[其它] 【独家发布】Uncertainty Analysis in Econometrics with Applications [推广有奖]

《计量经济学中的不确定性分析》
Uncertainty Analysis in Econometrics with Applications.pdf (5.35 MB, 需要: 4 个论坛币)

2013-9-17 10:32:01 上传

需要: 4 个论坛币  [购买]

Contents
Part I Keynote Addresses
On the State of the Art of Info-metrics . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Amos Golan
1 Background, Objective and Motivation . . . . . . . . . . . . . . . . . . . . . . 3
2 Information . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
2.1 Information - A Qualitative Discussion . . . . . . . . . . . . . . 5
2.2 Information - A Quantitative Discussion . . . . . . . . . . . . . 6
3 The Basic Information TheoreticModel . . . . . . . . . . . . . . . . . . . . . 8
3.1 The ClassicalMaximumEntropy Framework . . . . . . . . . 8
3.2 The Generic IT Framework . . . . . . . . . . . . . . . . . . . . . . . . 10
4 TheGeneralized Information TheoreticModel . . . . . . . . . . . . . . . . 11
5 OpenQuestions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
A Test for Strict Stationarity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
Luiz Renato Lima, Breno Neri
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2 A Test for Strict Stationarity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3 Monte Carlo Experiment . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
3.1 Size . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3.2 Power against Alternativeswith Unit Root . . . . . . . . . . . . 24
3.3 Power against Alternatives with Unconditional
Heteroskedasticity . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.4 Power against Alternative with Time-Varying
Kurtosis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
4 An Empirical Illustration . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
5 Conclusion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
X Contents
Part II Fundamental Theory
Statistical Inference from Ill-known Data Using Belief Functions . . . . . . . 33
Thierry Denoeux
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
2 Belief Functions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
2.1 Belief Functions on Finite Domains . . . . . . . . . . . . . . . . . 35
2.2 Dempster’s Rule . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36
2.3 Random Real Intervals . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3 Modeling Statistical Evidence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.1 Least Committed Solution Based on Likelihoods . . . . . . 39
3.2 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
3.3 Illustrative Example . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4 Inference fromUncertainData . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4.1 Representation of Uncertain Statistical Evidence . . . . . . 43
4.2 IndependenceAssumptions . . . . . . . . . . . . . . . . . . . . . . . . 44
5 Conclusion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
Brief Introduction to Probabilistic Compositional Models . . . . . . . . . . . . . 49
Radim Jirouˇsek
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 49
2 Notation and Basic Concepts. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
3 Compositional Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.1 Perfect Sequences . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
3.2 Decomposable Sequences . . . . . . . . . . . . . . . . . . . . . . . . . 53
4 Conditioning . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5 Local Computations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
6 Heuristics forModel Construction . . . . . . . . . . . . . . . . . . . . . . . . . . 56
7 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
Some Aspects of Information Theory in Gambling and Economics . . . . . 61
Hai Q. Dinh
1 Information Theory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61
1.1 Coding Theory. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
1.2 Information Theory without Optimum Coding . . . . . . . . 65
2 Information Theory andGambling . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2.1 Kelly Gambling Strategy . . . . . . . . . . . . . . . . . . . . . . . . . . 66
2.2 Directed Information and Causal Conditioning . . . . . . . . 68
2.3 Gamblingwith Causal Side Information. . . . . . . . . . . . . . 69
3 Information Theory and Economics . . . . . . . . . . . . . . . . . . . . . . . . . 70
3.1 Portfolio Theory . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.2 StockMarket . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
3.3 Constant Rebalanced Portfolios . . . . . . . . . . . . . . . . . . . . . 71
3.4 Side Information . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
Contents XI
3.5 State-Constant Rebalanced Portfolios . . . . . . . . . . . . . . . . 72
3.6 Universal Portfolios . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
3.7 Universal Portfolioswith Side Information . . . . . . . . . . . 75
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
Why Clayton and Gumbel Copulas: A Symmetry-Based Explanation . . . 79
Vladik Kreinovich, Hung T. Nguyen, Songsak Sriboonchitta
1 Formulation of the Problem. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
2 Why Symmetries . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3 Invariant Functions Corresponding to Basic Symmetries . . . . . . . . 82
4 Why Scalings and Shifts Can Be Applied to Probabilities . . . . . . . 83
5 Archimedean Copulas with Whose Generators Are Either
Invariant or Compositions of Two Invariant Functions . . . . . . . . . . 85
6 Proofs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
Size Distortion in the Analysis of Volatility and Covolatility Effects . . . . . 91
Christian Gourieroux, Joann Jasiak
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
2 Invertibility Tests . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
2.1 The UnconstrainedModel . . . . . . . . . . . . . . . . . . . . . . . . . 94
2.2 Wald Test Statistic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 94
2.3 The DegenerateCase . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
2.4 Critical Values . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
2.5 Symmetric Matrix A of Dimension (2,2) . . . . . . . . . . . . . 98
3 Constrained Estimation of A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
3.1 The Example of BEKKModel. . . . . . . . . . . . . . . . . . . . . . 99
3.2 The Constrained Estimator . . . . . . . . . . . . . . . . . . . . . . . . . 101
