EconStor >
Institut für Wirtschaftsforschung Halle (IWH) >
IWH-Diskussionspapiere, Institut für Wirtschaftsforschung Halle (IWH) >

Please use this identifier to cite or link to this item:

http://hdl.handle.net/10419/37070
  
Title:An evolutionary algorithm for the estimation of threshold Vector error correction models PDF Logo
Authors:El-Shagi, Makram
Issue Date:2010
Series/Report no.:IWH-Diskussionspapiere 2010,1
Abstract:We develop an evolutionary algorithm to estimate Threshold Vector Error Correction models (TVECM) with more than two cointegrated variables. Since disregarding a threshold in cointegration models renders standard approaches to the estimation of the cointegration vectors inefficient, TVECM necessitate a simultaneous estimation of the cointegration vector(s) and the threshold. As far as two cointegrated variables are considered this is commonly achieved by a grid search. However, grid search quickly becomes computationally unfeasible if more than two variables are cointegrated. Therefore, the likelihood function has to be maximized using heuristic approaches. Depending on the precise problem structure the evolutionary approach developed in the present paper for this purpose saves 90 to 99 per cent of the computation time of a grid search.
Abstract (Translated):Im vorliegenden Papier wird ein evolutionärer Algorithmus zur Schätzung von Threshold-Vektorfehlerkorrekturmodellen (TVECM) mit mehr als zwei kointegrierten Variablen entwickelt. Da die fehlende Berücksichtigung eines Schwellenwerts, bei dem sich die Anpassung an das langfristige Gleichgewicht verändert, in einem Kointegrationsmodell dazu führt, dass konventionelle Schätzer nicht länger effizient sind, muss dieser Schwellenwert simultan mit dem Kointegrationsvektor geschätzt werden. Solange nur zwei kointegrierte Variablen betrachtet werden, wird die Schätzung üblicherweise mittels einer Rastersuche vorgenommen. Eine solche Rastersuche ist allerdings, wenn mehr als zwei Variablen kointegriert sind, aufgrund des immensen Rechenaufwands meist undurchführbar. Die Likelihood-Funktion muss daher über heuristische Verfahren maximiert werden. Abhängig von der genauen Problemstruktur kann der zu diesem Zweck im vorliegenden Papier vorgeschlagene Algorithmus 90 bis 99 Prozent der Rechnerkapazität, die für eine Rastersuche notwendig wäre, sparen.
Subjects:Strategy
Genetic Algorithm
TVECM
Strategie
Genetischer Algorithmus
Vektorfehlerkorrekturmodelle
JEL:C61
C32
Persistent Identifier of the first edition:urn:nbn:de:101:1-2010031929
Document Type:Working Paper
Appears in Collections:Publikationen von Forscherinnen und Forschern des IWH
IWH-Diskussionspapiere, Institut für Wirtschaftsforschung Halle (IWH)

Files in This Item:
File Description SizeFormat
621643157.pdf664.14 kBAdobe PDF
No. of Downloads: Counter Stats
Download bibliographical data as: BibTeX
Share on:http://hdl.handle.net/10419/37070

Items in EconStor are protected by copyright, with all rights reserved, unless otherwise indicated.