TAR Modeling with Missing Data when the White Noise Process Follows a Student’s t-Distribution

Abstract

This paper considers the modeling of the threshold autoregressive (TAR) process, which is driven by a noise process that follows a Student’s t-distribution. The analysis is done in the presence of missing data in both the threshold process {Zt} and the interest process {Xt}. We develop a three-stage procedure based on the Gibbs sampler in order to identify and estimate the model. Additionally, the estimation of the missing data and the forecasting procedure are provided. The proposed methodology is illustrated with simulated and real-life data.

En este trabajo consideramos el modelamiento de los modelos autoregresivos de umbrales (TAR) con datos faltantes tanto en la serie de umbrales como la serie de interés cuando el proceso del ruido blanco sigue una distribución t de student. Desarrollamos un procedimiento de tres etapas basado en el muestreador de Gibbs para identificar y estimar el modelo, además de la estimación de los datos faltantes y el procedimiento para el pronóstico. La metodología propuesta fue aplicada a datos simulados y datos reales.