Spectral Density Estimation via Autoregressive Modeling

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14310%2F14%3A00075328" target="_blank" >RIV/00216224:14310/14:00075328 - isvavai.cz</a>

Výsledek na webu

—

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Spectral Density Estimation via Autoregressive Modeling

Popis výsledku v původním jazyce

The spectral density function is a commonly used tool when analyzing time series in the frequency domain. Parametric spectral estimation methods have gained attention as potentially interesting tools in the last four decades. They allow the improvement of the statistical properties of spectral estimators with respect to the Fourier-based methods. Estimation of the parameters of ARMA and MA models needs the resolution of a set of nonlinear equations, whereas the AR parameters estimates can be calculatedby solving a set of linear ones. Moreover, algorithms, such as Levinson's, used to solve this set of equations are computationally efficient. When the AR modeling assumption is valid, spectral estimates are less biased and have lower variability than theFourier-based ones. For these reasons, the AR method became the most popular approach to parametric spectral estimation.

Název v anglickém jazyce

Spectral Density Estimation via Autoregressive Modeling

Popis výsledku anglicky

The spectral density function is a commonly used tool when analyzing time series in the frequency domain. Parametric spectral estimation methods have gained attention as potentially interesting tools in the last four decades. They allow the improvement of the statistical properties of spectral estimators with respect to the Fourier-based methods. Estimation of the parameters of ARMA and MA models needs the resolution of a set of nonlinear equations, whereas the AR parameters estimates can be calculatedby solving a set of linear ones. Moreover, algorithms, such as Levinson's, used to solve this set of equations are computationally efficient. When the AR modeling assumption is valid, spectral estimates are less biased and have lower variability than theFourier-based ones. For these reasons, the AR method became the most popular approach to parametric spectral estimation.

Druh

D - Stať ve sborníku

CEP obor

BB - Aplikovaná statistika, operační výzkum

OECD FORD obor

—

Projekt

—

Návaznosti

S - Specificky vyzkum na vysokych skolach

Rok uplatnění

2014

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název statě ve sborníku

Mathematical Models and Financial Mathematics - Book of short papers

ISBN

9788021066489

ISSN

—

e-ISSN

—

Počet stran výsledku

8

Strana od-do

5-12

Název nakladatele

Masaryk University

Místo vydání

Brno

Místo konání akce

Brno

Datum konání akce

1. 1. 2014

Typ akce podle státní příslušnosti

CST - Celostátní akce

Kód UT WoS článku

—