BazEkon - The Main Library of the Cracow University of Economics

BazEkon home page

Main menu

Author
Hławka Marcin (Wrocław University of Technology), Kawecki Maciej (Wrocław University of Technology)
Title
Model Selection Criteria for Reduced Rank Multivariate Time Series with Application in Identification of Periodic Components
Kryteria wyboru modelu o zredukowanym rzędzie w wielowymiarowych szeregach czasowych z zastosowaniem w metodach identyfikacji składowych okresowych
Source
Acta Universitatis Lodziensis. Folia Oeconomica, 2011, t. 255, s. 259-264, rys., bibliogr. 9 poz.
Issue title
Methodological Aspects of Multivariate Statistical Analysis : Statistical Models and Applications
Keyword
Szeregi czasowe, Modele regresji, Analiza szeregów czasowych
Time-series, Regression models, Time-series analysis
Note
summ., streszcz.
Abstract
W pracy jest przedstawione zastosowanie kryteriów wyboru modelu dla wektorowego modelu autoregresji o zredukowanym rzędzie (Reduced Rank Vector Autoregression (RRVAR(p,r)). W analizie uwzględniono najbardziej popularne kryteria wyboru modelu, podzielone na dwie grupy: kryteria równoczesnego wyboru oraz tzw. kryteria dwukrokowe. Model RRVAR został użyty w zagadnieniu identyfikacji składowych okresowych dla wielowymiarowych szeregów czasowych, zawierających dużą liczbę, zazwyczaj istotnie skorelowanych składowych, obserwowanych w krótkim horyzoncie czasowym. Przedstawione zostaną rezultaty porównujące efektywność metody opartej na dopasowaniu wektorowego modelu autoregresji o zredukowanym rzędzie z tradycyjnymi jednowymiarowymi metodami. Wykorzystano bazę rzeczywistych danych mikromacierzowych Spellman'a (1998). służącą do identyfikacji genów drożdży, związanych z cyklem podziału komórki. (abstrakt oryginalny)

The main focus of this paper is to present an application of different model selection criteria used for multivariate reduced rank time series. We consider one of the most commonly used reduced-rank models. Regularized Reduced Rank Vector Autoregression (RRRVAR(p,r, λ)). In our study, the most popular model selection criteria are included. The criteria are divided into two groups: simultaneous selection and two-step selection criteria, accordingly. We applied RRRVAR model in the task of an identification of periodic components in high-dimensional, short and often highly-correlated multivariate time series. Additionally, we proposed a universal and well-parameterized simulation framework which allows to mimic almost any scenario that may occur in real experimental settings. Moreover, efficiency of all methods is compared using well-known time-course Spellman (1998) microarray data, used to find cell-cycle regulated yeast genes. (original abstract)
Accessibility
The Main Library of the Cracow University of Economics
The Library of Warsaw School of Economics
The Library of University of Economics in Katowice
The Main Library of Poznań University of Economics and Business
The Main Library of the Wroclaw University of Economics
Full text
Show
Bibliography
Show
  1. Anderson T. W. (2002), Canonical Correlation Analysis and Reduced Rank Regression in Autoregressive Models. The Annals of Statistics.
  2. Andersson C. R., Isaksson A., Gustafsson M. G. (2006). Bayesian detection of periodic mRNA time profiles without use of training examples. Bioinformatics, Vol. 7. pp. 7-63.
  3. Camba-Mendez G., Kapetanios G., Smith R. J., Weale M. R. (2003). Test of Rank in Reduced Rank Regression Models. Journal of Business & Economic Statistics, Vol. 21.
  4. Lichtenberg U. (2005). Comparison of computational methods for the identification of cell cycle-regulated genes. Bioinformatics. Vol. 21. pp. 1164-1171.
  5. Lutkepohl H. (2005), New Introduction to Multiple Time Series Analysis. Springer.
  6. Spellman P. T. et.al. (1998), Comprehensive Identification of Cell Cycle-regulated Genes of the Yeast Saccharomyces cerevisiae by Microarray Hybridization. Molecular Biology of the Cell. Vol. 9, pp. 3273-3297.
  7. Velu R. P., Reinsel G. C, Wichern D. W. (1986). Reduced Rank Models for Multiple Time Series. Biometrika. Vol.73, pp. 105-118.
  8. Wichert S., Fokianos K., Strimmer K. (2004). Identifying periodically expressed transcripts in microarray time series, Bioinformatics. Vol. 20. pp. 5-20.
  9. Zagdanski A., Kustra R. (2008). Exploration of High-dimensional Time Series Using Regularized Reduced Rank Approach: Application in Time-course Microarray. Proceedings of IADIS European Conference on Data Mining (ECDM2008), part of the IAD1S Multi Conference on Computer Science and Information Systems 2008. Amsterdam
Cited by
Show
ISSN
0208-6018
Language
eng
URI / DOI
http://hdl.handle.net/11089/706
Share on Facebook Share on Twitter Share on Google+ Share on Pinterest Share on LinkedIn Wyślij znajomemu