Autoregressiivien approksatioiden siirtyminen-keskimääräinen esitys Tutkimme autoregressiivisen approksimaation äärettömän MA-edustuksen ominaisuuksia kiinteälle, reaalimaiselle prosessille. Tällöin annamme Wienersin teoreeman laajennuksen deterministisen approksimaation määrittelyssä. Tietojen käsittelyn avulla voimme käyttää tätä uutta avainlukua saadaksemme tietoa valmiiden autoregressiivisten mallien äärettömien MA-esitysten rakenteesta, missä järjestys kasvaa näytekokoon nähden. Erityisesti annamme yhtenäisen sidoksen liikkuvien keskimääräisten kertoimien arvioimiseksi autoregressiivisen approksimaation avulla, joka on yhtenäinen kaikille kokonaislukuille. 423.pdf Autoregressiivisten approksimaatioiden keskimääräinen edustus Peter Bhlmann 1 Tilastokeskus, Kalifornian yliopisto, Evans Hall, Berkeley, CA 94720, USA Saatavilla verkossa 5. huhtikuuta 2000. Tutustumme MA: n () ominaisuuksiin - autoregressiivisen approksimaation kiinteälle, todenmukaiselle prosessille. Tällöin annamme laajennuksen Wienersin lauseeseen deterministisen approksimaation määrityksessä. Tietojen käsittelyssä voimme käyttää tätä uutta avainlukua saadaksemme tietoa MA: n () rakenteesta - sovitetuista autoregressiivisista malleista, joissa tilaus kasvaa näytteen koon mukaan. Erityisesti annamme yhtenäisen sidoksen liikkuvien keskimääräisten kertoimien arvioimiseksi autoregressiivisen approksimaation avulla, joka on yhtenäinen kaikille kokonaislukuille. AR () Kausaalinen monimutkainen analyysi Impulssivastustoiminto Vaihteleva Lineaarinen prosessi MA () Sekoitus Aikasarja Siirtofunktio Staattinen prosessi Viitteet An et al. 1982 H.-Z. An. Z.-G Chen. EJ Hannan Autocorrelation, autoregression ja autoregressive approximation Ann. Valtiojohtoinen. Volume 10. 1982. pp. 926936 Corr: H.-Z. An. Z.-G Chen. EJ Hannan Autocorrelation, autoregression ja autoregressive approximation Ann. Valtiojohtoinen. 11. painos 1982. s. 1018 Berk, 1974 K. N. Berk Johdonmukainen autoregressiiviset spektriarvot Ann. Valtiojohtoinen. Volume 2. 1974, s. 489502 Bhansali, 1989 R. J. Bhansali Pysyvän prosessin liikkuvan keskimääräisen esityksen estimointi autoregressiivisella mallin sovituksella J. Time Series Anal. Vol. 10. 1989. s. 215232 Bhansali, 1992 R. J. Bhansali Autoregressiivinen estimointi keskimääräisen neliövirheen ja R 2 - mittauksen: sovellus New Directions in Time Series Analysis. D. Brillinger. P. Caines. J. Geweke. E. Parzen. M. Rosenblatt. NEITI. Taqqu. 1992. Springer, New York. s. 924 Osa I Bickel ja Bhlmann, 1995 P. J. Bickel. P. Bhlmann Sekoitusominaisuudet ja funktionaaliset keskeiset raja-arvomääritykset seulaketjuhihnalle aikasarjassa Tech. Rep. 440. 1995. Tilastokeskus, UC Berkeley, Berkeley, CA Brillinger, 1975 D. R. Brillingerin aikasarjojen analysointi ja teoria. 1975. Holt, Rinehart ja Winston, New York Brockwell ja Davis, 1987 P. J. Brockwell. R. A. Davis Time Series: Theory and Methods 1987. Springer, New York Bhlmann, 1995 P. Bhlmann Sieve - standardin aikasarja, Tech. Rep. 431. 1995. Tilastokeskus, UC Berkeley, Berkeley, CA Deistler ja Hannan, 1988 M. Deistler. EJ Hannan Linear Systemsin Tilastollinen Teoria 1988. Wiley, New York Doukhan, 1994 P. Doukhan Sekoitusominaisuudet ja esimerkit. Luentomonisteet tilastoissa. Vol. 85. 1994. Springer, New York Durbin, 1960 J. Durbin Aikasarjamallien asennus Rev. Internat. Valtiojohtoinen. Inst. Vuosikerta 28. 1960. s. 233244 Efron, 1979 B. Efron Bootstrap - menetelmät: toinen näkökulma nupukivillä Ann. Valtiojohtoinen. Volume 7. 