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:
Robust Estimation of Heckman Model Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

Quantile Forecasting of PM10 Data in Korea Based on Time Series Models

verfasst von : Yingshi Xu, Sangyeol Lee

Erschienen in: Robustness in Econometrics

Verlag: Springer International Publishing

Einloggen

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

search-config
loading …

Abstract

In this chapter, we analyze the particulate matter PM10 data in Korea using time series models. For this task, we use the log-transformed data of the daily averages of the PM10 values collected from Korea Meteorological Administration and obtain an optimal ARMA model. We then conduct the entropy-based goodness of fit test for the obtained residuals to check the departure from the normal and skew-t distributions. Based on the selected skew-t ARMA model, we obtain conditional quantile forecasts using the parametric and quantile regression methods. The obtained result has a potential usage as a guideline for the patients with some respiratory disease to pay more attention to health care when the conditional quantile forecast is beyond the limit values of severe health hazards.

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 Stochastic Frontier Model in Financial Econometrics: A Copula-Based Approach
Nächstes Kapitel Do We Have Robust GARCH Models Under Different Mean Equations: Evidence from Exchange Rates of Thailand?
Literatur
1.
Andy GP, Chan T, Jaiswal N (2006) Statistical models for the prediction of respirable suspended particulate matter in urban cities. Atmos Environ 40(11):2068–2077CrossRef
2.
Chaloulakou A, Grivas G, Spyrellis N (2003) Neural network and multiple regression models for pm10 prediction in athens: a comparative assessment. J Air Waste Manage Assoc 53(10):1183–1190CrossRef
3.
Christoffersen P, Hahn J, Inoue A (2001) Testing and comparing value-at-risk measures. J Empirical Finan 8(3):325–342CrossRef
4.
Cohen AJ, Ross Anderson H, Ostro B, Pandey KD, Krzyzanowski M, Künzli N, Gutschmidt K, Pope A, Romieu I, Samet JM et al (2005) The global burden of disease due to outdoor air pollution. J Toxicol Environ Health Part A 68(13–14):1301–1307CrossRef
5.
Engle RF, Manganelli S (2004) Caviar: conditional autoregressive value at risk by regression quantiles. J Bus Econ Stat 22(4):367–381MathSciNetCrossRef
6.
Fernández C, Steel MFJ (1998) On bayesian modeling of fat tails and skewness. J Am Stat Assoc 93(441):359–371MathSciNetMATH
7.
Ilia V, Lee S, Karagrigoriou A (2011) A maximum entropy type test of fit. Comput Stat Data Anal 55(9):2635–2643MathSciNetCrossRef
8.
Kupiec PH (1995) Techniques for verifying the accuracy of risk measurement models. J Deriv 3(2):73–84
9.
Lee S, Kim M (2016) On entropy-based goodness-of-fit test for asymmetric student-t and exponential power distributions. J Stat Comput Simul 87(1):1–11MathSciNet
10.
McKendry IG (2002) Evaluation of artificial neural networks for fine particulate pollution (pm10 and pm2. 5) forecasting. J Air Waste Manage Assoc 52(9):1096–1101CrossRef
11.
McNeil AJ, Frey R, Embrechts P (2015) Quantitative risk management: concepts, techniques and tools. Princeton University Press, PrincetonMATH
12.
Munir S, Habeebullah TM, Seroji AR, Morsy EA, Mohammed AMF, Saud WA, Abdou AEA, Awad AH (2013) Modeling particulate matter concentrations in makkah, applying a statistical modeling approach. Aerosol Air Qual Res 13(3):901–910
13.
Noh J, Lee S (2015) Quantile regression for location-scale time series models with conditional heteroscedasticity. Scand J Stat 43(3):700–720MathSciNetCrossRefMATH
14.
Raaschou-Nielsen O, Andersen ZJ, Beelen R, Samoli E, Stafoggia M, Weinmayr G, Hoffmann B, Fischer P, Nieuwenhuijsen MJ, Brunekreef B et al (2013) Air pollution and lung cancer incidence in 17 european cohorts: prospective analyses from the european study of cohorts for air pollution effects (escape). Lancet Oncol 14(9):813–822CrossRef
15.
Sánchez AS, Nieto PJG, Fernández PR, del Coz Díaz JJ, Iglesias-Rodríguez FJ (2011) Application of an svm-based regression model to the air quality study at local scale in the avilés urban area (spain). Math Comput Model 54(5):1453–1466CrossRef
16.
Shahraiyni HT, Sodoudi S (2016) Statistical modeling approaches for pm10 prediction in urban areas; a review of 21st-century studies. Atmosphere 7(2):15CrossRef
17.
Slini T, Kaprara A, Karatzas K, Moussiopoulos N (2006) Pm10 forecasting for thessaloniki, Greece. Environ Model Softw 21(4):559–565CrossRef
Metadaten
Titel
Quantile Forecasting of PM10 Data in Korea Based on Time Series Models
verfasst von
Yingshi Xu
Sangyeol Lee
Copyright-Jahr
2017
Buch
Robustness in Econometrics

Print ISBN: 978-3-319-50741-5

Electronic ISBN: 978-3-319-50742-2

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-50742-2_36