Estou tentando estimar um modelo autorregressivo com uma variável exógena. É sobre o impacto das mudanças nos preços do petróleo na economia. Estou planejando regredir a taxa de crescimento de GdP em seus próprios valores atrasados e valores remanescentes do preço do petróleo. Não sei por onde começar. É o que eu penso até agora: eu deveria verificar se o preço da gasolina e do petróleo está parado, certo (teste mais cheio) Encontre o número de atrasos para o preço da gasolina e do petróleo (critério AIC.) Estime o modelo. Teste a significação dos estimadores, heteroscadesticidade e, em seguida, correlação serial. Devo testar a presença de cointegração mais tarde, planejo usar as mesmas variáveis em um modelo de comutação Markov. Eu tenho a mesma pergunta para o teste de causalidade de Grangers. Eu tenho lido alguns livros e assisti mais de um vídeo sobre séries de tempos, mas ainda não consigo encontrar o meu caminho através dele. Você pode me guiar e ver se há algo faltando naqueles passos perguntados Jul 31 14 às 23:16 Parece que você deseja ajustar um modelo ARIMAX à sua série temporal. Eu tentaria encaixar um modelo ADL (regressivo regressivo automático), um ECM (modelo de correção de erros) ou aplicar a análise de 2 passos da Engle-Granger para a série para ver se a sua série cointegrava e para estimar o relacionamento de longo prazo Entre eles caso eles o façam. Se eles não se cointegrarem, então continue com o modelo ARIMAX ou estimar modelos ADL ou ECM estacionários. Note-se que um modelo ADL e o modelo ARIMAX são muito parecidos. Embora a análise de cointegração com várias variáveis seja um esforço e preencha livros de texto inteiros (veja, por exemplo, Katarina Juselius The Cointegrated VAR Model: Methodology and Application), a análise de cointegração com apenas duas variáveis é bastante rápida e fácil, dependendo da abordagem que você deseja usar. Observe que uma parte da minha resposta é a mesma que eu respondi em outra pergunta sobre uma pergunta semelhante. Vou descrever as etapas que você deve seguir para modelar as séries temporais de forma apropriada. Recorde, em primeiro lugar, que existem diferentes tipos de não-estacionariedade e diferentes maneiras de lidar com eles. Quatro comuns são: 1) Tendências deterministas ou estabilidade de tendências. Se a sua série é desse tipo de tendência ou inclui uma tendência de tempo no modelo de regressão. Você pode querer verificar o teorema de FrischWaughLovell sobre este. 2) Deslocamentos de nível e quebras estruturais. Se for esse o caso, você deve incluir uma variável dummy para cada intervalo ou se sua amostra for um modelo suficientemente longo para cada regim separadamente. 3) Alteração da variância. Ou modelar as amostras separadamente ou modelar a variação da variância usando a classe de modelagem ARCH ou GARCH. 4) Se a sua série contiver uma unidade de raiz. Em geral, você deve verificar se há relações de cointegração entre as variáveis, mas como você se preocupa com a previsão univariada, você deve diferenciar uma ou duas vezes, dependendo da ordem da integração. Etapas para modelar a série: 1) Olhe o ACF eo PACF juntos Com uma série de séries temporais para obter uma indicação sobre a série ou não, a série é estacionária ou não estacionária. Se o ACF decai muito devagar e o gráfico do TS parecerá exibir uma raiz da unidade (não significa reverter), esta é uma boa indicação de que a série não inclui uma raiz da unidade. 