Vector autoregressions are widely used methods in economic research to model and predict the dynamics of multivariate time series. When applying these methods to large-dimensional data, however, large coefficient matrices have to be estimated and overparameterization becomes a challenge. Several solutions to this problem have been proposed, among them the application of regression regularization techniques like least absolute shrinkage and selection operator (Lasso) and its variants to multivariate time series. These regularization methods are able to shrink coefficients in the coefficient matrices to zero and in this way reduce the dimension. This thesis evaluates the efficiency and the forecast accuracy of the large vector autoregression with exogenous variables (VARX-L) framework recently proposed by Nicholson, Matteson and Bien (2017). The framework combines such regularization methods with vector autoregression with exogenous variables to estimate sparse coefficient matrices. The different VARX-L models are applied to a data set comprising data about gas in the German gas network. In a forecasting exercise, in which the daily capacity for a whole year across each node is predicted, the forecast performance of the VARX-L models is measured in terms of mean squared forecast error (MSFE) and several other performance measures. Following the approach of Nicholson, Matteson and Bien (2017), the results are compared to the forecast performance of naive forecasting methods and VARX methods with lag selection by means of Akaike's information criterion (AIC) and Bayesian information criterion (BIC). By quantifying the degree of outperformance, it is assessed whether the more complex models outperform the less sophisticated models.      «

Vector autoregressions are widely used methods in economic research to model and predict the dynamics of multivariate time series. When applying these methods to large-dimensional data, however, large coefficient matrices have to be estimated and overparameterization becomes a challenge. Several solutions to this problem have been proposed, among them the application of regression regularization techniques like least absolute shrinkage and selection operator (Lasso) and its variants to multivari...     »

Vektorautoregressionen sind weit verbreitete Methoden in der Wirtschaftsforschung, um die Dynamiken von multivariaten Zeitreihen zu modellieren und vorherzusagen. Wenn diese Methoden jedoch auf hochdimensionale Daten angewendet werden, müssen große Koeffizientenmatrizen geschätzt werden und Überparametrisierung wird zu einer Herausforderung. Einige Lösungen zu diesem Problem wurden vorgeschlagen, darunter die Anwendung von Regressionsregularisierungstechniken wie Least absolute shrinkage and selection operator (Lasso) und ihrer Varianten auf multivariate Zeitreihen. Diese Regularisierungsmethoden sind in der Lage, die Koeffizienten in der Koeffizientenmatrix auf null zu schrumpfen und reduzieren auf diese Weise die Dimension. Diese Arbeit untersucht die Effizienz und die Prognosegenauigkeit des Large vector autoregression with exogenous variables (VARX-L) framework, das kürzlich von Nicholson, Matteson und Bien (2017) vorgeschlagen wurde. Das Framework kombiniert solche Regularisierungsmethoden mit Vektorautoregression mit exogenen Variablen, um dünn besetzte Matrizen zu schätzen. Die unterschiedlichen VARX-L Modelle werden auf einen Datensatz angewandt, der Daten zu Gas im deutschen Gasnetzwerk enthält. In einer Vorausschätzung der täglichen Kapazität für ein ganzes Jahr über alle Knoten wird die Vorhersageleistung der VARX-L Modelle hinsichtlich des quadrierten Prognosefehlers und anderer Maße gemessen. In Anlehnung an Nicholson, Matteson und Bien (2017) werden die Ergebnisse mit der Vorhersageleistung von naiven Prognosemethoden und VARX Methoden mit Lag Selektion mittels Akaikes Informationskriterium und Bayessches Informationskriterium verglichen. Anhand der Messung der Outperformance wird untersucht, ob die komplexeren Modelle die weniger ausgefeilten Modelle übertreffen.      «

Vektorautoregressionen sind weit verbreitete Methoden in der Wirtschaftsforschung, um die Dynamiken von multivariaten Zeitreihen zu modellieren und vorherzusagen. Wenn diese Methoden jedoch auf hochdimensionale Daten angewendet werden, müssen große Koeffizientenmatrizen geschätzt werden und Überparametrisierung wird zu einer Herausforderung. Einige Lösungen zu diesem Problem wurden vorgeschlagen, darunter die Anwendung von Regressionsregularisierungstechniken wie Least absolute shrinkage and sel...     »