1979. pp. 126 Gelfand et ai. 1964 I. Gelfand. D. Raikov. G. Shilov kommunikoivat normaalit renkaat 1964. Chelsea, New York Hannan, 1987 E. J. Hannan Rational siirtofunktio approksimaatio Stat. Sei. 5. painos 1987. s. 105138 Hannan ja Kavalieris, 1986 E. J. Hannan. L. Kavalieris Regression, autoregression malleja J. Time Series Anal. 7. painos 1986. s. 2749 Kreiss, 1988 J.-P. Kreiss Asymptoottinen tilastollinen päättely stokastisten prosessien luokalle 1988. Habilitationsschrift, Universitt Hamburg, Hampuri, Saksa Kromer, 1970 R. E Kromer Autogresatiivisen spektriestimaattorin asymptoottiset ominaisuudet, Ph. D. tutkielma. 1970. Dept. Statistics, Stanfordin yliopisto, Stanford, CA Lewis ja Reinsel, 1985 R. A. Lewis. G. C. Reinsel-ennustaminen monivariateista aikasarjasta autoregressiivisella mallisovituksella J. Multivariate Anal. Volume 16. 1985. s. 393411 Ljung, 1978 L. Ljung Konvergenssianalyysi parametrisistä tunnistusmenetelmistä IEEE Trans. Automat. Ohjaus AC-23. 1978, s. 770783 Ltkepohl, 1989 H. Ltkepohl Huomautus impulssivastefunktioiden asymptoottisesta jakautumisesta arvioiduista VAR-malleista, joissa on ortogonaaliset jäännökset J. Econometrics. Volume 42. 1989. pp. 371376 Ltkepohl, 1991 H. Ltkepohl Johdatus useisiin aikasarjaanalyyseihin 1991. Springer, Heidelberg Parzen, 1982 E. Parzen ARMA-mallit aikasarjan analyysiin ja ennusteeseen J. Ennuste. 1. painos 1982. s. 6782 Paparoditis ja Streitberg, 1992 E. Paparoditis. B. Streitberg Tilaa tilastolliset tilastot kiinteissä autoregressiivisissa liikkuvissa keskiarvoissa: vektori autokorrelaatioita ja bootstrap J. Time Series Anal. Vol. 13. 1992. s. 415434 Ptscher, 1987 B. M. Ptscherin konvergenssitulokset suurimman todennäköisyyden tyypin estimaattoreille monimuuttujalla ARMA-malleissa J. Multivariate Anal. Volume 21. 1987. pp. 2952 Saikonen, 1986 P. Saikonen Joidenkin alustavien estimaattorien asymptoottiset ominaisuudet autoregressiivisten liikkuvien keskimääräisten aikasarjamallien suhteen J. Time Series Anal. Volume 7. 1986. s. 133155 Silvia ja Robinson, 1979 M. T. Silvia. E. A. Robinson Deconvolution of Geophysical Time - sarjoja öljyn ja maakaasun etsinnässä 1979. Elsevier, Amsterdam Wiener, 1993 N. Wiener Fourier Integral ja tietyt sen sovellukset 1993. Cambridge Univ. Press, Cambridge Withers and Withers, 1981 C. S. Withers Keskirajatuseet riippuville muuttujille I Z. Wahrsch. verw. Gebiete. Volyymi 57. 1981. s. 509534 Corr: C. S. Withers Keskusrajauseet riippuvuussuhteille I Z. Wahrsch. verw. Gebiete. Volyymi 63. 1981 s. 555 Zygmund, 1959 A. Zygmund, Trigonometrinen sarja. Vol. 1. 1959. Cambridge Univ. Press, Cambridge 1Yhdysvaltain kansallisen tiedesäätiön tukema. Copyright 1995 Julkaisija Elsevier B. V. Citing artikkelit () 2.1 Keskimääräiset liikkuvat mallit (MA-mallit) ARIMA-malleissa tunnettuja aikasarjan malleja voivat olla autoregressiiviset termit ja liikkuvat keskiarvot. Viikolla 1 opimme autoregressiivisen termin aikasarjamallissa muuttujalle x t, joka on x t: n viivästynyt arvo. Esimerkiksi viive 1 autoregressiivinen termi on x t-1 (kerrottuna kertoimella). Tässä oppitunnissa määritellään liikkuvat keskimääräiset ehdot. Ajallisen sarjamallin liukuva keskimääräinen termi on aiempi virhe (kerrottuna kertoimella). Olkoon (wt overset N (0, sigma2w)), mikä tarkoittaa, että w t ovat identtisesti ja toisistaan riippumattomasti jakautuneita, joista kullakin on normaali jakauma, jolla on keskiarvo 0 ja sama varianssi. Ensimmäisen kertaluvun keskimääräinen malli, jota merkitään MA (1) on (xt mu wt theta1w) 2. järjestysliike keskimääräinen malli, jota merkitään MA (2) on (xt mu wt theta1w theta2w) , merkitty MA (q) on (xt mu wt theta1w theta2w pistettä thetaqw) Huom. Monet oppikirjat ja ohjelmistot määrittelevät mallin negatiivisilla merkillä