A Bayesian View on Lead-Lag Detection with an Application to Air Quality Data
Lead-lag methods have been successfully used in a wide range of fields, ranging from climate science to finance and econometrics. The detection of lead-lag relationships between time series allows us to uncover relationships that can be used to study the dynamics of the underlying processes as well as to make predictions of future values by using leading time series to predict lagging ones. However, the question of uncertainty quantification in the problem of leag-lag estimation has not been widely considered, making it challenging to understand whether there is truly a lead-lag relationship present. We introduce a novel Bayesian approach to lead-lag estimation, relying on a lagged multi-factor model framework, and apply it to the study of air quality data.
Une approche bayésienne de la détection des décalages avec une application aux données sur la qualité de l'air
Les méthodes d'avance-retard ont été utilisées avec succès dans un large éventail de domaines, allant de la science du climat à la finance et à l'économétrie. La détection des relations d'avance-retard entre les séries chronologiques nous permet de mettre au jour des relations qui peuvent être utilisées pour étudier la dynamique des processus sous-jacents ainsi que pour faire des prévisions de valeurs futures en utilisant les séries chronologiques avancées pour prédire les séries chronologiques retardées. Cependant, la question de la quantification de l'incertitude dans le problème de l'estimation des relations avance-retard n'a pas été largement étudiée, il est donc difficile de comprendre s'il existe réellement une relation avance-retard. Nous introduisons une nouvelle approche bayésienne de l'estimation des relations avance-retard, en nous appuyant sur un modèle multifactoriel décalé, et l'appliquons à l'étude des données sur la qualité de l'air.
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais