Stata: Datenanalyse und statistische Software Zeitreihenanalyse mit Staten Dieser Kurs beschreibt Methoden zur Zeitreihenanalyse und zeigt, wie die Analyse mit Stata durchgeführt wird. Der Kurs umfasst Methoden für Datenmanagement, Schätzung, Modellauswahl, Hypothesentests und Interpretation. Bei univariaten Problemen umfasst der Kurs autoregressive Moving-Average-Modelle (ARMA), lineare Filter, Langzeitgedächtnismodelle, nicht beobachtete Komponentenmodelle und generalisierte autoregressive, bedingt heteroskedastische (GARCH) Modelle. Bei multivariaten Problemen umfasst der Kurs vektorautoregressive (VAR) Modelle, kointegrierende VAR-Modelle, State-Space-Modelle, dynamische Faktormodelle und multivariate GARCH-Modelle. Übungen ergänzen die Vorlesungen und Stata Beispiele. Wir bieten 15 Ermäßigungen für Gruppenmitglieder von drei oder mehr Teilnehmern an. Ein kurzer Überblick über die grundlegenden Elemente der Zeitreihenanalyse Verwalten und einer Zusammenfassung von Zeitreihendaten Univariate Modelle gleitender Mittelwert und autoregressive Prozesse ARMA-Modelle Stationäre ARMA-Modelle für die instationäre Daten Multiplikativ saisonale Modelle deterministisch im Vergleich zu stochastischen Trends Autoregressiven bedingt heteroskedastischen Modelle Autoregressiven fraktioniert Durchschnitt integriert bewegen Modellversuche für Strukturbrüche New-Markov-Modelle New Einführung in die Prognose in Stata Schalt Filter lineare Filter eine kurze Einführung in den Frequenzbereich der univariaten Modell unbeobachteten Komponenten Multivariate Modelle Vector autoregressive Modelle Ein Modell für Kointegrations - Variablen Zustandsraummodelle Impulsantwort und Varianz Dekompositionsanalyse Neue Dynamic-Faktor-Modelle Multivariate GARCH Eine allgemeine Vertrautheit mit Stata und ein Graduate-Level-Kurs in Regressionsanalyse oder vergleichbare Erfahrung. Financial Econometics mit Stata Stata Press eBooks werden mit VitalSource Bookshelf Reg Plattform. Bookshelf ist kostenlos und ermöglicht Ihnen den Zugriff auf Ihr Stata Press eBook von Ihrem Computer, Smartphone, Tablet oder eReader. So greifen Sie auf Ihr eBook zu 2) Sobald Sie angemeldet sind, klicken Sie oben rechts auf Erlöschen. Geben Sie Ihren eBook-Code ein. Ihr eBook-Code wird in Ihrer Bestellbestätigung E-Mail unter dem eBooks-Titel sein. 3) Das eBook wird zu Ihrer Bibliothek hinzugefügt werden. Sie können dann Bookshelf auf anderen Geräten downloaden und Ihre Bibliothek synchronisieren, um das eBook anzuzeigen. Bookshelf ist verfügbar auf den folgenden: Online Bookshelf ist online verfügbar von fast jedem Internet-Computer, indem Sie online. vitalsourceusernew. PC Bookshelf ist für Windows 788.110 (sowohl 32- als auch 64-Bit) verfügbar. Downloaden Sie Bookshelf Software auf Ihren Schreibtisch, also können Sie Ihre eBooks mit oder ohne Internet-Zugang ansehen. IOS Bookshelf ist für iPad, iPhone und iPod touch verfügbar. Laden Sie die mobile Bookshelf App im Itunes Store herunter. Android Bookshelf ist für Android-Handys und Tabletten läuft 4.0 (Ice Cream Sandwich) und später verfügbar. Laden Sie die Bookshelf-App im Google Play Store herunter. Kindle Fire Bookshelf ist für Kindle Fire 2, HD und HDX verfügbar. Laden Sie die mobile App Bookshelf aus dem Kindle Fire App Store herunter. Mac Bookshelf ist für Mac OS X 10.8 oder höher verfügbar. Downloaden Sie Bookshelf Software auf Ihren Schreibtisch, also können Sie Ihre eBooks mit oder ohne Internet-Zugang ansehen. Bookshelf können Sie 2 Computer und 