ennen termejä. Tämä ei muuta mallin yleisiä teoreettisia ominaisuuksia, vaikka se kääntyy arvioidun kerroinarvon algebrallisten merkkien ja (epäsuosittujen) termien kanssa kaavojen ACF ja varianssit. Sinun on tarkistettava ohjelmistosi tarkistaaksesi, onko negatiivisia tai positiivisia merkkejä käytetty arvioidun mallin kirjoittamiseen oikein. R käyttää positiivisia merkkejä sen perustana olevassa mallissa, kuten täälläkin. Ajoitussarjan teoreettiset ominaisuudet MA (1) - mallilla Huomaa, että teoreettisen ACF: n ainoa ei-arvo on viiveellä 1. Kaikki muut autokorrelaatiot ovat 0. Näin ollen näytteen ACF, jolla on merkittävä autokorrelaatio vain viiveellä 1, on mahdollisen MA (1) - mallin indikaattori. Kiinnostuneille opiskelijoille todisteet näistä ominaisuuksista ovat liitteenä tämän esitteen. Esimerkki 1 Oletetaan, että MA (1) - malli on x t 10 w t .7 w t-1. jossa (ylimitoitettu N (0,1)). Siten kerroin 1 0,7. Teoreettinen ACF annetaan tämän ACF: n piirroksella. Juuri näytetty tontti on teoreettinen ACF MA (1): lle, jossa on 1 0,7. Käytännössä näyte tavallisesti tarjoaa tällaisen selkeän kuvion. Käyttämällä R simuloitimme n 100 näytearvoja käyttäen mallia x t 10 w t .7 w t-1 missä w t iid N (0,1). Tätä simulaatiota varten noudatetaan näyteaineiston aikasarjaa. Emme voi kertoa paljon tästä tontista. Seuraavaksi seuraa simuloitujen tietojen näyte ACF. Nähdään piikki viiveellä 1, mitä seuraa yleisesti ei-merkittäviä arvoja viivästyneelle ohi 1: lle. Huomaa, että näyte ACF ei vastaa taustalla olevan MA: n teoreettista mallia (1), eli että kaikki autokorrelaatiot myöhästyneille 1 ovat 0 . Erilaisella näytteellä olisi hieman erilainen näyte ACF alla, mutta sillä olisi todennäköisesti samat laaja piirteet. MA (2) - mallin teoreettiset ominaisuudet Teoreettiset ominaisuudet ovat seuraavat: Huomaa, että teoreettisessa ACF: ssä vain ei-nolla-arvot ovat viiveille 1 ja 2. Autokorrelaatioita suuremmille viiveille ovat 0 , Joten näyte ACF, jolla on merkittäviä autokorrelaatioita viiveissä 1 ja 2, mutta ei-merkittävät autokorrelaatiot suuremmille viiveille osoittavat mahdollisen MA (2) - mallin. iid N (0,1). Kertoimet ovat 1 0,5 ja 2 0,3. Koska tämä on MA (2), teoreettisella ACF: llä on ei-arvoja vain viiveillä 1 ja 2. Näiden kahden nonzero-autokorrelaation arvot ovat teoreettisen ACF: n piirre. Kuten lähes aina on, näyte-tiedot käyttäytyvät aivan yhtä hyvin kuin teorian. Simuloimme n 150 mallinäytettä mallille x t 10 wt .5 w t-1 .3 w t-2. missä w t iid N (0,1). Aikasarjan tietue seuraa. Kuten MA: n (1) näytetietojen aikasarjoissa, et voi kertoa paljon siitä. Seuraavaksi seuraa simuloitujen tietojen näyte ACF. Kuvio on tyypillinen tilanteissa, joissa MA (2) malli voi olla hyödyllinen. Kaksi tilastollisesti merkitsevää piikkiä on viiveissä 1 ja 2, mitä seuraa ei-merkittäviä arvoja muille viiveille. Huomaa, että näytteenottovirheen vuoksi näyte ACF ei täsmälleen vastaa teoreettista mallia. ACF yleisille MA (q) - malleille MA (q) - mallien ominaisuus on yleensä se, että ensimmäisten q-viiveiden ja autokorrelaatioiden 0 osalta on kaikkiin viiveisiin gt q. Ei-ainutlaatuisuus yhteyden arvojen 1 ja (rho1) välillä MA (1) Malli. MA (1) - mallissa, mikä tahansa arvo on 1. vastavuoroinen 1 1 antaa saman arvon Esimerkille, käytä 0,5 1: lle. ja käytä sitten 1 (0,5) 2 1: lle. Youll saada (rho1) 0.4 molemmissa tapauksissa. Teoreettisen rajoituksen tyydyttämiseksi kutsutaan invertibility. rajoitamme MA (1) - malleja arvoihin, joiden absoluuttinen arvo on pienempi kuin 1. Jo annetussa esimerkissä 1 0,5 on sallittu parametriarvo, kun taas 1 10,5 2 ei. MA-malleiden invertibility MA-mallin sanotaan olevan