Autoregressive moving average stata

Stata: análise de dados e software estatístico Análise de séries temporais usando Stata Este curso analisa métodos para análise de séries temporais e mostra como realizar a análise usando o Stata. O curso abrange métodos para gerenciamento de dados, estimativa, seleção de modelo, teste de hipóteses e interpretação. Para problemas univariados, o curso abrange os modelos de média móvel auto - ressiva (ARMA), filtros lineares, modelos de memória longa, modelos de componentes não observados e modelos autoregressivos condicionalmente heterossejidos (GARCH) generalizados. Para problemas multivariados, o curso abrange modelos vetoriais autorregressivos (VAR), modelos co-integrantes VAR, modelos de espaço-estado, modelos de fatores dinâmicos e modelos GARCH multivariados. Os exercícios complementarão as palestras e os exemplos do Stata. Oferecemos um desconto de 15 para inscrições grupais de três ou mais participantes. Uma revisão rápida dos elementos básicos da análise de séries temporais Gerenciando e resumindo os dados das séries temporais Modelos univariados Movendo processos médios e autoregressivos Modelos ARMA Modelos ARMA estacionários para dados não estacionários Modelos sazonais multiplicativos Tendências deterministas versus estocásticas Modelos auto-agressivos condicionalmente heterossejidos Média móvel auto-divertida integrada fraccionalmente Modelo Testes para rupturas estruturais Novos modelos de mudança de Markov Nova introdução à previsão em filtros Stata Filtros lineares Uma introdução rápida ao domínio de freqüência O modelo de componentes não observados univariados Modelos multivariados Modelos autorregressivos vetoriais Um modelo para variáveis ​​de cointegração Modelos de espaço-estado Resposta de impulso e análise de decomposição de variância Novos modelos de fatores dinâmicos Multivariada GARCH Uma familiaridade geral com a Stata e um curso de nível de pós-graduação em análise de regressão ou experiência comparável. Econometria Financeira Usando Stata Stata Press eBooks são lidos usando VitalSo Plataforma de regra 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: Online Bookshelf 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. Faça o download do aplicativo móvel Bookshelf da loja Kindle Fire App. 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 espantado 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 Stata Econometria Financeira Usando Stata de Simona Boffelli e Giovanni Urga fornece uma excelente introdução à análise de séries temporais e como fazê-lo em Stata para economistas financeiros. Dirigido a pesquisadores, estudantes de pós-graduação e profissionais da indústria, este livro apresenta leitores a métodos amplamente utilizados, mostra-lhes como realizar esses métodos em Stata e ilustra como interpretar os resultados. Depois de fornecer uma introdução intuitiva à análise de séries temporais e ao modelo de média móvel auto-repentencial (ARMA) omnipresente, os autores cobrem cuidadosamente modelos univariados e multivariados para volatilidades. Capítulos sobre gerenciamento de riscos e análise de contágio mostram como definir, estimar, interpretar e realizar inferências sobre medidas essenciais de risco e contágio. Os autores ilustram todos os tópicos com exemplos Stata facilmente replicáveis ​​e explicam como interpretar os resultados desses exemplos. Os autores possuem uma combinação única de treinamento e experiência acadêmica e industrial. Este treinamento produziu uma abordagem prática e completa para cada um dos tópicos abordados. Índice Exibir tabela de conteúdos gtgt Lista de figuras Notação e tipografia 1 Introdução às séries temporais financeiras 1.1 O objeto de interesse 1.2 Aproximação do conjunto de dados 1.3 Normalidade 1.4 Estacionariedade 1.4.1 Testes de estabilidade 1.6 Heterosqueticidade 1.7 Série de tempo linear 1.8 Seleção do modelo 1.A Como importar