Moving average bootstrap no Brasil

Em anos recentes, o método bootstrap foi estendido para a análise de séries temporais onde as observações são correlacionadas em série As contribuições focaram no modelo autorregressivo Produzindo procedimentos alternativos de reamostragem Em contraste, além de algumas aplicações empíricas, pouca atenção tem sido dada à possibilidade de estender o uso do método bootstrap para MA de média móvel simples ou modelos ARMA mistos. Neste artigo, apresentamos um novo procedimento bootstrap que Pode ser aplicada para avaliar as propriedades distributivas das estimativas de parâmetros de média móvel obtidas por uma abordagem de mínimos quadrados Discutimos a metodologia e os limites de sua utilização Finalmente, o desempenho da abordagem bootstrap é comparado com o da alternativa concorrente dada pelo Monte Carlo simulação. bootstrap série de tempo Mover média models. Research apoio parcial Ed por CNR e MURST. Burg J 1975, Análise espectral de entropia máxima, Ph D dissert Universidade de Stanford, Dept of Geophysics. Chatterjee S 1986, Bootstrapping ARMA modela algumas simulações, IEEE Transactions on System, Man Cybernetics 16, 294 299 CrossRef Google Scholar. Corduas, M 1990, Approcci alternativi per il ricampionamento nei modelli Autoregressivi, Atti della XXXV Riunione Scientifica SIS Padova, 2, 61 68 Google Scholar. Efron B 1979, Bootstrap métodos outro olhar para jackknife Anais de Estatística 7, 1 26 MATH MathSciNet Google Scholar. Efron B 1982, The jackknife, o bootstrap e outros planos de re-amostragem, SIAMCBMS Monografia 38, Philadelphia. Efron B Tibshirani R 1986, Bootstrap métodos para intervalos de confiança de erro padrão e outras medidas de precisão estatística Ciências Estatísticas 1, 54 77 MathSciNet Google Scholar. Freedman D 1984 Em bootstrapping estimativas de mínimos quadrados de dois estágios em modelos lineares estacionários, Annals of Statistics 12, 827 842 MATH MathSciNet Google Scholar , Hannan EJ Rissanen J 1982, Estimativa recursiva de ordens médias móveis auto-regressivas misturadas, Biometrika 69, 81 94 MATH CrossRef MathSciNet Google Scholar. Hannan EJ Kavalieris L 1984, Um método para estimativa de média móvel autorregressiva Biometrika 72, 273 280 CrossRef MathSciNet Google Scholar. Koreisha S Pukkila T 1990, Uma abordagem generalizada de mínimos quadrados para a estimativa de modelos de média móvel autorregressiva, Journal of Time Series Analysis 2, 139 151 MathSciNet Google Scholar. Knsch HR 1989, The jackknife e bootstrap para observações estacionárias gerais, Annals De estatísticas 17, 1217 1241 MATH MathSciNet Google Scholar. Liu RY Singh K 1988, Movendo blocos jackknife e bootstrap captura fraca dependência, Technical Report Departamento de Estatística, Rutgers University. Tjostheim D Paulsen J 1983, o viés de algumas estimativas de séries de tempo comumente usado, Biometrika 48, 197 199 MathSciNet Google Scholar. White H 1984, Teoria assintótica para econometristas Academic Press, Orlando CA Google Informações de Scholar. Copyright. Societa Italiana di Statistica 1992.Autros e Afiliações. Marcella Corduas.1 Centro de especialização e Ricerche Portici NA Itália.2 Universit di Napoli Federico II Napoli Italia. About este artigo. Bootstrap em média móvel models. We provar que o princípio bootstrap funciona muito Bem em modelos de média móvel, quando os parâmetros satisfazem a condição de invertibilidade, mostrando que a aproximação bootstrap da distribuição das estimativas de parâmetros é exata para a ordem em 1 2 como Alguns estudos de simulação também são relatados. Palavras-chave e frases. Motivação média Modelos autoregressions estacionários Cramer s condição Edgeworth expansões empíricas distribuição função bootstrap. Abramovitch, L e Singh, K 1985 Edgeworth corrigido estatísticas pivot e o bootstrap, Ann Statist, 13 116 132 MATH MathSciNet Google Scholar. Babu, GJ e Singh, K 1984 Em um Termo Edgeworth correção por Efron s bootstrap, Sankhy Ser A, 40 219 232 MathSciNet Google Scholar. Basawa, IV Mallik, A K Estudo Específico