käännettävissä, jos se on algebrallisesti samanlainen kuin yhdensuuntainen ääretön AR-malli. Lähentymällä tarkoitamme, että AR-kertoimet pienenevät arvoon 0 kun siirrymme ajassa taaksepäin. Invertibility on rajoitus, joka on ohjelmoitu aikasarjaohjelmistoihin, joita käytetään estimoimaan MA-termejä käyttävien mallien kertoimet. Se ei ole jotain, jota tarkistamme tietojen analysoinnissa. Lisätiedot MA (1) - malleista, jotka koskevat invertibility-rajoitusta, annetaan lisäyksessä. Advanced Theory Note. MA (q) - mallilla, jolla on määritetty ACF, on vain yksi muutettavissa oleva malli. Tarvittava edellytys vaihtovirtaukselle on, että kertoimilla on sellaiset arvot, että yhtälö 1- 1 y-. - q y q 0 on ratkaisuja y, jotka kuuluvat yksikön ympyrän ulkopuolelle. Esimerkkien R-koodi Esimerkissä 1 piirrettiin mallin x t 10 w t teoreettinen ACF. 7w t-1. ja simuloi sitten n 150 arvot tästä mallista ja piirrettiin näyteajasarjat ja näyte ACF simuloituun dataan. Teoreettisen ACF: n piirtämiseen käytetyt R-komennot olivat: acfma1ARMAacf (mac (0.7), lag. max10) 10: n ACF: n viiveet MA: lla (1) ja theta1 0.7 lags0: 10 luo muuttujan nimellisviiveet välillä 0-10. (h0) lisää horisontaalisen akselin juonteeseen Ensimmäinen komento määrittää ACF: n ja tallentaa sen objektille (viiveet, acfma1, xlimc (1,10), ylabr, tiph, pää ACF MA: lle (1) nimeltään acfma1 (nimemme valinta). Piirtokomento (kolmas komento) on viivästynyt vastaaviin arvoihin 1 - 10 verrattuna. Ylab-parametri merkitsee y-akselia ja pääparametri asettaa otsikon tontille. Nähdäksesi ACF: n numeeriset arvot käytä yksinkertaisesti komentoa acfma1. Simulaatio ja tontit tehtiin seuraavilla komennoilla. x (x1), list (mac (0.7))) Simuloi n 150 arvot MA: sta (1) xxc10 lisää 10 keskiarvon 10. Simulaatio oletusarvoilla tarkoittaa 0. tonttia (x, typeb, mainSimulated MA (1) acf (x, xlimc (1,10), mainACF simuloitua näytetietoa varten) Esimerkissä 2 piirrettiin mallin teoreettinen ACF 10 wt .5 w t-1 .3 w t-2. ja simuloi sitten n 150 arvot tästä mallista ja piirrettiin näyteajasarjat ja näyte ACF simuloituun dataan. Käytetyt R-komennot olivat: acfma2ARMAacf (mac (0.5,0.3), lag. max10) acfma2 lags0: 10 tontti (viiveet, acfma2, xlimc (1,10), ylabr, tiph, pää ACF MA: lle (2) (x, typeb, main simuloitu MA (2) sarja) acf (x, xlimc (1,10), xxc10 mainACF simuloituun MA (2) - tietoon) Liite: MA: n ominaisuuksien todistus (1) Kiinnostuneille opiskelijoille on esitetty todisteet MA (1) - mallin teoreettisista ominaisuuksista. Varianssi: (text (xt) text (mu wt theta1 w) 0 teksti (wt) teksti (theta1w) sigma2w theta21sigma2w (1theta21) sigma2w) Kun h 1, edellinen lauseke 1 w 2. Missä tahansa h 2, edellinen lauseke 0 . Syy on se, että määritelmästä riippumattomuus wt. E (w k w j) 0 mille tahansa kj. Lisäksi koska w: n keskiarvo on 0, E (w j w j) E (wj 2) w 2. Käytä tätä aikasarjaa varten Käytä tätä tulosta saadaksesi edellä esitetyn ACF: n. Muunneltavissa oleva MA-malli on sellainen, että se voidaan kirjoittaa äärettömän AR-malliksi, joka konvergoituu siten, että AR-kertoimet konvergoituvat 0: een, kun siirrymme äärettömän ajassa taaksepäin. Hyvin osoittavat invertibility MA (1) - mallille. Sitten korvataan yhtälössä (1) (3) oleva wt-1-suhde (2) (zt wt theta1 (z-theta1w) wt theta1z-theta2w) Aikana t-2. yhtälö (2) tulee sitten korvaamaan suhde (4) w t-2: lle yhtälössä (3) (zt wt theta1 z-theta21w wt theta1z-theta21 (z-theta1w) wt theta1z-theta12z theta31w) Jos jatkamme ( äärettömän), saisimme ääretön AR-mallin (zt wt theta1 z-theta21z theta31z-theta41z-pisteet) Huomaa kuitenkin, että jos 1 1 kertoimet kerrottu z: n viiveille kasvaa (äärettömän) kooltaan kun siirrymme