MARC

 008260126s2025        us                              c    eng  d
■001000017357958
■00520260202103623
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798315790983
■035    ▼a(MiAaPQ)AAI32045911
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a310
■1001  ▼aKatz,  Harrison.
■24510▼aAdvancing  Bayesian  Forecasting:  A  Bayesian  Dirichlet  Auto-Regressive  Conditional  Heteroskedasticity  Model,  a  Bayesian  Dirichlet  Auto-Regressive  Moving  Average  Model,  and  Other  Innovations
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a183  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-12,  Section:  A.
■500    ▼aAdvisor:  Weiss,  Robert  E.;Wu,  Ying  Nian.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2025.
■520    ▼aThis  dissertation  introduces  new  Bayesian  time  series  models  for  compositional  and  high-dimensional  data  with  dynamic  structure  and  potential  heteroskedasticity.  It  comprises  four  papers  that  offer  methodological  advances,  simulation  results,  and  applications  in  hospitality  and  finance.Paper  1  introduces  the  Bayesian  Dirichlet  Auto-Regressive  Moving  Average  (B-DARMA)  model,  motivated  by  the  need  to  forecast  the  proportion  of  future  fees  recognized  in  future  monthly  intervals  using  daily  Airbnb  data.  By  embedding  Auto-Regressive  Moving  Average  (ARMA)  components  on  an  additive  log-ratio  scale  within  a  Dirichlet  likelihood,  the  model  enforces  compositional  constraints  and  yields  reasonable  forecasts.  Simulation  studies  highlight  B-DARMA's  predictive  performance,  and  empirical  analysis  shows  more  accurate  lead-time  predictions  compared  with  standard  VARMA-based  methods-vector  auto-regressive  moving  average  models  that  jointly  capture  relationships  among  multiple  time  series-thereby  guiding  resource  allocation  and  strategic  planning.Paper  2  extends  B-DARMA  to  a  Bayesian  Dirichlet  Auto-Regressive  Conditional  Heteroskedasticity  (B-DARCH)  model  by  incorporating  a  Generalized  Auto-Regressive  Conditional  Heteroskedasticity  (GARCH)-like  process  for  the  Dirichlet  precision  parameter.  Empirical  analysis  of  Airbnb's  currency-fee  data  demonstrates  that  B-DARCH  achieves  higher  forecast  accuracy  than  both  B-DARMA  and  standard  VARMA-based  methods.  Simulation  studies  further  confirm  that  modeling  time-varying  volatility  significantly  improves  predictive  coverage  relative  to  simpler  B-DARMA  or  transformed  VARMA  models.Paper  3  conducts  a  sensitivity  analysis  of  B-DARMA  under  several  priors-normal,  Laplace,  horseshoe,  spike-and-slab,  and  hierarchical.  Six  simulation  studies  highlight  shrinkage  as  crucial  for  pruning  unneeded  parameters  while  showing  that  prior  choice  alone  cannot  fix  model  misspecification.  An  application  to  S&P  500  sector  allocations  illustrates  how  prior-based  shrinkage  manages  complexity  in  high-dimensional  or  limited-sample  scenarios.Paper  4  examines  high-dimensional  vector  auto-regressive  processes,  comparing  horseshoe,  lasso,  and  hierarchical  priors  with  ridge  and  nonparametric  shrinkage  methods  in  three  distinct  simulations.  In  Canadian  macroeconomic  data,  horseshoe  priors  outperform  other  approaches  by  shrinking  smaller  coefficients  while  retaining  major  signals,  enhancing  forecast  accuracy.Collectively,  these  four  papers  form  a  cohesive  suite  of  Bayesian  methods  for  compositional  and  high-dimensional  time  series,  addressing  interpretability,  over-parameterization,  and  volatility.  They  offer  theoretically  grounded,  empirically  tested  frameworks  for  accurate  inference,  improved  risk  management,  and  deeper  strategic  insights  in  hospitality,  macroeconomics,  and  finance.
■590    ▼aSchool  code:  0031.
■650  4▼aStatistics
■650  4▼aFinance
■653    ▼aBayesian  time  series  models
■653    ▼aAuto-Regressive  Moving  Average
■653    ▼aNonparametric  shrinkage  methods
■690    ▼a0463
■690    ▼a0501
■690    ▼a0508
■71020▼aUniversity  of  California,  Los  Angeles▼bStatistics  0891.
■7730  ▼tDissertations  Abstracts  International▼g86-12A.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17357958▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서