Moving Genomsnittet Bootstrap

Bootstrapping moving average models. Cite denna artikel som Corduas, MJ It Statist Soc 1992 1 227 doi 10 1007 BF02589032.In de senaste åren har bootstrap-metoden utökats till tidsserieanalys där observationerna är seriekorrelerade. Bidragen har fokuserat på den autoregressiva modellen Att producera alternativa resamplingprocedurer I motsats till, förutom vissa empiriska tillämpningar, har mycket liten uppmärksamhet ägnats åt möjligheten att utvidga användningen av bootstrap-metoden till rena rörliga genomsnittliga MA eller blandade ARMA-modeller. I det här papperet presenterar vi en ny bootstrap-procedur som Kan tillämpas för att bedöma fördelningsegenskaperna hos de rörliga genomsnittsparameterns uppskattningar som erhållits genom ett minsta kvadratiska tillvägagångssätt. Vi diskuterar metodiken och gränserna för dess användning. Slutligen jämförs prestandan av bootstrap-tillvägagångssättet med det konkurrerande alternativet som ges av Monte Carlo simulation. bootstrap tidsserie Flytta genomsnittliga modeller. Research stöder delvis ed av CNR och MURST. Burg J 1975, Maximal entropi spektralanalys, Ph D dissert Stanford University, Dept Geophysics. Chatterjee S 1986, Bootstrapping ARMA modeller några simuleringar, IEEE Transactions on System, Man Cybernetics 16, 294 299 CrossRef Google Scholar. Corduas, M 1990, Alternativ Alternativ för Rikampionamento No Modelli Autoregressivi, Atti della XXXV Riunione Scientifica SIS Padova, 2, 61 68 Google Scholar. Efron B 1979, Bootstrap metoder en annan titt på jackknife Annals of Statistics 7, 1 26 MATH MathSciNet Google Scholar. Efron B 1982, The Jackknife, bootstrap och andra resampling planer, SIAMCBMS Monograph 38, Philadelphia. Efron B Tibshirani R 1986, Bootstrap metoder för standardfel konfidensintervaller och andra mått av statistisk noggrannhet Statistisk vetenskap 1, 54 77 MathSciNet Google Scholar. Freedman D 1984 Vid uppstartning av tvåstegs minsta kvadrater uppskattningar i stationära linjära modeller, Annals of Statistics 12, 827 842 MATH MathSciNet Google Scholar. Hannan EJ Rissanen J 1982, Rekursiv uppskattning av blandad autoregressiv glidande genomsnittsordning, Biometrika 69, 81 94 MATH CrossRef MathSciNet Google Scholar. Hannan EJ Kavalieris L 1984, En metod för autoregressiv rörlig genomsnittsbedömning Biometrika 72, 273 280 CrossRef MathSciNet Google Scholar. Koreisha S Pukkila T 1990, En generaliserad minsta kvadreringsmetod för uppskattning av autoregressiva rörliga genomsnittsmodeller, Journal of Time Series Analysis 2, 139 151 MathSciNet Google Scholar. Knsch HR 1989, Jackkniven och bootstrap för allmänna stationära observationer, Annals Av statistiken 17, 1217 1241 MATH MathSciNet Google Scholar. Liu RY Singh K 1988, Flyttblocka jackknife och bootstrap fånga svag beroende, Teknisk rapport avdelningen för statistik, Rutgers University. Tjostheim D Paulsen J 1983, Bias av några vanliga tidsserier uppskattningar, Biometrika 48, 197 199 MathSciNet Google Scholar. White H 1984, Asymptotisk teori för ekonometiker Academic Press, Orlando CA Google Scholar. Copyright information. Societa Italiana di Statistica 1992.Authors och Affiliations. Marcella Corduas.1 Centro di Specializzazione e Ricerche Portici NA Italy.2 Universitetet i Napoli Federico II Napoli Italia. Om den här artikeln. Bootstrap i rörliga genomsnittsmodeller. Vi bevisar att bootstrap-principen fungerar väldigt väl i rörliga genomsnittsmodeller, när parametrarna uppfyller invertibility-villkoret, genom att visa att uppstartsstroppen approximationen av fördelningen av parameteruppskattningarna är korrekt i ordningen på 1 2 som vissa simuleringsstudier också rapporteras. Keyord och fraser. modeller stationära autoregressioner Cramer s-tillstånd Edgeworth expansions empirisk fördelningsfunktion bootstrap. Abramovitch, L och Singh, K 1985 Edgeworth korrigerade pivotalstatistik och bootstrap, Ann Statist, 13 116 132 MATH MathSciNet Google Scholar. Babu, GJ och Singh, K 1984 på en Term Edgeworth-korrigering