takaisin aika. Tämän estämiseksi tarvitsemme 1 lt1. Tämä on ehto invertible MA (1) - mallille. Infinite Order MA - malli Viikolla 3 nähdään, että AR (1) - malli voidaan muuntaa ääretöniseksi MA-malliksi: (xt - mu wt phi1w phi21w pistettä phik1 w dots sum phij1w) Tämä summaus aikaisemmista valkoisista meluista on tiedossa kuten AR: n (1) kausaalinen esitys. Toisin sanoen x t on erityinen MA, jolla on ääretön määrä termejä, jotka menevät ajassa taaksepäin. Tätä kutsutaan ääretöntä järjestystä MA tai MA (). Äärillinen tilaus MA on ääretön tilaus AR ja mikä tahansa äärellinen järjestys AR on ääretön tilaus MA. Muistutettaisiin viikolla 1, huomasimme, että kiinteän AR: n (1) vaatimus on, että 1 lt1. Lasketaan Var (x t) kausaalisen esityksen avulla. Tämä viimeinen vaihe käyttää perustietoa geometrisista sarjoista, jotka edellyttävät (phi1lt1) muuten sarja poikkeaa. Navigointi Peter Bhlmannilta. 1999. Vertaamme ja tarkastelemme lohkoa, seulaa ja paikallisia bootstrapseja aikasarjoille ja siten valaisemme teoreettisia tosiasioita sekä suorituskykyä nite-näytteen tietoihin. Meidän (uudelleen) näkemyksemme on valikoiva ja sillä pyritään saamaan uusi ja oikeudenmukainen kuva tietyistä bootstrapping-aikasarjoista. Ge. Vertaamme ja tarkastelemme lohkoa, seulaa ja paikallisia bootstrapseja aikasarjoille ja siten valaisemme teoreettisia tosiasioita sekä suorituskykyä nite-näytteen tietoihin. Meidän (uudelleen) näkemyksemme on valikoiva ja sillä pyritään saamaan uusi ja oikeudenmukainen kuva tietyistä bootstrapping-aikasarjoista. Lohkon bootstrapin yleisyyttä verrataan seulakäyntisalkkuihin. Keskustelemme toteutushaasteista ja väittävät, että kahden tyyppiset seulaset ylittävät lohkomenetelmän, kukin niistä omassa tärkeässä markkinapaikassaan eli lineaarisissa ja kategoristisissa prosesseissa. Paikalliset bootstrapsit, jotka on suunniteltu epäsäännöllisiksi tasoitusongelmiksi, ovat helppokäyttöisiä ja toteuttamiskelpoisia, mutta joissakin tapauksissa suorituskyky on heikko. Avainsanat ja lauseet. Autoregression, block bootstrap, kategorinen aikasarja, kontekstialgoritmi, kaksinkertainen bootstrap, lineaarinen prosessi, paikallinen bootstrap, Markov-ketju, seulaketju, kiinteä prosessi. 1 Johdanto Bootstrapping voidaan katsoa simuloivan tilastollista tai tilastollista pro. esittäjä (t): Slvia Gonalves, Lutz Kilian. 2003 Atsushi Inouen, Lutz Kilianin, Ken Westin, Mark Watsonin, Jonathan Wrightin - parametrien ja innovaatioiden vaihtelut VAR () - malleissa, ei löydy. On tavallista suorittaa vektorin autoregressiivisiin (VAR) malleihin perustuva bootstrap-päätelmä, joka perustuu olettamukseen, että perustana oleva datan generointiprosessi on äärellisviiveinen järjestys. Tämä oletus on käytännössä mahdotonta. Vahvistetaan jäännöskohtaisen bootstrap-menetelmän asymptoottinen voimassaolo sm. On tavallista suorittaa vektorin autoregressiivisiin (VAR) malleihin perustuva bootstrap-päätelmä, joka perustuu olettamukseen, että perustana oleva datan generointiprosessi on äärellisviiveinen järjestys. Tämä oletus on käytännössä mahdotonta. Määritämme jäännöspohjaisen bootstrap-menetelmän asymptoottinen pätevyys VAR-kaltevuusparametrien ja innovaatio-varianssien tasaisille funktioille vaihtoehtoisessa olettamuksessa, että äärellisiä viive-järjestys-VAR-malleja on sovitettu VAR-prosessiin mahdollisesti ääretöntä järjestystä tuottaviksi tiedoiksi. Tämä tilastoluokka sisältää ennustettavuuden ja ortogonalisoidut impulssivasteet ja varianssierot. Meidän lähestymistapamme tarjoaa vaihtoehdon asymptoottisen normaalin approksimaation käyttöön, ja sitä voidaan käyttää myös ilman suljettujen muodon ratkaisujen estimaattorin varianssia. Havainnollistamme havaintojen käytännön merkitystä soveltavalle työlle, mukaan lukien makrotaloudellisten mallien arviointi. 