Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Data in the 21st Century Kapitel lesen Erstes Kapitel lesen

2018 | OriginalPaper | Buchkapitel

Asymmetric Effect with Quantile Regression for Interval-Valued Variables

verfasst von : Teerawut Teetranont, Woraphon Yamaka, Songsak Sriboonchitta

Erschienen in: Predictive Econometrics and Big Data

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper, we propose a quantile regression with interval valued data using a convex combination method. The model we propose generalizes series of existing models, say typically with the center method. Three estimation techniques consisting EM algorithm, Least squares, Lasso penalty are presented to estimate the unknown parameters of our model. A series of Monte Carlo experiments are conducted to assess the performance of our proposed model. The results support our theoretical properties. Finally, we apply our model to empirical data in order to show the usefulness of the proposed model. The results imply that the EM algorithm provides a best fit estimation for our data set and captures the effect of oil differently across various quantile levels.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Generalize Weighted in Interval Data for Fitting a Vector Autoregressive Model
Nächstes Kapitel The Future of Global Rice Consumption: Evidence from Dynamic Panel Data Approach
Literatur
1.
Arroyo, J., Espínola, R., Maté, C.: Different approaches to forecast interval time series: a comparison in finance. Comput. Econ. 37(2), 169–191 (2011)CrossRefMATH
2.
Arroyo, J., Gonzalez-Rivera, G., Mate, C.: Forecasting with interval and histogram data some financial applications. In: Ullahand, A., Giles, D. (eds.) Handbook of Empirical Economics and Finance, pp. 247–280. Chapman and Hall (2011)
3.
Billard, L., Diday, E.: Regression analysis for interval-valued data. In: Data Analysis, Classification and Related Methods, Proceedings of the Seventh Conference of the International Federation of Classification Societies (IFCS 2000), pp. 369–374. Springer, Belgium (2000)
4.
Billard, L., Diday, E.: Symbolic regression analysis. In: Proceedings of the Eighteenth Conference of the International Federation of Classification Societies (IFCS 2002), Classification, Clustering and Data Analysis, pp. 281–288. Springer, Poland (2002)
5.
Chanaim, S., Sriboonchitta, S., Rungruang, C.: A convex combination method for linear regression with interval data. In: Proceedings of the 5th International Symposium on Integrated Uncertainty in Knowledge Modelling and Decision Making, IUKM 2016, Da Nang, Vietnam, 30 November–2 December 2016, pp. 469–480. Springer (2016)
6.
Giordani, P.: Linear regression analysis for interval-valued data based on the Lasso technique. Technical report, 6 (2011)
7.
Gonzalez-Rivera, G., Lin, W.: Interval-valued Time Series: Model Estimation based on Order Statistics (No. 201429) (2014)
8.
Koenker, R.W., Bassett Jr., G.: Tests of linear hypotheses and I1 estimation. Econometrica Econometric Soc. 50(1), 43–61 (1982)CrossRefMATH
9.
Koenker, R.: Quantile Regression (No. 38). Cambridge University Press (2005)
10.
Lima-Neto, E.A., De Carvalho, F.A.T.: Constrained linear regression models for symbolic interval-valued variables. Comput. Stat. Data Anal. 54, 333–347 (2010)MathSciNetCrossRefMATH
11.
Piamsuwannakit, S., Autchariyapanitkul, K., Sriboonchitta, S., Ouncharoen, R.: Capital asset pricing model with interval data. In: Integrated Uncertainty in Knowledge Modelling and Decision Making, pp. 163–170. Springer (2015)
12.
Phochanachan, P., Pastpipatkul, P., Yamaka, W., Sriboonchitta, S.: Threshold regression for modeling symbolic interval data. Int. J. Appl. Bus. Econ. Res. 15(7), 195–207 (2017)
13.
Reed, C., Yu, K.: A Partially collapsed Gibbs sampler for Bayesian quantile regression (2009)
14.
Rodrigues, P.M., Salish, N.: Modeling and forecasting interval time series with threshold models. Adv. Data Anal. Classif. 9(1), 41–57 (2015)MathSciNetCrossRef
15.
Tibshirani, R.J.: Regression shrinkage and selection via the lasso. J. Roy. Statist. Soc. Ser. B 58, 267–288 (1996)MathSciNetMATH
16.
Tibprasorn, P., Khiewngamdee, C., Yamaka, W., Sriboonchitta, S.: Estimating efficiency of stock return with interval data. In: Robustness in Econometrics, pp. 667–678. Springer (2017)
17.
Waldmann, E., Kneib, T.: Bayesian bivariate quantile regression. Stat. Model. (2014). 1471082X14551247
18.
19.
20.
Zhou, Y.H., Ni, Z.X., Li, Y.: Quantile regression via the EM algorithm. Commun. Stat. Simul. Comput. 43(10), 2162–2172 (2014)MathSciNetCrossRefMATH
Metadaten
Titel
Asymmetric Effect with Quantile Regression for Interval-Valued Variables
verfasst von
Teerawut Teetranont
Woraphon Yamaka
Songsak Sriboonchitta
Copyright-Jahr
2018
Buch
Predictive Econometrics and Big Data

Print ISBN: 978-3-319-70941-3

Electronic ISBN: 978-3-319-70942-0

Copyright-Jahr: 2018

DOI
https://doi.org/10.1007/978-3-319-70942-0_44