Time series bootstrap-based model order selection

Presupposto fondamentale per lo studio di molti fenomeni dinamici, ad esempio nel campo dell’analisi dei segnali, dell’identificazione di sistemi e delle serie storiche, e’ la modellazione del processo aleatorio sottostante. Nel caso lineare, il problema e’ affrontato con modelli della classe ARMA (autoregressivi a media mobile). Tuttavia, e’ probabile che serie storiche realizzazione di fenomeni reali contengano pronunciate dinamiche non lineari, come ad esempio comportamenti dipendenti da regimi e chaos. Tali caratteristiche, invece, possono venire adeguatamente catturate da modelli appartenenti alla classe SETAR. In questo lavoro, il problema della scelta dell’ordine “corretto” per queste tipologie di modelli e’ affrontato nell’ambito della teoria bootstrap associata a selettori di ordine di largo impiego. In particolare, verra’ presentato un approccio bootstrap per l’identificazione dell’ordine, le cui performances saranno valutate con tecniche di simulazione Monte Carlo.