1. käyttöönotto Sovelletun vektorin autoregressiivisen (VAR) analyysin yhteydessä on yleistä olettaa, että VAR-datan muodostavan prosessin (DGP) viivästymisjärjestys on äärellinen. Braun ja Mittnik (1993) ovat huomauttaneet myös äärellisiä viivästymisiä käsittelevän VAR-mallien epäluulittavuuden, mutta äärellisellä viivästyneellä tilausoletuksella on edelleen keskeinen asema ekonometrisessä lopputuloksessa käytännössä. Se, että DGP: n oletetaan olevan edustettuna VAR (1) - prosessilla, vaikuttaa merkittävästi VAR-päättelyyn. Esimerkiksi Lutkepohl ja Poskitt (1991) osoittavat, että vaikka VAR-impulssivaste-estimaattori säilyttää asymptoottisen normaalin jakauman ääretön-viivästysjärjestyksessä, sen asymptoottinen varianssi on ennustehorisontin ei-vaimentava funktio. Toisin kuin Peter J. Bickel, Peter Bhlmann, äärellisellä viivästysjärjestyksellä. 1995. Tutkimme käynnistysstrapimenetelmää stationaarisille reaaliarvosarjoille, joka perustuu seulamenetelmään. Rajoitamme itsestään autoregressiivisiin seulakiinnikkeisiin. Otan näytteen X1. X n lineaarisesta prosessista fX tg t2 Z, voimme approksimoida taustalla olevan prosessin autoregressiivisella mallilla orden kanssa. Tutkimme käynnistysstrapimenetelmää stationaarisille reaaliarvosarjoille, joka perustuu seulamenetelmään. Rajoitamme itsestään autoregressiivisiin seulakiinnikkeisiin. Otan näytteen X1. X n lineaarisesta prosessista fX tg t2 Z, voimme approksimoida taustalla olevan prosessin autoregressiivisella mallilla järjestyksessä p p (n), jossa näytteen koon n1 p (n) 1p (n) o (n). Tällaisen mallin perusteella muodostetaan käynnistysprosessi fX t g t2 Z, josta voidaan piirtää kaikenkokoisia näytteitä. Tarjoamme animaatiotuloksen, joka sanoo, että suurella todennäköisyydellä tällainen seulaketjunpuristusprosessi fX t g t2 Z täyttää uudenlaisen sekoitustilan. Tämä merkitsee sitä, että monta tulosta staattisille sekoitussekvensseille siirretään seulan käynnistysprosessiin. Esimerkkinä saamme funktionaalisen keskirajoituksen lauseet haarukointiolosuhteissa. Franz C. Palm, Stephan Smeekes, Jean-pierre Urbain - METEOR Research Memorandum 06015, Maastrichtin yliopisto. 2006. Tässä artikkelissa tutkitaan ja verrataan useiden kirjoitusprosessissa esitettyjen useiden bootstrap-yksikkökokeiden ominaisuuksia. Testit ovat Dickey-Fuller - tai Augmented DF-testit, joko perustuen autoregressioon ja lohkon käynnistysstrapin käyttöön tai ensimmäiseen eriteltyyn dataan ja käyttöön. Tässä artikkelissa tutkitaan ja verrataan useiden kirjoitusprosessissa esitettyjen useiden bootstrap-yksikkökokeiden ominaisuuksia. Testit ovat Dickey-Fuller - tai Augmented DF-testit, joko perustuen autoregressioon ja lohkon käynnistysstrapin käyttöön tai ensimmäiseen erotettuun tietoon ja staattisen bootstrap - tai seulakäynnistyspelin käytön jäljellä oleviin jäännösarvoihin. Laajennamme analyysin vaihtamalla datamuunnoksia (eroeroja suhteessa jäännöksiin), bootstrap-tyyppejä ja testin autokorrelaation korreloinnin läsnäoloa tai poissaoloa. Osoitamme, että jäljelle jäävät kaksi seulan käynnistysstrap testit ovat asymptotisesti päteviä. Toisin kuin kirjallisuus, joka keskittyy bootstrap-testien vertailemiseen asymptoottisella testillä, vertaamme bootstrap-testejä niiden kesken käyttäen vastauspintoja niiden koosta ja voimasta simulaatiotutkimuksessa. Tämä tutkimus johtaa seuraaviin johtopäätöksiin: i) Lisätyt DF-testit ovat aina suosittuja standardin DF-testejä varten (ii) seulan käynnistyskappale toimii paremmin kuin lohkon käynnistyskappale (iii) erotusperusteiset testit näyttävät hieman paremmilta kokoilta, mutta jäännösperusteiset testit näyttävät tehokkaammilta. esittäjä (t): Franz C. Palm, Stephan Smeekes, Jean-pierre Urbain. 