3.3 Asymptotic Distribution of the Constrained
Estimator . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
4 Positivity Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.1 A Unconstrained . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106
4.2 A of Reduced Rank . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
5 Finite Sample Properties . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 109
6 Concluding Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 112
Appendix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 113
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117
Maximum Entropy Test for AutoregressiveModels . . . . . . . . . . . . . . . . . . 119
Sangyeol Lee, Siyun Park
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
2 MaximumEntropy Test . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 120
3 AutoregressiveModels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 121
4 Simulation Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 124
5 Real Data Analysis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
XII Contents
6 Concluding Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 125
Appendix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 127
Choice of Copulas in Explaining Stock Market Contagion . . . . . . . . . . . . 129
Kian-Guan Lim
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 129
2 Maximum Likelihood Estimation . . . . . . . . . . . . . . . . . . . . . . . . . . . 132
3 Loss TailModel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 135
4 Estimation Results on the Copulas . . . . . . . . . . . . . . . . . . . . . . . . . . 137
5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 139
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 140
A Bayesian Perspective on Mixed GARCH Models with Jumps . . . . . . . . 141
Cathy W.S. Chen, Edward M.H. Lin, Yi-Ru Lin
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 141
2 TheMixed GARCH-JumpModel . . . . . . . . . . . . . . . . . . . . . . . . . . . 143
3 Bayesian Inference . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 144
4 Model Selection . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 146
5 Simulation Study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 147
6 Empirical Study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 149
7 Conclusion and Future Research . . . . . . . . . . . . . . . . . . . . . . . . . . . . 152
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 153
Risk Measures and Asset Pricing Models with New Versions of Wang
Transform . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
Baokun Li, Tonghui Wang, Weizhong Tian
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 155
2 Two Types of Distortion RiskMeasures. . . . . . . . . . . . . . . . . . . . . . 156
2.1 CoherentDistortion RiskMeasures. . . . . . . . . . . . . . . . . . 156
2.2 Tail-PreservingDistortion RiskMeasures . . . . . . . . . . . . 157
3 Two Forms of Skew-NormalDistributions . . . . . . . . . . . . . . . . . . . 158
4 New Versions ofWang Transform . . . . . . . . . . . . . . . . . . . . . . . . . . 159
5 Risk Measures with New Versions of Wang Distortion Functions 160
6 Skew NormalDistortion Function for CAPM . . . . . . . . . . . . . . . . . 163
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 166
Part III Applications
Purchasing Power Parity Puzzle and the Australian Dollar Real
Exchange Rate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
Khorshed Chowdhury
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 171
2 Past Studies ofUnit-Root of RER of Australia . . . . . . . . . . . . . . . 173
3 Time-Series Properties of RER in the Presence of Structural
Breaks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
Contents XIII
3.1 Data and Data Source . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175
3.2 Lee and Strazicich (2003) (LS) Unit-Root Test . . . . . . . . 177
3.3 Endogenously Determined Structural Break Dates . . . . . 177
4 Summary and Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
Appendix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 178
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 182
An Empirical Analysis of Price Behavior of Natural Rubber Latex:
A Case of Central Rubber Market Hat Yai, Songkhla, Thailand . . . . . . . 185
Hari Sharma Neupane, Peter Calkins
1 Historical Background of Rubber Production and Marketing . . . . 186
2 Problems of Price Volatility and Market Concentration . . . . . . . . . 187
3 Natural Rubber Production and Export in Thailand . . . . . . . . . . . . 188
4 The Study Site and Purpose of Study . . . . . . . . . . . . . . . . . . . . . . . . 188
5 Data Sources and Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 192
5.1 Source and Nature of the Data . . . . . . . . . . . . . . . . . . . . . . 192
5.2 Theoretical Setup andModels . . . . . . . . . . . . . . . . . . . . . . 193
6 Empirical Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 196
7 Conclusion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 198
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 199
Trade Liberalisation, Labour Productivity Growth and Skilled
Labour Complement: Evidence from the Thai Manufacturing Sector . . . 203
Piyapong Sangkaew, Kankesu Jayanthakumaran
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 203
2 Trade Liberalization and Labour Productivity . . . . . . . . . . . . . . . . . 204
3 Method andData. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 206
4 Empirical Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 208
5 Conclusion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 210
Appendix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 211
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 212
Modeling Dependence Dynamics of Air Pollution: Time Series
Analysis Using a Copula Based GARCH Type Model . . . . . . . . . . . . . . . . 215
He Zhanqiong, Songsak Sriboonchitta, Dai Jing
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 215
2 Model . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
2.1 DCC-GARCHModel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 217
2.2 Copula Concept . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 218
2.3 TheModels for theMarginalDistributions . . . . . . . . . . . 218
2.4 Copula Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 219
3 Data Description . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
4 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 220