av Efron s bootstrap, Sankhy Ser A, 40 219 232 MathSciNet Google Scholar. Basawa, IV Mallik, A K McCormick, WP och Taylor, RL 1989 Bootstrapping explosiva autoregressiva processer, Ann Statist, 17 1479 1486 MATH MathSciNet Google Scholar. Beran, R 1982 Beräknad samplingsfördelning bootstrap och konkurrenter Ann Statist, 10 212 225 MATH MathSciNet Google Scholar. Bhattacharya, RN och Ranga Rao, R 1976 Normal Approximation och Asymptotic Expansions Wiley, New York MATH Google Scholar. Bickel, PJ och Freedman, D 1980 På Edgeworth expansion för bootstrap, Preprint, University of California, Berkeley Google Scholar. Bose, A 1988 b Högre order approximationer för auto-covariances från linjära processer med applikationer, Statistik, 19 259 269 MATH MathSciNet Google Scholar. Chatterjee, S 1985 Bootstrapping ARMA modeller några simuleringar, Preprint, Företagsekonomiska högskolan, nordöstra universitetet, Boston Google Scholar. Efron, B 1982 The Jackknife, bootstrap och andra resampling planer, CBMS-NSF Regional Conference Series i Applied Maths Monograph, 38 SIAM, P Hiladelphia Google Scholar. Freedman, D 1984 Om uppstartning av tvåstegs minsta kvadrater uppskattningar i stationära linjära modeller, Ann Statist, 12 827 842 MATH MathSciNet Google Scholar. Gtze, F och Hipp, C 1983 Asymptotiska expansioner för summor svagberoende slumpmässiga vektorer, Z Wahrsch Verw Gebiete, 64 211 239 MATH MathSciNet CrossRef Google Scholar. Hall, P och Heyde, CC 1980 Martingale Limit Theory och dess tillämpning Academic Press, New York MATH Google Scholar. Copyright information. Kluwer Academic Publishers 1990.Authors and Affiliations.1 Stat - Math Division Indiska Statistiska Institutet Calcutta Indien.2 Institutionen för statistik Purdue University West Lafayette USA.3 Indiska statistiska institutet India. About this article. Stata Data Analysis and Statistical Software. Nicholas J Cox , Durham University, Storbritannien Christopher Baum, Boston College. egen, ma och dess begränsningar. Stata s mest uppenbara kommandot för att beräkna glidande medelvärden är ma funktionen av egen. Med ett uttryck skapar det ett - period glidande medelvärdet av det uttrycket. Tas som 3 måste vara udda. Men som den manuella inmatningen indikerar kan egen ma inte kombineras med varlist och av den anledningen är den inte tillämplig på paneldata. Den står i alla fall utanför uppsättningen av Kommandon som är specifikt skrivna för tidsserier, se tidsserier för detaljer. Alternativa tillvägagångssätt. För att beräkna glidande medelvärden för paneldata finns det åtminstone två val. Båda beror på att datasetet har blivit tsset i förväg Det här är väldigt mycket värt att göra, inte bara kan du spara dig själv upprepade gånger med att ange panelvariabel och tidsvariabel, men Stata beter sig smart med några luckor i data.1 Skriv din egen definition med hjälp av generera. Använda operatörer av tidsserier som L och F Ge definitionen av glidande medelvärde som argumentet för ett genererat uttalande. Om du gör det här är du naturligtvis inte begränsad till lika viktiga obetalda centrerade glidmedel, beräknade av egen ma. Exempelvis är lika viktad treårsflyttning medelvärden skulle ges av. och vissa vikter kan enkelt anges. Du kan givetvis ange ett uttryck som logg myvar istället för ett variabelt namn som myvar. En stor fördel med detta tillvägagångssätt är att Stata automatiskt gör det rätta För paneldata leder och fördröjning värden utarbetas inom paneler, precis som logiken dikterar att de borde vara Den mest anmärkningsvärda nackdelen är att kommandoraden kan bli ganska lång om det rörliga genomsnittet involverar Flera villkor. Ett annat exempel är ett ensidigt rörligt medelvärde baserat endast på tidigare värden. Det kan vara användbart för att generera en adaptiv förväntning av vilken variabel som baseras rent på information hittills vad kan någon förutspå för den aktuella perioden baserat på det förflutna Fyra värden, med hjälp av ett fastviktsschema. En 4-tidsfördröjning kan användas speciellt vanligen med kvartalsperiodserier. 