2007. Tässä artikkelissa ehdotetaan Wald-testin käynnistysstrap-versiota integrointia varten yksitasoisessa ehdollisessa virheenkorjausmallissa. Monimuuttujakokoelmaa käytetään riippuvuuteen sarjassa. Osoitamme, että käyttöönotettu käynnistysstrapitesti on asymptoottisesti pätevä. Analysoimme myös. Tässä artikkelissa ehdotetaan Wald-testin käynnistysstrap-versiota integrointia varten yksitasoisessa ehdollisessa virheenkorjausmallissa. Monimuuttujakokoelmaa käytetään riippuvuuteen sarjassa. Osoitamme, että käyttöönotettu käynnistysstrapitesti on asymptoottisesti pätevä. Analysoimme myös testin pienet näyteominaisuudet simuloinnilla ja verrataan sitä asymptoottiseen testiin ja useisiin vaihtoehtoisiin käynnistysstrap testeihin. Bootstrap-testi tarjoaa merkittäviä parannuksia koon ominaisuuksiin verrattuna asymptoottiseen testiin, samalla kun niillä on samanlaiset teho-ominaisuudet. Se myös suorittaa vähintään yhtä hyvin kuin vaihtoehtoiset käynnistysstrap testit, joita tarkastellaan koon ja tehon suhteen. Käynnistyksenestoketjun herkkyyttä determinististen komponenttien korvaukselle tutkitaan myös. Simulaatiotulokset osoittavat, että testit, joissa on riittävät deterministiset komponentit, eivät ole sensitiivisiä mallin suuntausten todelliseen arvoon ja säilyttävät oikean koon. JEL-luokitus: C15, C32. esittäjä (t): Peter Bhlmann. 1996. Tutkimme ajoitussekvenssejä, joissa on deterministinen trendi. Puristinrakenne perustetaan autoregressiiviseen approksimaatioon. Kun otetaan huomioon aikasarjatiedot, käytetään ensin alustavaa arvioa perustana olevan aikasarjan kehityksestä ja sen jälkeen likimääräinen n. Tutkimme ajoitussekvenssejä, joissa on deterministinen trendi. Puristinrakenne perustetaan autoregressiiviseen approksimaatioon. Kun otetaan huomioon aikasarjatiedot, käytetään ensin alustavaa arvioa perustana olevan aikasarjan kehityksestä ja lähennetään melumenetelmää suurella autoregressiivisella mallilla kasvavan järjestyksen kasvaessa näytteen koon mukaan. Bootstrap-järjestelmä perustuu uudelleen asennettujen autoregressiivisten mallien arvioitujen innovaatioiden uudelleenmääritykseen. Näytämme tällaisten seulaketjun läpivientien pätevyyden lineaaristen trendien estimaattoreiden rajoittavalle jakelulle, kuten yleisille regressio-ennusteille tai ytimen sileileille. Tätä bootstrap-järjestelmää voidaan sitten käyttää konfiguroimaan samanaikaisia luottamusvälejä trendille, jossa samanaikaisuus voidaan saavuttaa useilla pisteillä, jotka käyttäjä voi valita. Aikasarjojen konteksti eroaa merkittävästi itsenäisestä asetelmasta: riippumattomat menetelmät, jotka on sovitettu riippuvaiseen tapaukseen, näyttävät menettävän suuren osan tarkkuudestaan. Resampling-menetelmällä saadaan tyydyttäviä tuloksia simulaatiotutkimuksessa äärellisille näytekokoille. esittäjä Andres M. Alonso, Juan Romo. Useita tekniikoita resampling-riippuvaisten tietojen osalta on jo ehdotettu. Tässä artikkelissa käytämme puuttuvia arvoja tekniikoita muuttamalla liikkuvat lohkot jackknife ja bootstrap. Tarkemmin sanottuna tarkastellaan poistettujen huomautusten lohkoja lohkossa olevana nokkana puuttuvina tiedoina, jotka ovat uudelleenlaskettuja. Useita tekniikoita resampling-riippuvaisten tietojen osalta on jo ehdotettu. Tässä artikkelissa käytämme puuttuvia arvoja tekniikoita muuttamalla liikkuvat lohkot jackknife ja bootstrap. Tarkemmin sanottuna tarkastelemme poistettujen havaintojen lohkoja lohkossa