DOI: https://doi.org/10.1007/s10651-026-00703-y
تاريخ النشر: 2026-02-17
المؤلف: Tatiane Fontana Ribeiro وآخرون
الموضوع الرئيسي: نموذج المخاطر المالية وتقلبات السوق
نظرة عامة
تقدم هذه الورقة نموذج سلسلة زمنية جديد يستخدم توزيع Burr XII المنعكس (RUBXII)، مما يوفر بديلاً للنماذج الحالية مثل نموذج المتوسط المتحرك الذاتي Kumaraswamy (Kumaraswamy-ARMA) ونموذج المتوسط المتحرك الذاتي Beta (Beta-ARMA) لتحليل بيانات السلاسل الزمنية المقيدة ضمن الفترة الوحدة. يلتقط نموذج RUBXII الوسيط الشرطي للسلاسل الزمنية المتقطعة من خلال إطار ديناميكي يتضمن مكونات autoregressive و moving average (ARMA)، جنبًا إلى جنب مع مجموعة من المتغيرات المستقلة ودالة الربط. يتم تحقيق تقدير المعلمات عبر طريقة الاحتمالية القصوى الشرطية، حيث تقدم الورقة تعبيرات مغلقة لشعاع الدرجات ومصفوفة المعلومات المرصودة.
بالإضافة إلى ذلك، يقدم المؤلفون تقنيات تشخيصية وتنبؤية تتعلق بنموذج RUBXII-ARMA. تم إجراء دراسة محاكاة مونت كارلو لتقييم أداء العينة المحدودة لمقدّر الاحتمالية القصوى الشرطية. يتم عرض التطبيق العملي للنموذج من خلال تحليل نسبة الطاقة الكهرومائية المخزنة في شمال البرازيل، مما يكشف أن نموذج RUBXII-ARMA يتفوق على النماذج المنافسة من حيث التقاط ديناميات البيانات بدقة وتعزيز دقة التنبؤ.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على أهمية تحليل المتغيرات العشوائية المقيدة إلى الفترة الوحدة القياسية، لا سيما في مجالات مختلفة مثل العلوم الاجتماعية والدراسات البيئية والصحة والتعليم. تناقش تطبيق الانحدار Beta وتقديم توزيعات احتمالية جديدة، مثل تلك التي قدمها Sagrillo وآخرون (2021) ونمذجة معدلات وفيات COVID-19 بواسطة Ribeiro وآخرون (2021). يؤكد النص على التحديات التي تطرحها الارتباطات التسلسلية في بيانات السلاسل الزمنية، لا سيما في السياقات البيئية، وينتقد نماذج ARIMA التقليدية بسبب افتراضاتها المقيدة حول Gaussianity. لمعالجة هذه القضايا، تشير الورقة إلى تطوير نماذج المتوسط المتحرك الذاتي العام (GARMA) ونماذج autoregressive المحددة مثل نموذج المتوسط المتحرك الذاتي Beta (βARMA) ونموذج المتوسط المتحرك الذاتي Kumaraswamy (KARMA)، والتي تناسب البيانات غير Gaussian بشكل أفضل.
تتوج المقدمة بتقديم نموذج RUBXII الجديد للمتوسط المتحرك الذاتي (RUBXII-ARMA)، الذي يدمج مصطلحات autoregressive و moving average في المكون المنهجي لنموذج الانحدار الكمي RUBXII. يهدف هذا النموذج الجديد إلى توفير بديل قوي لتحليل السلاسل الزمنية ذات الحدود المزدوجة، لا سيما في التطبيقات البيئية، ويتم إثباته تجريبيًا من خلال تحليل نسبة الطاقة الكهرومائية المخزنة في شمال البرازيل. تحدد الأقسام التالية من الورقة صياغة النموذج، تقدير المعلمات، طرق الاستدلال، التحليل التشخيصي، والتطبيقات العملية، مما يضع إطارًا شاملاً للبحث المستقبلي في هذا المجال.
مناقشة
تقدم الورقة البحثية نموذج سلسلة زمنية جديد، RUBXII-ARMA(p, q)، الذي يعتمد على توزيع RUBXII كما اقترحه Ribeiro وآخرون (2021). يدمج هذا النموذج مكونات autoregressive (AR) و moving average (MA) لربط الوسيط الشرطي لسلسلة زمنية متقطعة بمؤشر خطي من خلال دالة ربط أحادية التزايد وقابلة للاشتقاق مرتين $g(\cdot)$. يتم تعريف الكثافة الشرطية للملاحظات، ويتم تقدير معلمات النموذج باستخدام طريقة الاحتمالية القصوى الشرطية. توضح الورقة دالة اللوغاريتم الاحتمالي وشعاع الدرجات الشرطية، والتي تعتبر أساسية لاشتقاق تقديرات المعلمات.