2 mobile Geräte zu einem bestimmten Zeitpunkt aktiviert haben. Ich war erstaunt, auf die VitalSource Weise der Präsentation der Bücher. Alles sieht perfekt, aber doch können Sie durch das Buch in der gleichen Weise flip durch eine sehr lange Web-Seite in Ihrem Web-Browser blättern. Und am besten von allen, wenn ich meine Tablette mit mir haben, sind meine Bücher nur ein Swipe entfernt. Mdash Michael Mitchell Senior Statistiker am USC Childrens Data Network. Autor von vier Stata Press-Bücher, und ehemalige UCLA statistische Berater, der Vorstellung und die UCLA Statistical Consulting Resources Website. Rückgaberecht für eBooks Stata Press eBooks sind nicht rückzahlbar und nicht erstattungsfähig. Kommentar von der Stata-Fachgruppe Finanzökonometrie Mit Stata von Simona Boffelli und Giovanni Urga bietet eine ausgezeichnete Einführung in die Zeitreihenanalyse und in Stata für Finanzökonomen. Dieses Buch richtet sich an Forscher, Doktoranden und Industriepraktiker. Dieses Buch führt die Leser zu weit verbreiteten Methoden ein, zeigt ihnen, wie diese Methoden in Stata durchzuführen sind, und illustriert, wie die Ergebnisse interpretiert werden. Nach einer intuitiven Einführung in die Zeitreihenanalyse und dem ubiquitären autoregressiven Moving-Average-Modell (ARMA) decken die Autoren sorgfältig univariate und multivariate Modelle für Volatilitäten ab. Die Kapitel über das Risikomanagement und die Analyse der Ansteckungspotenziale zeigen, wie wesentliche Maßnahmen von Risiko und Ansteckung definiert, geschätzt, interpretiert und durchgeführt werden können. Die Autoren illustrieren jedes Thema mit leicht reproduzierbaren Stata-Beispielen und erklären, wie die Ergebnisse aus diesen Beispielen interpretiert werden. Die Autoren haben eine einzigartige Mischung aus akademischer und industrieller Ausbildung und Erfahrung. Diese Ausbildung brachte einen praktischen und gründlichen Zugang zu jedem der angesprochenen Themen. Inhaltsverzeichnis Inhaltsverzeichnis anzeigen gtgt Abbildungsverzeichnis Notation und Typografie 1 Einführung in die finanzielle Zeitreihe 1.1 Gegenstand des Interesses 1.2 Annäherung an den Datensatz 1.3 Normalität 1.4 Stationarität 1.4.1 Stationaritätstests 1.6 Heteroskedastizität 1.7 Lineare Zeitreihen 1.8 Modellauswahl 1.A 2.2.2 MA (q) 2.2.3 Invertibilität 2.3 Autoregressive Moving-Average-Prozesse (ARMA-Prozesse) 2.3.1 ARMA - 1,4) 2.3.3 ARIMA 2.3.4 ARMAX 2.4 Anwendung von ARMA-Modellen 2.4.1 Modellschätzung 2.4.2 Nachschätzung 2.4.3 Hinzufügen einer Dummy-Variablen 2.4.4 Prognose 3 Modellierung von Volatilitäten, ARCH-Modelle und GARCH-Modelle 3.1 Einleitung 3.2 ARCH-Modelle 3.2.1 Allgemeine Optionen 3.2.2 Zusätzliche Optionen ARIMA Die Option het () Die Optionen maximizeoptionen 3.3 ARCH (p) 3.4 GARCH-Modelle 3.4.1 GARCH (p, q) 3.4.2 GARCH in mittleren 3.4.3 Forecasting 3.5 Asymmetrische GARCH Modelle 3.5.1 SAARCH 3.5.2 TGARCH 3.5.3 GJRndashGARCH 3.5.4 APARCH 3.5.5 News impact Kurve 3.5.6 Forecasting Vergleich 3.6 Alternative GARCH Modelle 3.6.1 PARCH 3.6.2 NGARCH 3.6.3 NGARCHK 4 Multivariate GARCH Modelle 4.1 Einführung 4.2 Multivariate GARCH 4.3 Direkte Verallgemeinerungen des univariaten GARCH Modell von Bollerslev 4.3.1 Vech Modell 4.3.2 Diagonal vech Modell 4.3.3 BEKK Modell 4.3.4 Empirische Anwendungsdaten Beschreibung Dvech Modell 4.4 Nonlinear Kombination von univariaten GARCHmdashcommon verfügt 4.4.1 Konstante bedingte Korrelation (CCC) GARCH 4.4.2 Dynamische bedingte Korrelation (DCC) Modell Dynamische bedingte Korrelation