2) Teste a série para uma unidade de raiz. Isso pode ser feito com uma ampla gama de testes, alguns dos mais comuns sendo o teste ADF, o teste Phillips-Perron (PP), o teste KPSS que possui o nulo de estacionança ou o teste DF-GLS, o mais eficiente Dos testes acima mencionados. NOTA Que, no caso de sua série conter uma quebra estrutural, esses testes são tendenciosos para não rejeitar o nulo de uma unidade de raiz. No caso de você querer testar a robustez desses testes e se você suspeitar de uma ou mais quebras estruturais, você deve usar testes de ruptura estrutural endógena. Dois comuns são o teste de Zivot-Andrews que permite uma ruptura estrutural endógena e o Clemente-Montas-Reyes, que permite duas rupturas estruturais. O último permite dois modelos diferentes. Um modelo aditivo outlier que explica mudanças súbitas na inclinação da série e um modelo outlier inovador que leva mudanças graduais em conta e permite uma quebra na intercepção e inclinação. Olhe esses testes na Wikipédia ou em algum livro de texto econometria. Alguns pacotes estatísticos têm esses testes construídos, o que facilita a realização de uma bateria de teste de raiz unitária em sua série. Caso a sua série contenha uma raiz da unidade, teste as primeiras diferenças da sua série em orer para ver se eles contêm uma segunda unidade de raiz. 3) Caso sua série não seja estacionária, você deve: Note que você poderia usar o teste de cointegração de Johansen ou alguns outros testes, mas, por simplicidade, estes são deixados de fora e, no caso em que você tem apenas duas séries temporais, uma de A) , B) e C) serão suficientes. Observe que, embora o procedimento Engle-Granger seja mais fácil de aplicar (pelo menos eu acho que sim), os estimadores ADLECM são confiáveis como pode ser visto realizando uma simulação de Monte Carlo. Não vou explicar todas essas abordagens e como derivar a solução de longo prazo, pois isso levaria uma quantidade considerável de tempo e espaço, mas aqui é um excelente link para introduzir esses métodos: 4) A quantidade de atrasos que você deve incluir deve ser Escolhido para que você elimine toda a autocorrelação residual ao escolher atrasos para o seu modelo ADL. 5) Após sua análise de cointegração você está mais ou menos feito. Observe que no caso de você querer expandir seu modelo para várias variáveis, você deve usar o modelo CVAR e a análise é muito mais complicada como mencionado acima. 6) No caso de suas variáveis não se cointegrarem, mas contêm uma raiz da unidade, então continue com a modelagem ARIMAX 7) No caso de variáveis estacionárias, estima um modelo ADLECM estacionário para seus dados ou procede com seu ARIMAX. Mesmos passos em 6). Uma excelente nota introdutória sobre os modelos estacionários pode ser encontrada aqui: econ. ku. dkmetricsEconometrics207ILectureNotesdynamicmodels. pdf Caso a sua série contenha uma raiz de unidade com uma derivação ou nenhuma raiz de unidade, mas uma tendência determinista, você pode adicionar uma tendência de tempo conforme sua especificação. Além disso, verifique as primeiras diferenças da série e os gráficos das séries temporais para ver se sua série contém uma ruptura estrutural e / ou outliers e inclui variáveis falsas para estas. Observe que você deve testar as rupturas estruturais, veja o ponto 2) acima. Outra alternativa é o teste Chow. Em terceiro lugar, poderia ser uma idéia levar logs naturais de suas variáveis, pois isso irá estabilizar a variância da série. A transformação de log não mudará nada, pois é uma transformação monotônica. Espero que isso tenha sentido algum sentido. Observe que esta foi uma introdução muito curta e que isso poderia facilmente preencher vários capítulos em um livro didático. Eu recomendo vivamente ler essas duas notas de perguntas que postei links ou que você obtém um livro didático sobre análises de análise de séries temporais. Se você precisar de ajuda para entender alguns dos conceitos melhor então, fique à vontade para solicitar As especificações do modelo e os exemplos estão todos incluídos nas notas de conferência que eu liguei. Respondeu 1 de agosto 14 às 10: 19Introdução para séries temporais Usando Stata Stata Press eBooks são lidos usando a plataforma de registro VitalSource Bookshelf. O Bookshelf é gratuito e permite que você acesse o seu eBook Stata Press do seu computador, smartphone, tablet ou eReader. Como acessar seu eBook 2) Uma vez conectado, clique em resgatar no canto superior direito. Digite seu código de eBook. O seu código de eBook estará no seu e-mail de confirmação do pedido sob o título de e-books. 