In regression analysis, prediction intervals give a range of values that is likely to contain a new observation given the outcome of some predictor variables. A straightforward approach to obtain estimates of such intervals is to predict conditional quantiles of the response variable. In recent years, vine copula-based quantile regression has proven to be a flexible and competitive method in the field of quantile regression. In this thesis, we revisit D-vine copula-based quantile regression following Kraus and Czado (2017) to obtain prediction intervals for next-day air temperatures in Seoul, South Korea, given a set of predictor variables. In particular, we investigate the predictive ability of this method compared to linear quantile regression as a reference method. Here, performance is quantified as a scoring that rewards narrow intervals and adds a penalty if an observation misses the interval. At first, we compare three different approaches to select the training set for next-day predictions. In addition to an intuitive rolling window of successive days prior to the next day, we use a refined rolling window including days from previous years, and also a random selection of days. Overall, the refined rolling window showed best prediction results. Secondly, we investigate an extension of the training horizon for the refined rolling window and a threshold for the number of predictors included in the model. Especially for a larger training horizon, the D-vine quantile regression slightly outperforms the linear quantile regression.     «

In regression analysis, prediction intervals give a range of values that is likely to contain a new observation given the outcome of some predictor variables. A straightforward approach to obtain estimates of such intervals is to predict conditional quantiles of the response variable. In recent years, vine copula-based quantile regression has proven to be a flexible and competitive method in the field of quantile regression. In this thesis, we revisit D-vine copula-based quantile regression follow...     »

In dieser Masterarbeit betrachten wir die D-vine-copula-basierte Quantilsregression wie sie in Kraus and Czado (2017) vorgestellt wird. Mittels Quantilsregression können beliebige bedingte Quantile einer Zielvariablen in Abhängigkeit von einer Menge von Ko-variablen vorhergesagt werden. Unser Ziel ist es, die Vorhersagefähigkeit von D-vine-copula-basierter und linearer Quantilsregression anhand von Vorhersageintervallen für Temperaturwerte zu vergleichen. Ein Vorhersageintervall gibt einen Bereich von Werten an, in dem ein zu vorhersagender Wert mit einer gewissen Wahrscheinlichkeit liegt. Als die Endpunkte solcher Intervalle können wir vorhergesagte bedingte Quantile der Zielvariablen festlegen. Die Güte der vorhergesagten Intervalle bemessen wir mit einem Wert, der sich aus der durchschnittlichen Breite der Intervalle und einem Strafterm für Beobachtungen, die nicht im vorhergesagten Intervall liegen, zusammensetzt. Zu Beginn unserer Auswertung untersuchen wir, wie sich die Auswahl der Trainingsdaten auf die Vorhersagefähigkeit auswirkt. Dabei vergleichen wir drei verschiedene Ansätze: ein aneinanderhängendes Zeitfenster vorausgegangener Tage, ein verfeinertes Zeitfenster, das sich aus vorausgegangenen Tagen des zu vorhersagenden Tages zusammensetzt und einer zufälligen Auswahl vorausgegangener Tage. Insgesamt lieferte das verfeinerte Zeitfenster die besten Vorhersageergebnisse. Im zweiten und dritten Schritt unserer Auswertung vergrößern wir das verfeinerte Zeitfenster und reduzieren die Anzahl der Kovariablen in den Modellen. Insbesondere für größere Zeitfenster beobachten wir leicht bessere Ergebnisse für die D-vine-copula-basierte Quantilsregression im Vergleich zur linearen Quantils-regression.     «

In dieser Masterarbeit betrachten wir die D-vine-copula-basierte Quantilsregression wie sie in Kraus and Czado (2017) vorgestellt wird. Mittels Quantilsregression können beliebige bedingte Quantile einer Zielvariablen in Abhängigkeit von einer Menge von Ko-variablen vorhergesagt werden. Unser Ziel ist es, die Vorhersagefähigkeit von D-vine-copula-basierter und linearer Quantilsregression anhand von Vorhersageintervallen für Temperaturwerte zu vergleichen. Ein Vorhersageintervall gibt einen Berei...     »