بالإضافة إلى ذلك، تناقش الورقة الاستدلال على عينات كبيرة لمعاملات نموذج RUBXII-ARMA، موضحة أن مقدّرات الاحتمالية القصوى الشرطية (CLMEs) متسقة وموزعة بشكل طبيعي تقاربيًا. يتم اشتقاق مصفوفة المعلومات المرصودة الشرطية لاختبار الفرضيات وبناء فترات الثقة. كما يوضح المؤلفون عملية اختيار النموذج، وتحليل المتبقيات، وتقنيات التنبؤ، مع التأكيد على أهمية الفحوصات التشخيصية لضمان ملاءمة النموذج. تم إجراء دراسة محاكاة مونت كارلو للتحقق من أداء النموذج المقترح، مما يظهر اتساقًا جيدًا ودقة في تقديرات المعلمات عبر سيناريوهات مختلفة. أخيرًا، يتم تقديم تطبيق على بيانات العالم الحقيقي حول الطاقة الكهرومائية المخزنة في البرازيل، مما يبرز الأهمية العملية للنموذج في إدارة موارد الطاقة.
DOI: https://doi.org/10.1007/s10651-026-00703-y
Publication Date: 2026-02-17
Author(s): Tatiane Fontana Ribeiro et al.
Primary Topic: Financial Risk and Volatility Modeling
Overview
This paper presents a novel time series model utilizing the reflected unit Burr XII (RUBXII) distribution, offering an alternative to existing Kumaraswamy autoregressive moving average (Kumaraswamy-ARMA) and Beta autoregressive moving average (Beta-ARMA) models for analyzing time series data constrained within the unit interval. The RUBXII model captures the conditional median of discrete-time series through a dynamic framework that incorporates autoregressive and moving average (ARMA) components, alongside a set of regressors and a link function. Parameter estimation is achieved via the conditional maximum likelihood method, with the paper providing closed-form expressions for the score vector and observed information matrix.
Additionally, the authors introduce diagnostic and forecasting techniques pertinent to the RUBXII-ARMA model. A Monte Carlo simulation study is conducted to assess the finite sample performance of the conditional maximum likelihood estimator. The practical application of the model is demonstrated through an analysis of the proportion of stored hydroelectric energy in Northern Brazil, revealing that the RUBXII-ARMA model outperforms competing models in terms of accurately capturing the data dynamics and enhancing forecast precision.
Introduction
The introduction of this research paper highlights the significance of analyzing random variables constrained to the standard unit interval, particularly in various fields such as social sciences, environmental studies, health, and education. It discusses the application of Beta regression and the introduction of new probability distributions, such as those by Sagrillo et al. (2021) and the modeling of COVID-19 mortality rates by Ribeiro et al. (2021). The text emphasizes the challenges posed by serial correlation in time series data, particularly in environmental contexts, and critiques conventional ARIMA models for their restrictive Gaussianity assumptions. To address these issues, the paper references the development of generalized autoregressive moving average (GARMA) models and specific autoregressive models like the Beta autoregressive moving average (βARMA) and Kumaraswamy autoregressive moving average (KARMA) models, which are better suited for non-Gaussian data.
The introduction culminates in the presentation of a novel RUBXII autoregressive and moving average (RUBXII-ARMA) model, which incorporates autoregressive and moving average terms into the systematic component of the RUBXII quantile regression model. This new model aims to provide a robust alternative for analyzing double-bounded time series, particularly in environmental applications, and is empirically demonstrated through an analysis of the proportion of stored hydroelectric energy in Northern Brazil. The subsequent sections of the paper outline the model’s formulation, parameter estimation, inference methods, diagnostic analysis, and practical applications, establishing a comprehensive framework for future research in this area.
Discussion
The research paper introduces a novel time series model, the RUBXII-ARMA(p, q), which is based on the RUBXII distribution as proposed by Ribeiro et al. (2021). This model integrates autoregressive (AR) and moving average (MA) components to relate the conditional median of a discrete-time series to a linear predictor through a strictly monotonic and twice differentiable link function $g(\cdot)$. The conditional density of the observations is defined, and the model parameters are estimated using the conditional maximum likelihood method. The paper outlines the log-likelihood function and the conditional score vector, which are essential for deriving the parameter estimates.
Additionally, the paper discusses large-sample inference for the RUBXII-ARMA model parameters, establishing that the conditional likelihood maximum estimators (CLMEs) are consistent and asymptotically normally distributed. The conditional observed information matrix is derived for hypothesis testing and confidence interval construction. The authors also detail the model selection process, residual analysis, and forecasting techniques, emphasizing the importance of diagnostic checks to ensure model adequacy. A Monte Carlo simulation study is conducted to validate the performance of the proposed model, demonstrating good consistency and accuracy of the parameter estimates across various scenarios. Finally, an application to real-world data on stored hydroelectric energy in Brazil is presented, highlighting the model’s practical relevance in energy resource management.