Trefwoorden: Gemengde causale en niet-causale processen, Student-s't-verdeling, Omkeerbaarheid in de tijd, GCov-schatter
 

"Essays on univariate and multivariate noncausal processes"

In de econometrie maakt tijdreeksanalyse gebruik van statistische modellen om het gedrag van economische en financiële variabelen in de tijd te begrijpen. Hierbij worden opeenvolgende waarnemingen van een of meer variabelen met regelmatige tussenpozen (bijv. dagelijks, maandelijks) bestudeerd om patronen, trends en relaties te identificeren. Deze analyse helpt economen en beleidsmakers om temporele afhankelijkheden, fluctuaties en schokken die van invloed zijn op economische variabelen te begrijpen.

Bij de analyse van tijdreeksen worden verschillende modellen gebruikt, zoals autoregressieve processen (AR), voortschrijdende gemiddelde processen (MA), autoregressieve voortschrijdende gemiddelde processen (ARMA), autoregressieve geïntegreerde voortschrijdende gemiddelde processen (ARIMA) en seizoensgebonden modellen zoals seizoensgebonden ARIMA (SARIMA).  Deze modellen houden echter geen rekening met hoe de onderzochte variabelen beïnvloed kunnen worden door toekomstige gebeurtenissen. In deze context is er recent veel aandacht besteed aan gemengde causale en niet-causale processen. In tegenstelling tot traditionele modellen, houden deze geïntegreerde modellen rekening met zowel informatie uit het verleden als toekomstige gegevens, waardoor ze unieke patronen kunnen vastleggen, waaronder speculatieve zeepbellen.

Deze dissertatie heeft als doel om dieper in te gaan op gemengde causale en niet-causale modellen en bij te dragen aan de vooruitgang van identificatie-, schattings- en inferentieproblemen.

Klik hier voor de livestream.