dados 2.1 Processos Autoregressivos (AR) 2.2 Processos de média móvel (MA) 2.2.1 MA (1) 2.2.2 MA (q) 2.2.3 Invertibilidade 2.3 Processos de media móvel auto-agressiva (ARMA) 2.3.1 ARMA ( 1,1) 2.3.2 ARMA (p, q) 2.3.3 ARIMA 2.3.4 ARMAX 2.4 Aplicação de modelos ARMA 2.4.1 Estimativa do modelo 2.4.2 Pós-estimativa 2.4.3 Adicionando uma variável dummy 2.4.4 Previsão 3 Volatilidades de modelagem, Modelos ARCH e modelos GARCH 3.1 Introdução 3.2 Modelos ARCH 3.2.1 Opções gerais 3.2.2 Opções adicionais ARIMA A opção het () Opções maximizeoptions 3.3 ARCH (p) 3.4 Modelos GARCH 3.4.1 GARCH (p, q) 3.4.2 GARCH em média 3.4.3 Previsão 3.5 Modelos assimétricos GARCH 3.5.1 SAARCH 3.5.2 TGARCH 3.5.3 GJ RndashGARCH 3.5.4 APARCH 3.5.5 Curva de impacto de notícias 3.5.6 Comparação de previsão 3.6 Modelos alternativos de GARCH 3.6.1 PARCH 3.6.2 NGARCH 3.6.3 NGARCHK 4 Modelos de GARCH multivariados 4.1 Introdução 4.2 GARCH multivariante 4.3 Generalizações diretas do modelo GARCH univariado de Bollerslev 4.3.1 Modelo Vech 4.3.2 Modelo Vech diagonal 4.3.3 Modelo BEKK 4.3.4 Aplicação empírica Descrição dos dados modelo Dvech 4.4 Combinação não linear de características GARCHmdashcommon univariadas 4.4.1 Correlação condicional constante (CCC) GARCH 4.4.2 Correlação condicional dinâmica ( DCC) Correlação condicional dinâmica Modelo de Engle (DCCE) Aplicação empírica Correlação condicional dinâmica Previsão Tse e Tsui (DCCT) 4.5 Observações finais 5 Gerenciamento de risco 5.1 Introdução 5.2 Perda 5.3 Medidas de risco 5.4 VaR 5.4.1 Estimativa VaR 5.4.2 Abordagem paramétrica 5.4. 3 Simulação histórica 5.4.4 Simulação de Monte Carlo 5.4.5 Desempenho esperado 5.5 Procedimentos de teste prévio 5.5.1 Testes VaR do Unilevel A cobertura incondicional Teste O teste de independência O teste de cobertura condicional Os testes de duração 6 Análise de contagios 6.1 Introdução 6.2 Medição de contagios 6.2.1 Coeficientes de correlação entre mercados 6.2.2 Modelos ARCH e GARCH Exercício empírico Comutação de Markov 6.2.3 Relágio de momentos mais elevados11.2: Modelos Autoregressivos vetoriais Os modelos VAR (p) Modelos VAR (modelos vetoriais vetoriais) são usados ​​para séries temporais multivariadas. A estrutura é que cada variável é uma função linear de atrasos passados ​​de si mesma e atrasos passados ​​das outras variáveis. Como exemplo, suponhamos que medimos três variáveis ​​de séries temporais diferentes, denotadas por (x), (x) e (x). O modelo autoregressivo vectorial da ordem 1, denotado como VAR (1), é o seguinte: Cada variável é uma função linear dos valores de lag 1 para todas as variáveis ​​no conjunto. Em um modelo VAR (2), os valores de lag 2 para todas as variáveis ​​são adicionados aos lados direitos das equações. No caso de três variáveis ​​x (ou séries temporais), haveria seis preditores no lado direito de cada equação , Três termos de lag 1 e três termos de lag 2. Em geral, para um modelo VAR (p), os primeiros desfasamentos de cada variável no sistema seriam usados ​​como preditores de regressão para cada variável. Os modelos VAR são um caso específico de modelos VARMA mais gerais. Os modelos VARMA para séries temporais multivariadas incluem a estrutura VAR acima, juntamente com termos médios móveis para cada variável. Mais geralmente ainda, estes são casos especiais de modelos ARMAX que permitem a adição de outros preditores que estão fora do conjunto multivariante de interesse principal. Aqui, como na seção 5.8 do texto, fique bem em modelos VAR. Na página 304, os autores se encaixam no modelo do formulário mathbf t Gamma mathbf t phi mathbf mathbf t onde (mathbf t (1, t)) inclui termos para ajustar simultaneamente a constante e a tendência. Ele surgiu a partir de dados macroeconômicos onde grandes mudanças nos dados afetam permanentemente o nível da série. Não há uma diferença tão sutil aqui nas lições anteriores, pois agora estamos adaptando um modelo aos dados que não