da Distribuição de Amostragem o bootstrap e os concorrentes, Ann Statist, 10 212 225 MATH MathSciNet Google Scholar. Bhattacharya, WP e Taylor, RL 1989 Bootstrapping explosivo processos autorregressivos, Ann Statist, 17 1479 1486 MATH MathSciNet Google Scholar. Beran, RN e Ranga Rao, R 1976 Aproximação Normal e Expansões Asymptotic Wiley, New York MATH Google Scholar. Bickel, PJ e Freedman, D 1980 Em Edgeworth expansão para o bootstrap, Preprint, Universidade de Califórnia, Berkeley Google Scholar. Bose, A 1988 b Aproximações de ordem superior para auto-covariâncias a partir de processos lineares com aplicações, Estatística, 19 259 269 MATH MathSciNet Google Scholar. Chatterjee, S 1985 Bootstrapping ARMA modela algumas simulações, Preprint, Faculdade de Administração de Empresas, Northeastern University, Boston Google Scholar. Efron, B 1982 The Jackknife, o bootstrap e outros planos de reamostragem, Série de Conferências Regionais CBMS-NSF na Monografia de Matemática Aplicada, 38 SIAM, P Hacker, em dois modelos de mínimos quadrados estacionários, em expansões assintóticas para somas de vetores aleatórios débilmente dependentes, Z Wahrsch Verw Gebiete, 64 211 239 Matemática MathSciNet CrossRef Google Scholar. Hall, P e Heyde, CC 1980 Martingale Limit Theory e sua aplicação Academic Press, New York MATH Google Scholar. Copyright informações. Kluwer Academic Publishers 1990.Authors and Affiliations.1 Stat - Math Divisão Instituto de Estatística indiana Calcutá Índia.2 Departamento de Estatística Purdue University West Lafayette EUA.3 Instituto de Estatística indiana India. About este artigo. Instruções estatísticas de dados e Statistical Software. Nicholas J Cox , A Universidade de Durham, Reino Unido Christopher Baum, Boston College. egen, ma e suas limitações. O comando mais óbvio para calcular as médias móveis é a função ma de egen Dada uma expressão, ela cria uma média móvel - period dessa expressão Por padrão, É tomada como 3 deve ser ímpar. No entanto, como a entrada manual indica, egen, ma não pode ser combinado com varlist e, por essa razão sozinho, não é aplicável a dados de painel Em qualquer caso, ele está fora do conjunto de Comandos especificamente escritos para séries de tempo ver série de tempo para detalhes. Alternative abordagens. Para calcular médias móveis para dados de painel, há pelo menos duas opções Ambos dependem do conjunto de dados ter sido tsset De antemão Isto é muito vale a pena fazer não só você pode salvar-se repetidamente especificando variável de painel e variável de tempo, mas Stata se comporta inteligentemente dado quaisquer lacunas nos dados.1 Escreva sua própria definição usando generate. Using operadores de séries temporais como L e F Dar a definição da média móvel como o argumento para uma declaração de gerar Se você fizer isso, você está, naturalmente, não limitado às médias ponderadas ponderadas não ponderadas centradas calculadas por egen, ma. Por exemplo, igualmente ponderada de três períodos de movimento As médias seriam dadas por. e alguns pesos podem ser facilmente especificado. Você pode, naturalmente, especificar uma expressão como log myvar em vez de um nome de variável como myvar. Uma grande vantagem desta abordagem é que Stata automaticamente faz a coisa certa Para o painel de dados de liderança e atraso valores são trabalhados dentro painéis, assim como a lógica determina que eles devem ser A desvantagem mais notável é que a linha de comando pode ficar um pouco longo se a média móvel envolve Vários termos. Um outro exemplo é uma média móvel unilateral baseada apenas em valores anteriores Isso poderia ser útil para gerar uma expectativa adaptativa de que uma variável será baseada puramente em informações até à data o que alguém poderia prever para o período atual com base no passado Quatro valores, usando um esquema de ponderação fixa Um atraso de 4 períodos pode ser especialmente comumente usado com timeseries trimestrais.2 Use egen, filtro de SSC. Use o filtro de função egen escrito pelo usuário do pacote egenmore em SSC Em Stata 7 atualizado após 