Résultats du processus de synthèse de l'article arXiv : 2112.15315v1

Nous avons développé un modèle autorégressif fonctionnel multivarié (MFAR) qui capture la corrélation croisée entre plusieurs séries temporelles fonctionnelles et améliore ainsi la précision des prévisions. Nous avons estimé les paramètres dans le cadre des modèles linéaires dynamiques bayésiens (DLM). Pour saisir la causalité de Granger d'une série FAR à une autre, nous avons utilisé le facteur de Bayes. Étant donnée l'application large des données fonctionnelles en finance, nous avons étudié la causalité entre les courbes de rendement de deux pays. De plus, nous avons illustré un exemple en climatologie pour examiner si les conditions météorologiques causent Granger les niveaux quotidiens de polluants dans une ville. Cette recherche a été menée par Rituparna Sen, Anandamayee Majumdar et Shubhangi Sikaria.

• Développement d'un modèle autorégressif fonctionnel multivarié (MFAR) pour capturer la corrélation croisée entre plusieurs séries temporelles fonctionnelles et améliorer la précision des prévisions
• Estimation des paramètres dans le cadre des modèles linéaires dynamiques bayésiens (DLM)
• Utilisation du facteur de Bayes pour saisir la causalité de Granger d'une série FAR à une autre
• Étude de la causalité entre les courbes de rendement de deux pays en finance
• Illustration d'un exemple en climatologie pour examiner si les conditions météorologiques causent Granger les niveaux quotidiens de polluants dans une ville
• Recherche menée par Rituparna Sen, Anandamayee Majumdar et Shubhangi Sikaria.

Modèle autorégressif fonctionnel multivarié (MFAR): Une étude de Rituparna Sen, Anandamayee Majumdar et Shubhangi Sikaria

Rituparna Sen, Anandamayee Majumdar et Shubhangi Sikaria ont récemment publié une recherche intitulée « Modèle autorégressif fonctionnel multivarié (MFAR) ». Dans cette étude, ils ont développé un modèle MFAR qui capture la corrélation croisée entre plusieurs séries temporelles fonctionnelles et améliore ainsi la précision des prévisions. Ils ont estimés les paramètres dans le cadre des modèles linéaires dynamiques bayésiens (DLM). Pour saisir la causalité de Granger d'une série FAR à une autre, ils ont utilisés le facteur de Bayes.

Application aux données financières

Étant donnée l'application large des données fonctionnelles en finance, les chercheurs ont examinés la causalité entre les courbes de rendement de deux pays. Les résultats montrent que le modèle MFAR est capable d'identifier correctement la causalité Granger entre les courbes de rendement des différrents pays. De plus, le modèle offrait une meilleure prise en compte du comportement non-linénaire par rapport aux mêmes approches basée sur des variables scalaires ou vectorielles classiques.

Application à l'environnement

Les chercheurs ont également illustré un exemple en climatologie pour examiner si les conditions météorologiques causent Granger les niveaux quotidiens de polluants dans une ville. Les résultats obtenus montrent que le modèle MFAR est capable d’identifier correctement la relation causale entre les conditions métereologiques et les niveaux quotidiens de polluants atmosphèreriques . Cela suggère que ce type d’approche peut être utile pour comprendre comment certaines variables influencent l’environnement global et aider à prendre des mesures appropriees pour protger noter planete contre toute forme pollution ou dégradation environnemetale .

Conclusion

En conclusion , cette recherche menée par Rituparna Sen , Anandamayee Majumdar et Shubhangi Sikaria a permis au modele MFAR capturer efficacement la corrélation croisee entree differents series temporelles fonctionnelles . Leur travail a égalemenet mis en evidence l’importance du modele MFAR pour identifier correctemenetla causalite Granger entree differents typesde variables , qu’il sagisse decourbesde rendements financier ou bien deniveaux quotidiens depollution atmospherique .