olevana nokkana puuttuvina tiedoina, jotka talteenotetaan puuttuvien arvojen estimoinnilla, jotka sisältävät havainnointi-riippuvuusrakenteen. Siten arvioimme tilastollisen varianssin täydellisessä sarjassa arvioidun tilastollisen painotetun näytevariaation perusteella. Näytteen keskimääräisen varianssi ja jakautumiskeskittimet ovat määritelty. Lisäksi käytämme puuttuvia arvoja lähestymistapoihin blockwise bootstrap - järjestelmään sisällyttämällä joitakin puuttuvia havaintoja kahden peräkkäisen lohkon joukkoon ja osoitamme näytteen keskimääräisen varianssin ja jakeluestimaattoreiden johdonmukaisuuden. Lopuksi esittelemme laajan Monte Carlo-tutkimuksen tulosten arvioidaksemme näiden menetelmien suorituskyvyn äärellisille näytekokoille, mikä osoittaa, että ehdotuksessamme saadaan varianssin estimaatit useille aikasarjatilastoille, joilla on pienempi keskimääräinen neliöllinen virhe kuin aiemmissa menettelyissä. 2, Slvia Gonalves, Lutz Kilian, Srie Scientifique, Banque Du Canada, Banque Laurentienne Du Canada, Bourse De Montral, Gaz Mtropolitain, Cole Polytechnique De Montral, Hec Montral, Universit Concordia, Universit de Montral, Universit Laval, Université Mcgill. viittaus asiakirjan lähteeseen, mukaan lukien ilmoitus. Lyhyt osa voidaan mainita ilman nimenomaista lupaa, jos lähteelle annetaan täysi luotto, mukaan lukien ilmoitus. CIRANO Le CIRANO ei ole järjestö, vaan lucratif constitu en vertu de la Loi des compagnies du Qubec. Le financement de son on viittaus asiakirjan lähteeseen, joka sisältää ilmoituksen. Lyhyt osa voidaan mainita ilman nimenomaista lupaa, jos lähteelle annetaan täysi luotto, mukaan lukien ilmoitus. CIRANO Le CIRANO ei ole järjestö, vaan lucratif constitu en vertu de la Loi des compagnies du Qubec. Le financement de son infrastruktuuri ja de actives de recherche provient des cotisations de organisationsmembres, dune subvention dinfrastructure de ministre de la Recherche, de Science et de la Technologie, de mme quai des subsidations et mandats obtenus par ses quipes de recherche. CIRANO on yksityinen voittoa tavoittelematon organisaatio, joka on perustettu Qubec-yhtiöiden lain mukaisesti. Sen infrastruktuuri ja tutkimustoiminta rahoitetaan jäsenorganisaatioiden maksamilla palkkioilla, ministeri de la Recherchen, Science and Technology Technologiesin ja sen tutkimusryhmiensä saamien apurahojen ja tutkimustehtävien perusteella. Les-järjestöt-kumppanit Partner-organisaatiot PARTENAIRE MAJEUR. Yoosoon Changin, Joon Y. Parkin talousministeri, talous ja recherche MFER. Tässä artikkelissa saamme Augmented-Dickey-Fullerin (ADF) testien asymptoottiset jakaumat hyvin lievissä olosuhteissa. Testit alun perin ehdotti ja tutkivat Said ja Dickey (1984) testausyksikön juurille nite-order ARMA - malleissa iid-innovaatioilla ja perustuvat nite AR: iin. Tässä artikkelissa saamme Augmented-Dickey-Fullerin (ADF) testien asymptoottiset jakaumat hyvin lievissä olosuhteissa. Testit alun perin ehdotti ja tutkivat Said ja Dickey (1984) testausyksikön juurille nite-order ARMA - malleissa, joissa on iid-innovaatioita, ja perustuvat neli-AR-prosessiin, joka kasvaa näytteen koolla. Olosuhteet ovat vahvasti heikompi kuin heidän. Erityisesti sallimme yleiset lineaariset prosessit, joissa on martingaalinen dierenssi-innovaatio, joilla on ehdolliset heteroskedastiteetit. ARCH-tyyppisten innovaatioiden ohjaamat lineaariset prosessit ovat siis sallittuja. AR: n lähentymisjärjestyksen läpäisevien kasvunopeuksien alue on myös paljon laajempi. Tavalliselle t-tyyppiselle testille vaadimme vain, että se nousee järjestyksessä o (n12), kun he olettavat, että se on o (n)
No comments:
Post a Comment