Engle (DCCE) Modell Empirische Anwendung Dynamische bedingte Korrelation Tse und Tsui (DCCT) Vorhersage 4.5 Schlussbemerkungen 5 Risiko 5.1 Management Einleitung 5.2 Loss 5.3 Die Risikobewertung 5.4 VaR 5.4.1 VaR-Schätzung 5.4.2 Parametric Ansatz 5.4.3 Historische Simulation 5.4.4 Monte-Carlo-Simulation 5.4.5 Erwartete Fehlbetrag 5,5 Backtesting 5.5.1 Unilevel VaR Tests Die bedingungslose Abdeckung Test Der Unabhängigkeitstest Der Bedingungs-Test Die Dauer-Tests 6 Contagion-Analyse 6.1 Einführung 6.2 Contagion-Messung 6.2.1 Cross-market Korrelationskoeffizienten 6.2.2 ARCH und GARCH Modelle Empirische Übung Markov Switching 6.2.3 Höhere Momente contagion11.2: Vector Autoregressive Modelle VAR P) Modelle VAR Modelle (Vektor autoregressive Modelle) werden für multivariate Zeitreihen verwendet. Die Struktur ist, dass jede Variable eine lineare Funktion der Vergangenheit Lags von sich selbst und Vergangenheit Lags der anderen Variablen ist. Als Beispiel nehmen wir an, dass wir drei verschiedene Zeitreihenvariablen messen, die mit (x), (x) und (x) bezeichnet sind. Das autoregressive Vektormodell der Ordnung 1, das als VAR (1) bezeichnet wird, ist wie folgt: Jede Variable ist eine lineare Funktion der Verzögerungswerte 1 für alle Variablen in dem Satz. In einem VAR (2) - Modell werden die Verzögerungswerte 2 für alle Variablen den rechten Seiten der Gleichungen hinzugefügt. Im Fall von drei x-Variablen (oder Zeitreihen) gibt es sechs Prädiktoren auf der rechten Seite jeder Gleichung , Drei Lag-1-Terme und drei Lag-2-Terme. Im Allgemeinen würden für ein VAR (p) - Modell die ersten p-Verzögerungen jeder Variablen im System als Regressions-Prädiktoren für jede Variable verwendet. VAR-Modelle sind ein spezieller Fall allgemeinerer VARMA-Modelle. VARMA-Modelle für multivariate Zeitreihen umfassen die VAR-Struktur oben mit gleitenden Durchschnittstermen für jede Variable. Noch allgemeiner sind es spezielle Fälle von ARMAX-Modellen, die die Addition anderer Prädiktoren ermöglichen, die außerhalb des multivariaten Satzes von Hauptinteresse liegen. Hier, wie in Abschnitt 5.8 des Textes, auch auf VAR-Modelle. Auf Seite 304 passen die Autoren zu dem Modell der Form mathbf t Gamma mathbf t phi mathbf mathbf t wobei (mathbf t (1, t)) Terme enthält, um gleichzeitig die Konstante und den Trend zu platzieren. Es entstand aus makroökonomischen Daten, wo große Veränderungen in den Daten dauerhaft das Niveau der Serie beeinflussen. Es gibt einen nicht so subtilen Unterschied hier aus früheren Lektionen, dass wir jetzt ein Modell an Daten passen, die nicht stationär sein müssen. In früheren Versionen des Textes, die Autoren getrennt de-Trend jeder Serie mit einer linearen Regression mit t, der Index der Zeit, als Prädiktor-Variable. Die abgetasteten Werte für jede der drei Serien sind die Residuen aus dieser linearen Regression auf t. Das De-Trending ist sinnvoll, weil es die gemeinsame Lenkkraft, die die Zeit auf jede Serie haben kann und schafft Stationarität, wie wir in früheren Lektionen gesehen haben, entfernt. Dieser Ansatz führt zu ähnlichen Koeffizienten, wenn auch etwas anders, da wir jetzt gleichzeitig die Intercept und Trend zusammen in einem multivariaten OLS-Modell. Die von Bernhard Pfaff verfasste R vars-Bibliothek hat die Möglichkeit, dieses Modell mit Trend anzupassen. Betrachten wir 2 Beispiele: ein Differenz-stationäres Modell und ein Trend-stationäres Modell. Differenz-stationäres Modell Beispiel 5.10 aus dem Text ist ein Differenz-stationäres Modell, in