| dc.contributor.author | Merikivi, Annika | |
| dc.date.accessioned | 2021-05-20T21:02:30Z | |
| dc.date.available | 2021-05-20T21:02:30Z | |
| dc.date.issued | 2021-05-18 | |
| dc.identifier.uri | https://www.utupub.fi/handle/10024/151850 | |
| dc.description.abstract | Tutkielman tavoitteena on tarkastella lähinaapurimenetelmän soveltuvuutta usean askeleen aikasarjaennustamiseen makro- ja rahoitustaloudellisia aikasarjoja tarkasteltaessa. Lähinaapurimenetelmä on samankaltaisuuteen perustuva paikallisen oppimisen menetelmä, jota on tunnettuvuudestaan ja yksinkertaisuudestaan huolimatta sovellettu taloudellisten aikasarjojen ennustamiseen melko vähän tieteellisissä tutkimuksissa. Viime vuosikymmeninä usean askeleen, esimerkiksi usean kuukauden tai vuoden, päähän ennustaminen on osoittautunut haastavaksi erityisesti taloudellisten kriisien aikana. Samankaltaisuuteen perustuvien menetelmien ennustekyvystä on kuitenkin esitetty lupaavia tuloksia viime vuosina.
Lähinaapurimenetelmää soveltaen tarkastellaan kolmea eri usean askeleen ennustamismenetelmää: suoraa, iteratiivista ja DirReciä. Usean askeleen ennustamismenetelmistä on olemassa vertailevaa tutkimusta melko vähän, ja useimmiten käytetään iteratiivista menetelmää, vaikka sen paremmuudesta ei ole selvää tieteellistä näyttöä.
Eri lähestymistapojen tuottamien ennusteiden virhetunnuslukuja vertaillaan käyttäen Yhdysvaltojen keskuspankin St. Louisin alueellisen keskuspankin kokoamaa kuukausittaista aineistoa, joka sisältää pääosin makrotaloudellisia aikasarjoja. Lähinaapurimenetelmällä saatuja tuloksia verrataan lineaarisen autoregressiivisen mallin iteratiivisiin ennusteisiin, joka on perinteinen lähestymistapa aikasarjaennustamiseen.
Lähinaapurimenetelmän tuottamat ennusteet osoittautuvat useassa aineiston alakategoriassa tarkemmiksi kuin autoregressiivisen mallin ennusteet, ja verratessa usean askeleen ennustamismenetelmiä keskenään suora menetelmä vaikuttaisi tuottavan usein pienimmät virhetunnusluvut. | |
| dc.format.extent | 62 | |
| dc.language.iso | fin | |
| dc.rights | fi=Julkaisu on tekijänoikeussäännösten alainen. Teosta voi lukea ja tulostaa henkilökohtaista käyttöä varten. Käyttö kaupallisiin tarkoituksiin on kielletty.|en=This publication is copyrighted. You may download, display and print it for Your own personal use. Commercial use is prohibited.| | |
| dc.subject | lähinaapurimenetelmä, aikasarjaennustaminen, virhetunnusluvut | |
| dc.title | Lähinaapurimenetelmä usean askeleen aikasarjaennustamisessa | |
| dc.type.ontasot | fi=Pro gradu -tutkielma|en=Master's thesis| | |
| dc.rights.accessrights | suljettu | |
| dc.identifier.urn | URN:NBN:fi-fe2021052030930 | |
| dc.contributor.faculty | fi=Matemaattis-luonnontieteellinen tiedekunta|en=Faculty of Science| | |
| dc.contributor.studysubject | fi=Tilastotiede|en=Statistics| | |
| dc.contributor.department | fi=Matematiikan ja tilastotieteen laitos|en=Department of Mathematics and Statistics| | |
