Shrinkage estimation methods for mixed data sampling regression and heterogeneous autoregressive models

This thesis consists of four research articles. The first two articles assess the effectiveness of various shrinkage estimation methods within mixed data sampling (MIDAS) regression models and find that our proposed methods have superior performance compared to existing models. The third article extends MIDAS models to encompass count data, and the fourth article evaluates the performance of a specific proposed shrinkage method in forecasting stock price volatility. In the first article, which focuses on MIDAS regression in a nonparametric way, two-parameter nonparametric shrinkage estimation methods are developed to estimate the MIDAS regression parameters. The proposed methodology is compared with one-parameter nonparametric and parametric MIDAS regression, both theoretically via simulation and practically in terms of forecasting U.S. inflation rates. The proposed two-parameter estimator outperforms the one-parameter estimator and other comparative methods, both theoretically and empirically. In the second article, the two-dimensional panel data regression model is extended to a multidimensional context for mixed-frequency data. We use the least absolute shrinkage and selection operator (LASSO), sparse group (sg)-LASSO, and elastic net unrestricted MIDAS (U-MIDAS) for estimation. The theoretical properties of the extended models are evaluated using Monte Carlo simulations. The proposed model is empirically applied to now cast three-dimensional home ownership vacancy rates across states, metropolitan statistical areas (MSAs), and time in the U.S. Finally, we compare the predictive performance of this extended model with the traditional three-dimensional panel data regression model. The extended model demonstrates superior performance over traditional multidimensional methods, both theoretically and empirically. The third article introduces a generalized Poisson regression model for count time series data, applied within a MIDAS framework. The new MIDAS Poisson regr
Denna doktorsavhandling består av fyra forskningsartiklar. De två första artiklarna utvärderar effektiviteten för olika krympningsmetoder inom mixed data sampling (MIDAS). De föreslagna modellerna presterar bättre än modeller från tidigare forskning. Den tredje artikeln utvidgar MIDAS-modellerna till att omfatta så kallade ”count variables”, medan den fjärde artikeln utvärderar vår föreslagna krympningsmetod för att prognostisera aktiekursvolatilitet. I den första artikeln utvecklas icke-parametriska krympningsmetoder med två parametrar för att estimera MIDAS-modellen. Den föreslagna metodologin jämförs med konventionella en-parameterbaserade icke-parametriska och parametriska MIDAS-regressionsmodeller. Detta görs både genom teoretiska simuleringar och praktiska tillämpningar vid prognostisering av amerikanska inflationsdata. Den föreslagna två-parameterestimatorn överträffar en-parameterestimatorn och andra traditionella metoder, både teoretiskt och empiriskt. I den andra artikeln utökar vi den tvådimensionella paneldatamodellen till en multidimensionell kontext för data med blandade datafrekvenser. Vi använder least absolute shrinkage and selection operator (LASSO), sparse group (sg)-LASSO och elastic net unrestricted MIDAS (U-MIDAS) vid estimationen. Dessutom utvärderar vi de teoretiska egenskaperna hos de utökade modellerna genom Monte Carlo-simulering. Sedan använder vi den föreslagna modellen för att utföra tredimensionella nulägesprognoser (nowcasting) för vakanser av äganderätter för olika stater, storstadsområden (metropolitan statistical areas) och över tid i USA. Slutligen jämför vi prediktionsförmågan hos denna utökade modell med den traditionella tredimensionella paneldatamodellen. Resultaten påvisar att den utökade modellen presterar bättre än de traditionella multidimensionella metoderna, både från ett teoretiskt och empiriskt perspektiv. Den tredje artikeln introducerar en generaliserad Poisson-regression för s.k. count data” som tillämpas inom en MI