dem die ersten Differenzen stationär sind. Lets untersuchen Code und Beispiel aus dem Text, indem Sie das Modell oben: install. packages (vars) Wenn nicht bereits installiert install. packages (astsa) Wenn nicht bereits installiert Bibliothek (Vars) Bibliothek (astsa) x cbind (cmort, tempr, (VAR (x, p1, typeboth)) Die ersten beiden Befehle laden die notwendigen Befehle aus der vars Bibliothek und die notwendigen Daten aus unserer Texbibliothek. Der Befehl cbind erzeugt einen Vektor von Antwortvariablen (ein notwendiger Schritt für multivariate Antworten). Der VAR-Befehl führt zur Schätzung von AR-Modellen mit gewöhnlichen kleinsten Quadraten bei gleichzeitiger Anpassung von Trend-, Intercept - und ARIMA-Modell. Das p 1 - Argument fordert eine AR (1) - Struktur an und passt sowohl konstant als auch trend. Mit dem Vektor der Antworten, seine eigentlich ein VAR (1). Es folgt die Ausgabe des VAR-Befehls für die Variable tempr (der Text liefert die Ausgabe für cmort): Die Koeffizienten für eine Variable werden in der Spalte Schätzung aufgelistet. Die an jeden Variablennamen angehängte. l1 gibt an, dass es sich um Variablen mit Verzögerung 1 handelt. Unter Verwendung der Notation T Temperatur, ttime (wöchentlich gesammelt), M Mortalitätsrate und P Verschmutzung ist die Gleichung für die Temperatur t 67.586 - .007 t - 0.244 M 0.487 T - 0.128 P Die Gleichung für die Mortalitätsrate ist Hut t 73.227 0,014 t 0.465 M - 0.361 T 0.099 P Die Gleichung für die Verschmutzung ist Hut t 67.464 - .005 t - 0.125 M - 0.477 T 0.581 P. Die Kovarianzmatrix der Reste aus dem VAR (1) für die drei Variablen wird unterhalb der Schätzergebnisse ausgedruckt. Die Varianzen sind die Diagonale und könnte möglicherweise verwendet werden, um dieses Modell zu höherer Ordnung VARs zu vergleichen. Die Determinante dieser Matrix wird bei der Berechnung der BIC-Statistik verwendet, die verwendet werden kann, um die Passung des Modells mit dem Fit anderer Modelle zu vergleichen (siehe Formeln 5.89 und 5.90 des Textes). Für weitere Referenzen zu dieser Technik siehe Analyse von integrierten und integrierten Zeitreihen mit R von Pfaff sowie Campbell und Perron 1991. In Beispiel 5.11 auf Seite 307 geben die Autoren Ergebnisse für ein VAR (2) - Modell für die Sterblichkeitsdaten an . In R können Sie das VAR (2) - Modell mit der Befehlsübersicht (VAR (x, p2, typeboth)) anpassen. Die Ausgabe, wie sie vom VAR-Befehl angezeigt wird, lautet wie folgt: Wieder werden die Koeffizienten für eine bestimmte Variable aufgelistet Die Spalte Schätzung. Als Beispiel ist die geschätzte Gleichung für die Temperatur t 49.88 - 0.005 t - 0.109 M 0.261 T 0.051 P - 0.041 M 0.356 T 0.095 P Wir werden die Informationskriterienstatistiken diskutieren, um VAR-Modelle verschiedener Ordnungen in den Hausaufgaben zu vergleichen. Residuen stehen auch zur Analyse zur Verfügung. Wenn wir beispielsweise den VAR-Befehl einem Objekt mit dem Namen fitvar2 in unserem Programm, fitvar2 VAR (x, p2, typeboth) zuordnen, haben wir Zugriff auf die Matrixresiduen (fitvar2). Diese Matrix hat drei Spalten, eine Spalte von Resten für jede Variable. Zum Beispiel könnten wir verwenden, um die ACF der Residuen für die Mortalitätsrate nach der Montage der VAR (2) - Modell zu sehen. Das folgende ist der ACF, der aus dem eben beschriebenen Befehl resultiert. Es sieht gut für eine Rest-ACF. (Die große Spitze am Anfang ist die unwichtige Verzögerungskorrelation.) Die folgenden zwei Befehle erzeugen ACFs für die Residuen für die beiden anderen