the posterior distributions of the parameters. The method is illustrated using a data set of median property prices across Greater Glasgow, Scotland, in 2008.

• The Korean Journal of Applied Statistics
• /
• v.27 no.6
• /
• pp.1049-1068
• /
• 2014

Autoregressive models are used to analyze an univariate time series data; however, these methods can be inappropriate when a structural break appears in a time series since they assume that a trend is consistent. Threshold autoregressive models (popular regime-switching models) have been proposed to address this problem. Recently, the models have been extended to two regime-switching models with delay parameter. We discuss two regime-switching threshold autoregressive models from a Bayesian point of view. For a Bayesian analysis, we consider a parametric threshold autoregressive model and a nonparametric threshold autoregressive model using Dirichlet process prior. The posterior distributions are derived and the posterior inferences is performed via Markov chain Monte Carlo method and based on two Bayesian threshold autoregressive models. We present a simulation study to compare the performance of the models. We also apply models to gross domestic product data of U.S.A and South Korea.

• The Korean Journal of Applied Statistics
• /
• v.29 no.1
• /
• pp.157-169
• /
• 2016

We compare four methods to estimate a regression coefficient under linear regression models with serially correlated errors. We assume that regression errors are generated with nonlinear autoregressive models. The four methods are: ordinary least square estimator, general least square estimator, parametric regression error correction method, and nonparametric regression error correction method. We also discuss some properties of nonlinear autoregressive models by presenting numerical studies with typical examples. Our numerical study suggests that no method dominates; however, the nonparametric regression error correction method works quite well.

• The Korean Journal of Applied Statistics
• /
• v.32 no.6
• /
• pp.909-922
• /
• 2019

In this paper, we study the adaptive least absolute shrinkage and selection operator (LASSO) for the unstable autoregressive (AR) model. To identify the existence of the unit root, we apply the adaptive LASSO to the augmented Dickey-Fuller regression model, not the original AR model. We illustrate our method with simulations and a real data analysis. Simulation results show that the adaptive LASSO obtained by minimizing the Bayesian information criterion selects the order of the autoregressive model as well as the degree of differencing with high accuracy.