Bitte verwenden Sie diesen Link, um diese Publikation zu zitieren, oder auf sie als Internetquelle zu verweisen: https://hdl.handle.net/10419/37070 
Autor:innen: 
Erscheinungsjahr: 
2010
Schriftenreihe/Nr.: 
IWH Discussion Papers No. 1/2010
Verlag: 
Leibniz-Institut für Wirtschaftsforschung Halle (IWH), Halle (Saale)
Zusammenfassung: 
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.
Zusammenfassung (übersetzt): 
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.
Schlagwörter: 
Strategy
Genetic Algorithm
TVECM
Strategie
Genetischer Algorithmus
Vektorfehlerkorrekturmodelle
JEL: 
C61
C32
Persistent Identifier der Erstveröffentlichung: 
Dokumentart: 
Working Paper

Datei(en):
Datei
Größe
664.14 kB





Publikationen in EconStor sind urheberrechtlich geschützt.