3) O eBook será adicionado à sua biblioteca. Você pode então baixar Bookshelf em outros dispositivos e sincronizar sua biblioteca para visualizar o eBook. Bookshelf está disponível no seguinte: Bookshelf Online está disponível on-line a partir de praticamente qualquer computador conectado à Internet, acessando online. vitalsourceusernew. O Office Bookshelf está disponível para o Windows 788.110 (32 e 64 bits). Baixe o software Bookshelf para sua área de trabalho para que você possa visualizar seus eBooks com ou sem acesso à Internet. O Estante de livros iOS está disponível para iPad, iPhone e iPod touch. Baixe o aplicativo móvel Bookshelf da Itunes Store. O Android Bookshelf está disponível para telefones e tablets Android com 4.0 (Ice Cream Sandwich) e mais tarde. Baixe o aplicativo móvel Bookshelf da Google Play Store. Kindle Fire Bookshelf está disponível para Kindle Fire 2, HD e HDX. Baixe o aplicativo móvel Bookshelf da Kindle Fire App Store. Mac Bookshelf está disponível para Mac OS X 10.8 ou posterior. Baixe o software Bookshelf para sua área de trabalho para que você possa visualizar seus eBooks com ou sem acesso à Internet. Bookshelf permite que você tenha 2 computadores e 2 dispositivos móveis ativados em qualquer momento. Fiquei impressionado com o modo VitalSource de apresentar os livros. Tudo parece perfeitamente formatado, mas ainda assim você pode folhear o livro da mesma forma que você viraria uma página muito longa em seu navegador. E o melhor de tudo, sempre que eu tenho meu tablet comigo, meus livros são apenas um deslize. Mdash Michael Mitchell Senior statistician na USC Childrens Data Network. Autor de quatro livros da Stata Press e ex-consultor de estatística da UCLA que vislumbrou e projetou o site UCLA Statistical Consulting Resources. Política de devolução para eBooks Os eBooks da Stata Press não são reembolsáveis e não reembolsáveis. Comentário do grupo técnico do Stata Introdução às séries temporais usando o Stata. Por Sean Becketti, fornece um guia prático para trabalhar com dados da série temporal usando o Stata e atrairá uma ampla gama de usuários. Os muitos exemplos, explicações concisas que se concentram na intuição e dicas úteis baseadas nas décadas de experiência autorrsquos usando métodos de séries temporais tornam o livro perspicaz não só para usuários acadêmicos, mas também para profissionais da indústria e do governo. O livro é apropriado para novos usuários do Stata e para usuários experientes que são novos na análise de séries temporais. O Capítulo 1 fornece uma introdução suave, porém acelerada, ao Stata, destacando todos os recursos que um usuário precisa saber para começar a usar o Stata para análise de séries temporais. O Capítulo 2 é uma atualização rápida na regressão e teste de hipóteses, e define conceitos-chave como o ruído branco, a autocorrelação e os operadores de atraso. O Capítulo 3 começa a discussão de séries temporais, usando técnicas de movimentação média e HoltndashWinters para alisar e prever os dados. Becketti também apresenta os conceitos de tendências, ciclicidade e sazonalidade e mostra como eles podem ser extraídos de uma série. O Capítulo 4 centra-se na utilização destes métodos para a previsão e ilustra como os pressupostos relativos às tendências e ciclos subjacentes às várias técnicas de média móvel e HoltndashWinters afetam as previsões produzidas. Embora essas técnicas às vezes sejam negligenciadas em outros livros das séries temporais, elas são fáceis de implementar, podem ser aplicadas em muitas séries rapidamente, muitas vezes produzem previsões tão boas quanto técnicas mais complicadas e, como Becketti enfatiza, têm a vantagem de ser facilmente Explicou aos colegas e decisores políticos sem origens nas estatísticas. Os capítulos 5 a 8 englobam modelos de séries temporais de equação única. O