5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 225
XIV Contents
Estimating Time-Varying Systematic Risk by Using Multivariate
GARCH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
Muttalath Kridsadarat
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 227
2 Methodology and Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 229
3 Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 231
4 Conclusion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 237
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 238
Forecasting Using Nonlinear Long Memory Models with Artificial
Neural Network Expansion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
Chaleampong Kongcharoen
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 241
2 Model andMethod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 242
2.1 Nonlinear-LongMemoryModels . . . . . . . . . . . . . . . . . . . 242
2.2 Time DomainMLE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 244
2.3 Semiparametric Estimations. . . . . . . . . . . . . . . . . . . . . . . . 245
3 Simulation Study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
3.1 Monte Carlo Setup . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245
3.2 LongMemory Parameter Estimations . . . . . . . . . . . . . . . . 247
3.3 Forecasting . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 248
4 EmpiricalApplication . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
5 Conclusion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 249
Appendix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 250
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 252
Modeling Dependency of Crude oil Price and Agricultural Commodity
Prices: A Pairwise Copulas Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
Phattanan Boonyanuphong, Songsak Sriboonchitta, Chukiat Chaiboonsri
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 255
2 Econometrics Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
2.1 Copula Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 258
2.2 Marginal Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
2.3 EstimationMethod . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 259
3 Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 260
4 Empirical Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 261
4.1 Results for theMarginalModels . . . . . . . . . . . . . . . . . . . . 261
4.2 Results for Copula Models . . . . . . . . . . . . . . . . . . . . . . . . . 262
5 Discussion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 264
6 Conclusion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 265
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 266
Contents XV
Charitable Giving Behavior in Northeast Thailand and Mukdaharn
Province: Multivariate Tobit Models . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 269
Jintanee Jintranun, Peter Calkins, Songsak Sriboonchitta
1 The Real-World Problem . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
2 TheGoals of the Study. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
3 Review of Literature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 270
4 Multivariate TobitModel . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271
5 The Hypotheses of the Study . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 271
6 Methods of Modeling and Estimation . . . . . . . . . . . . . . . . . . . . . . . 272
7 Empirical Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 273
8 Hypothesis Testing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 274
9 Conclusions and Policy Implications . . . . . . . . . . . . . . . . . . . . . . . . 276
Appendix . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 277
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 281
Analysis of Volatility and Dependence between the Tourist Arrivals
from China to Thailand and Singapore: A Copula-Based GARCH
Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283
Jianxu Liu, Songsak Sriboonchitta
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 283
2 Econometrics Model. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
2.1 Skewed Student-t Distribution . . . . . . . . . . . . . . . . . . . . . . 285
2.2 ARMA-GARCHModel . . . . . . . . . . . . . . . . . . . . . . . . . . . 285
2.3 Copulas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 286
3 Data and Empirical Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 288
3.1 The Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 288
3.2 Results forARMA-GARCHModel . . . . . . . . . . . . . . . . . 289
3.3 Results forKS and Box-Ljung Test . . . . . . . . . . . . . . . . . . 290
3.4 Results for Static Copulas and Goodness of Fit Test . . . . 290
3.5 Results for Time-Varying Copulas . . . . . . . . . . . . . . . . . . 292
4 Policy Implication. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293
5 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 293
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 294
A Quantile Regression Analysis of Price Transmission in Thai Rice
Markets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295
Aree Wiboonpongse, Yaovarate Chaovanapoonphol, George E. Battese
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 295
2 Rice Sector in Thailand . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 297
3 Literature Review . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 298
4 Data and Methodology . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 299
5 Empirical Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 300
6 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 302
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 304
XVI Contents
Analyzing Dependence Structure of Obesity and High Blood Pressure:
A Copula Approach . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 307
Jing Dai, Cheng Zi, Songsak Sriboonchitta, Zhanqiong He
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 308
2 Methods . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 309
2.1 Archmedean Copulas and Their Properties . . . . . . . . . . . 309
2.2 Model Formulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 311
3 Data . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 313
4 Estimation Results . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 314
5 Concluding Remarks . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 317
References . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 317
Author Index . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 319