Variablen. Sie ähneln auch weißem Rauschen. Wir können auch diese Diagramme in der Kreuzkorrelationsmatrix von acf (Residuen (fitvar2)) untersuchen: Die Diagramme entlang der Diagonalen sind die einzelnen ACFs für alle Modellresiduen, die wir oben diskutiert haben. Zusätzlich sehen wir nun die Kreuzkorrelationsdiagramme von jedem Satz von Resten. Im Idealfall ähneln diese auch weißen Rauschen, aber wir sehen die restlichen Kreuzkorrelationen, insbesondere zwischen Temperatur und Verschmutzung. Wie unsere Autoren bemerken, wird dieses Modell die vollständige Assoziation zwischen diesen Variablen nicht rechtzeitig erfassen. Trend-Stationäres Modell Erkunden Sie ein Beispiel, in dem die ursprünglichen Daten stationär sind und untersuchen Sie den VAR-Code, indem Sie das Modell oben mit einer Konstante und einem Trend anpassen. Bei Verwendung von R haben wir mit dem VAR (2) - Modell n 500 Beispielwerte simuliert. Mit dem oben erläuterten VAR-Befehl: y1scan (var2daty1.dat) y2scan (var2daty2.dat) Zusammenfassung (VAR (cbind (y1, y2), p2, typeboth) ) Wir erhalten die folgende Ausgabe: Die Schätzwerte liegen sehr nahe bei den simulierten Koeffizienten und der Trend ist, wie erwartet, nicht signifikant. Für stationäre Daten können Sie auch den Befehl ar. ols verwenden, um ein VAR-Modell anzupassen: fitvar2 ar. ols (cbind (y1, y2), order2) In der ersten angegebenen Matrix lesen Sie über eine Zeile, die Sie erhalten möchten Die Koeffizienten für eine Variable. Die vorhergehenden Kommas, gefolgt von 1 oder 2, geben an, ob die Koeffizienten die Variablen lag 1 bzw. lag 2 sind. Die Abschnitte der Gleichungen sind unter x. intercept ein Intercept pro Variable angegeben. Die Matrix unter var. pred gibt die Varianz-Kovarianzmatrix der Residuen aus dem VAR (2) für die beiden Variablen. Die Varianzen liegen der Diagonale nach und könnten möglicherweise verwendet werden, um dieses Modell mit höherwertigen VARs, wie oben erwähnt, zu vergleichen. Die Standardfehler der AR-Koeffizienten werden durch den Befehl fitvar2asy. se. coef gegeben. Der Ausgang ist wie bei den Koeffizienten, über Zeilen gelesen. Die erste Zeile gibt die Standardfehler der Koeffizienten für die Verzögerungs-1-Variablen an, die y1 vorhersagen. Die zweite Zeile gibt die Standardfehler für die Koeffizienten, die y2 vorhersagen. Sie können beachten, dass die Koeffizienten in der Nähe des VAR-Befehls mit Ausnahme des Intercept sind. Das liegt daran, dass ar. ols das Modell für x-mean (x) schätzt. Um den durch die Zusammenfassung (VAR (cbind (y1, y2), p2, typeconst)) bereitgestellten Intercept zu berechnen, müssen Sie den Intercept wie folgt berechnen: In unserem Beispiel entspricht der Intercept für das simulierte Modell für yt1 -0,043637 -2.733607 (1-0.29300.4523) 15.45479 (-0.1913-0.6365) 9.580768, und die geschätzte Gleichung für yt, 1 Schätzung mit Minitab Für Minitab-Benutzer ist heres der allgemeine Ablauf dessen, was zu tun ist. Lesen Sie die Daten in Spalten. Verwenden Sie die Zeitreihe gt Lag, um die notwendigen verzögerten Spalten der stationären Werte zu erzeugen. Verwendung Stat gt ANOVA gt General MANOVA. Geben Sie die Liste der aktuellen Zeitvariablen als Antwortvariablen ein. Geben Sie die verzögerten x-Variablen als Kovariaten (und als Modell) ein. Klicken Sie auf Ergebnisse und wählen Sie Univariate Analyse (um die geschätzten Regressionskoeffizienten für jede Gleichung zu sehen). Klicken Sie bei Bedarf auf Speicher und wählen Sie Residuals andor Fits. Navigation
No comments:
Post a Comment