14 Novembro de 2001, você pode instalar este pacote by. after que ajuda egenmore aponta para detalhes sobre filtro Os dois exemplos acima seriam renderizados. Nesta comparação a abordagem de gerar é talvez mais transparente, mas vamos ver um exemplo do oposto em um momento Os retornos são um numlist leva sendo retornos negativos neste caso -1 1 expande para -1 0 1 ou chumbo 1, lag 0 , Lag 1 Os coeficientes, um outro numlist, multiplicar o correspondente atraso ou itens de liderança, neste caso, os itens são myvar e O efeito da opção normalizar é a escala de cada coeficiente pela soma dos coeficientes para que coef 1 1 1 normalizar é Equivalente a coeficientes de 1 3 1 3 1 3 e coef 1 2 1 normalizar é equivalente a coeficientes de 1 4 1 2 1 4. Você deve especificar não só os atrasos, mas também os coeficientes Devido a egen, ma fornecer o caso igualmente ponderado, o A principal razão para egen, filtro é apoiar o caso desigualmente ponderada, para o qual você deve especificar coeficientes Também poderia dizer-se que obrigando os usuários a especificar coeficientes é um pouco de pressão extra sobre eles a pensar sobre quais os coeficientes que eles querem A principal justificação Para os pesos iguais é, nós supomos, a simplicidade, mas os pesos iguais têm propriedades do domínio da freqüência ruim, para mencionar apenas uma consideração. O terceiro exemplo acima poderia ser. either de que é apenas aproximadamente tão complicado quanto a aproximação da gerar Há uns casos em que egen , Filtro dá uma formulação mais simples do que gerar Se você quer um filtro binomial de nove períodos, que os climatologistas acham útil, then. looks talvez menos horrível do que, e mais fácil de obter direito than. Just como com a abordagem de gerar, egen, filtro funciona corretamente Com dados do painel Na verdade, como dito acima, depende do conjunto de dados ter sido tsset previamente. Uma dica gráfica. Depois de calcular suas médias móveis, você provavelmente vai querer olhar para um gráfico O comando escrito pelo usuário tsgraph é inteligente sobre conjuntos de dados tsset Instale-o em um Stata 7 atualizado por ssc inst tsgraph. What sobre subconjunto com if. None dos exemplos acima fazer uso de se as restrições Na verdade egen, ma não permitirá se a ser especificado Ocasionalmente as pessoas wa Nt para usar se ao calcular as médias móveis, mas seu uso é um pouco mais complicado do que é normalmente. O que você esperaria de uma média móvel calculada com if Vamos identificar duas possibilidades. Interpretação de Wreak Eu não quero ver quaisquer resultados para As observações excluídas. Strong interpretação Eu nem quero que você use os valores para as observações excluídas. Aqui está um exemplo concreto Suponha como uma conseqüência de alguma condição if, observações 1-42 estão incluídos, mas não observações 43 sobre Mas a média móvel Para 42 dependerá, entre outras coisas, do valor para a observação 43 se a média se estender para trás e para a frente e for de comprimento pelo menos 3, e dependerá também de algumas das observações 44 em diante em algumas circunstâncias. A maioria das pessoas iria para a interpretação fraca, mas se isso é correto, egen, o filtro não suporta se você pode sempre ignorar o que você não quer ou mesmo definir valores indesejados a falta depois b Y usando replace. Uma nota sobre os resultados faltando nas extremidades da série. Como as médias móveis são funções de retardos e leads, egen, ma produz faltando onde os atrasos e leads não existem, no início e no final da série Uma opção nomiss Força o cálculo de médias móveis mais curtas e não centralizadas para as caudas. Em contraste, nem gerar nem egen, filtro faz, ou permite, nada de especial para evitar resultados faltantes Se algum dos valores necessários para o cálculo está faltando, então esse resultado está faltando Cabe aos usuários decidir se e o que a cirurgia corretiva é necessária para essas observações, presumivelmente depois de olhar para o conjunto de dados e considerar qualquer ciência subjacente que pode ser levado a suportar.