capítulo 5 centra-se na análise de regressão na presença de distúrbios auto-correlacionados e detalha várias abordagens que podem ser usadas quando todos os regressores são estritamente exógenos, mas os erros são autocorrelacionados, quando o conjunto de regressores inclui uma variável dependente atrasada e erros independentes e quando o O conjunto de regressores inclui uma variável dependente atrasada e erros auto-correlacionados. O Capítulo 6 descreve o modelo ARIMA e a metodologia BoxndashJenkins, e o capítulo 7 aplica essas técnicas para desenvolver um modelo ARIMA do PIB dos EUA. O capítulo 7, em particular, irá atrair os praticantes, porque ele vai passo a passo através de um exemplo do mundo real: aqui está a minha série, agora como eu encaixo um modelo ARIMA para ele. O Capítulo 8 é um resumo autônomo do modelo ARCHGARCH. Na parte final do livro, Becketti discute modelos de equações múltiplas, particularmente VARs e VECs. O Capítulo 9 concentra-se nos modelos de VAR e ilustra todos os conceitos-chave, incluindo a especificação do modelo, a causalidade de Granger, as análises de resposta ao impulso e a previsão, utilizando um modelo simples dos modelos VAR estruturais da economia dos EUA são ilustrados pela imposição de uma regra de Taylor sobre as taxas de juros. O capítulo 10 apresenta análise de séries temporais não estacionárias. Depois de descrever os testes de não-estações e de raiz unitária, o Becketti navega magistralmente pelo leitor através da tarefa muitas vezes confusa de especificar um modelo de VEC, usando um exemplo baseado em salários de construção em Washington, DC e estados vizinhos. O capítulo 11 conclui. Sean Becketti é um veterano da indústria financeira com três décadas de experiência em academias, governo e indústria privada. Ele era um desenvolvedor da Stata em sua infância, e ele era editor do Boletim Técnico da Stata. O precursor do Stata Journal. Entre 1993 e 1996. Ele tem sido um usuário Stata regular desde a sua criação, e ele escreveu muitos dos primeiros comandos da série temporal em Stata. Introdução às séries temporais usando o Stata. Por Sean Becketti, é um guia baseado em exemplos de primeira linha para análises e previsões de séries temporais usando o Stata. Pode servir como uma referência para praticantes e um livro de texto suplementar para estudantes em cursos de estatística aplicada. Índice da tabela de conteúdo gtgt Lista de figuras 1 Apenas o suficiente Stata 1.1 Começando 1.1.1 Ação primeiro, explicação mais tarde 1.1.2 Agora, alguma explicação 1.1.3 Navegando na interface 1.1.4 A gestalt de Stata 1.1.5 As peças Do discurso de Stata 1.2 Tudo sobre os dados 1.3 Olhando para os dados 1.4 Estatísticas 1.4.1 Noções básicas 1.4.2 Estimação 1.5 Probabilidades e finais 1.6 Criação de uma data 1.6.1 Como se parecer bem 1.6.2 Transformadores 1.7 Datas de digitação e variáveis de data 1.8 Looking ahead 2 Apenas estatísticas suficientes 2.1 Variáveis aleatórias e seus momentos 2.2 Testes de hipóteses 2.3 Regressão linear 2.3.1 Quadrados mínimos comuns 2.3.2 Variáveis instrumentais 2.3.3 FGLS 2.4 Modelos de equações múltiplas 2.5 Série de tempos 2.5.1 Ruído branco, autocorrelação e estacionança 2.5. 2 modelos ARMA 3 Filtragem de dados da série temporal 3.1 Preparação para analisar uma série temporal 3.1.1 Perguntas para todos os tipos de dados Como são definidas as variáveis Qual é a relação entre os dados e o fenômeno de interesse Quem compilou os dados O que? Os processos geraram os dados 3.1.2 Perguntas especificamente para dados de séries temporais Qual é a frequência de medição Os dados são desestacionalizados Os dados são revisados 3.2 Os quatro componentes de uma série temporal Ciclo Tendência Sazonal 3.3 Alguns filtros simples 3.3.1 Suavizando uma tendência 3.3.2 Suavização de um ciclo 3.3.3 Suavização de um padrão sazonal 3.3.4 Suavização de dados reais 3.4 Filtros adicionais 3.4.1 ma: médias móveis ponderadas 3.4.2 EWMAs exponenciais: EWMAs dexponentes: médias móveis de duas exponências 3.4.3 HoltndashWinters smoothers hwinounds : HoltndashWinters smoothers sem um componente sazonal: HoltndashWinters smoothers incluindo um componente sazonal 3.5 Pontos a lembrar 4 Uma primeira passagem na previsão 4.1 Fundamentos da previsão 4.1.1 Tipos de previsões 4.1.2 Medir a qualidade de uma previsão 4.1.3 Elementos de uma previsão 4.2 Filtros que prevêem 4.2.1 Previsões baseadas em EWMAs 4.2.2 Previsão de uma série de tendências com um componente sazonal 4.3 Pontos a lembrar 4.4 Olhando À frente 5 Distúrbios auto-correlacionados 5.1.1 Exemplo: Taxas de hipoteca 5.2 Modelos de regressão com distúrbios auto-correlacionados 5.2.1 Autocorrelação de primeira ordem 5.2.2 Exemplo: Taxas de hipoteca (cont.) 5.3 Teste de autocorrelação 5.3.1 Outros testes 5.4 Estimativa de primeira ordem Dados autocorrelacionados 5.4.1 Modelo 1: Regressores estritamente exógenos e distúrbios autocorrelacionados A estratégia OLS A estratégia de transformação A estratégia FGLS Comparação de estimativas do modelo 5.4.2 Modelo 2: variável dependente remanescente e iid Erros 5.4.3 Modelo 3: variável dependente remanescente com AR (1) erros A estratégia de transformação A estratégia IV 5.5 Estimando a equação da taxa de hipoteca 5.6 Pontos a lembrar 6 Modelos de séries temporais univariáveis 6.1 O processo linear geral 6.2 Polinomios de atraso: Notação ou Prestidigitação 6.3 O modelo ARMA 6.4 Stationarity e invertibilidade 6.5 O que os modelos ARMA podem fazer 6.6 Pontos a lembrar 6.7 Avançar 7 Modelar uma série temporal do tempo real 7.1 Preparar-se para modelar uma série temporal 7.2 A abordagem BoxndashJenkins 7.3 Especificar um modelo ARMA 7.3.1 Etapa 1: Induzir estacionança (ARMA torna-se ARIMA) 7.3.2 Etapa 2: Mente seus prsquos e qrsquos 7.4 Estimativa 7.5 Procurando por problemas: Verificação diagnóstica do modelo 7.5.1 Sobreposição 7.5.2 Testes dos resíduos 7.6 Previsão com modelos ARIMA 7.7 Comparando as previsões 7.8 Pontos a lembrar 7.9 O que aprendemos até o momento 7.10 Olhando para o futuro 8 Volatilidade variável no tempo 8.1 Exemplos de volatilidade variável no tempo 8.2 ARCH: Um modelo de vola variável no tempo Tility 8.3 Extensões para o modelo ARCH 8.3.1 GARCH: Limitando a ordem do modelo 8.3.2 Outras extensões Respostas assimétricas a ldquonewsrdquo Variações na volatilidade afetam a média da série observável Erros não relacionados Odds e fins 8.4 Pontos a lembrar 9 Modelos de múltiplo Séries temporais 9.1 Autoregressões vetoriais 9.1.1 Três tipos de VARs 9.2 Um VAR da macroeconomia dos EUA 9.2.1 Usando o Stata para estimar um VAR de forma reduzida 9.2.2 Testando um VAR para a estacionaridade Avaliação de uma previsão VAR 9.3 Whorsquos no primeiro 9.3.1 Correlação cruzada 9.3.2 Resumindo relações temporais em uma causalidade de VAR Granger Como se impõe ordem FEVDs Usando o Stata para calcular IRFs e FEVDs 9.4.1 Exemplos de um SVAR de curto prazo 9.4.2 Exemplos de um SVAR de longo prazo 9.5 Pontos a lembrar 9.6 Olhando para a frente 10 Modelos de séries temporais não estacionárias 10.1 Tendências e raízes das unidades 10.2 Testes para raízes das unidades 10.3 Cointegração: Procurando uma relação de longo prazo 10.4 Relações cointegrantes e VECMs 10.4.1 Determi Componentes nicos no VECM 10.5 Da intuição ao VECM: um exemplo Etapa 1: Confirmar a raiz da unidade Passo 2: Identificar o número de atrasos Etapa 3: Identificar o número de relações de cointegração Etapa 4: Ajustar um VECM Etapa 5: Teste de estabilidade e Resíduos de ruído branco Etapa 6: Reveja as implicações do modelo para razoabilidade 10.6 Pontos a lembrar 10.7 Olhando para frente 11 Observações de encerramento 11.1 Fazendo sentido de tudo isso 11.2 O que perdeu 11.2.1 Tópicos avançados de séries temporais 11.2.2 Série de tempo adicional Stata Recursos Ferramentas de gerenciamento de dados e utilitários modelos univariados modelos multivariados
No comments:
Post a Comment