2 Använd eget filter från SSC. Använd det användarskrivna egenfunktionsfiltret från egenmore-paketet på SSC I Stata 7 uppdaterat efter 14 November 2001 kan du installera detta paket by. after vilken hjälp egenmore pekar på detaljer om filter De två exemplen ovan skulle göras. I denna jämförelse är genereringsmetoden kanske mer genomskinlig, men vi kommer att se ett exempel på motsatsen i ett ögonblick. Lagsna är en numlist leder är negativa lags i detta fall -1 1 expanderar till -1 0 1 eller led 1, lag 0 , lag 1 Samma ficienter, en annan numlist, multiplicera motsvarande släp eller ledande objekt i det här fallet är dessa poster myvar och Effekten av normaliseringsalternativet är att skala varje koefficient med summan av koefficienterna så att coef 1 1 1 normaliserar är ekvivalent med koefficienterna 1 3 1 3 1 3 och coef 1 2 1 normalisera motsvarar koefficienterna 1 4 1 2 1 4.Du måste ange inte bara lags men även koefficienterna Eftersom egen ma ger lika viktat fall, huvudargument för egen, filter är att stödja det ojämnt viktiga fallet, för vilket du måste ange koefficienter Det kan också sägas att förplikta användarna att specificera koefficienter är ett litet extra tryck på dem för att tänka på vilka koefficienter de vill ha. för lika vikter är vi gissning, enkelhet, men lika vikter har äckliga frekvensdomänegenskaper, för att bara nämna ett övervägande. Det tredje exemplet ovan kan vara vilket som helst är så komplicerat som genereringsmetoden. Det finns fall där egen , filtrerar ger en enklare formulering än att generera Om du vill ha ett nio-termins binomialfilter, vilka klimatologer tycker är användbara, så är det kanske mindre hemskt än, och lättare att få rätt än. Bara som med genereringsmetoden fungerar egen filter korrekt med paneldata Faktum är att det som sagt ovan beror på datasetet som har ställts in tidigare. En grafisk spets. Efter att ha beräknat dina glidande medelvärden kommer du förmodligen att vilja se på ett diagram. Det användarskrivna kommandot tsgraph är smart om dataset för dataset Installera det i en aktuell Stata 7 av ssc inst tsgraph. Vad sägs om att subsätta med if. None av ovanstående exempel använder sig av om begränsningar. Egentligen, ma tillåter inte att anges. Ibland kan människor wa nt att använda om vid beräkning av glidande medelvärden men användningen är lite mer komplicerad än vad som vanligtvis är. Vad skulle du förvänta dig av ett glidande medelvärde beräknat med om Låt oss identifiera två möjligheter. Vilken tolkning jag vill inte se några resultat för de uteslutna observationerna. Stort tolkning Jag vill inte ens att du ska använda värdena för de uteslutna observationerna. Här är ett konkret exempel Antag till följd av vissa om villkoret är observationer 1-42 men inte observationer 43 på Men det glidande genomsnittet för 42 beror bland annat på värdet för observation 43 om medelvärdet sträcker sig bakåt och framåt och är av längd åtminstone 3 och det kommer också att bero på några av observationerna 44 och vidare under vissa omständigheter. Vi antar att de flesta skulle gå för den svaga tolkningen, men om det är korrekt, själv, stödjer inte filtret om du antingen alltid kan ignorera vad du inte vill eller ens ställa in oönskade värden att sakna efteråt b y använder ersättning. Anmärkning om saknade resultat i seriens ändar. Eftersom rörliga medelvärden är funktioner av lags och leads, producerar ma saknas där lags och leads inte existerar, i början och slutet av serien. Ett alternativ nomiss tvingar beräkningen av kortare, ocenterade glidmedel för svansarna. Däremot genererar eller skapar inte heller filter, eller tillåter, något speciellt för att undvika att missa resultat. Om något av de värden som behövs för beräkning saknas, saknar det resultatet är upp till användarna att bestämma om och vilken korrigering som krävs för sådana observationer, förmodligen efter att ha tittat på datasetet och med tanke på vilken underliggande vetenskap som kan bäras.