precisam ser estacionários. Nas versões anteriores do texto, os autores desconsideraram separadamente cada série usando uma regressão linear com t, o índice de tempo, como a variável preditor. Os valores de tendência para cada uma das três séries são os resíduos dessa regressão linear em t. O desdobramento é útil conceitualmente porque tira a força de direção comum que o tempo pode ter em cada série e criou a estacionaridade como vimos nas lições passadas. Esta abordagem resulta em coeficientes semelhantes, embora ligeiramente diferentes, pois agora estamos combinando simultaneamente a intercepção e a tendência em conjunto em um modelo OLS multivariante. A biblioteca Rars, criada por Bernhard Pfaff, tem a capacidade de adaptar este modelo à tendência. Vamos ver 2 exemplos: um modelo estacionário de diferença e um modelo de tendência estacionária. Diferença-modelo estacionário O exemplo 5.10 do texto é um modelo estacionário de diferença, na medida em que as primeiras diferenças são estacionárias. Examine o código e o exemplo do texto ajustando o modelo acima: install. packages (vars) Se ainda não está instalado install. packages (astsa) Se já não está instalada biblioteca (vars) biblioteca (astsa) x cbind (cmort, tempr, Parte) plot. ts (x. Main, xlab) sumário (VAR (x, p1, typeboth)) Os dois primeiros comandos carregam os comandos necessários da biblioteca vars e os dados necessários da nossa biblioteca de textos. O comando cbind cria um vetor de variáveis ​​de resposta (um passo necessário para respostas multivariadas). O comando VAR faz estimativa de modelos AR usando mínimos quadrados comuns, ao mesmo tempo que ajusta o modelo de tendência, intercepção e ARIMA. O argumento p 1 solicita uma estrutura AR (1) e ambos se encaixam constante e tendência. Com o vetor de respostas, é realmente um VAR (1). A seguir, é a saída do comando VAR para a variável tempr (o texto fornece a saída para cmort): os coeficientes para uma variável estão listados na coluna Estimar. O .11 anexado a cada nome da variável indica que são variáveis ​​de lag 1. Usando a notação T temperatura, ttime (coletada semanalmente), taxa de mortalidade M e p poluição, a equação para a temperatura é t 67,586 - 0,007 t - 0,244 M 0,487 T - 0,128 P A equação para a taxa de mortalidade é t 73.227 0,014 t 0,465 M - 0,361 T 0,099 P A equação para a poluição é t 67,464 - 0,005 t - 0,125 M - 0,477 T 0,581 P. A matriz de covariância dos resíduos do VAR (1) para as três variáveis ​​é impressa abaixo dos resultados da estimativa. As variâncias estão abaixo da diagonal e podem ser usadas para comparar este modelo com VARs de ordem superior. O determinante dessa matriz é usado no cálculo da estatística BIC que pode ser usado para comparar o ajuste do modelo com o ajuste de outros modelos (ver fórmulas 5.89 e 5.90 do texto). Para mais referências nesta técnica, veja Análise de séries temporais integradas e co-integradas com R por Pfaff e também Campbell e Perron 1991. No Exemplo 5.11 na página 307, os autores dão resultados para um modelo VAR (2) para os dados da taxa de mortalidade . Em R, você pode ajustar o modelo VAR (2) com o resumo do comando (VAR (x, p2, typeboth)). A saída, conforme mostrado pelo comando VAR, é a seguinte: Novamente, os coeficientes para uma variável particular estão listados em A coluna Estimado. Por exemplo, a equação estimada para a temperatura é t 49,88 - 0,005 t - 0,109 M 0,261 T 0,051 P - 0,041 M 0,356 T 0,095 P Vamos discutir estatísticas de critério de informação para comparar modelos VAR de diferentes ordens no trabalho de casa. Residuais também estão disponíveis para análise. Por exemplo, se atribuímos o comando VAR a um objeto intitulado fitvar2 em nosso programa, fitvar2 VAR (x, p2, typeboth), então temos acesso aos resíduos da matriz (fitvar2). Esta matriz terá três colunas, uma coluna de resíduos para cada variável. Por exemplo, podemos usar para ver o ACF dos resíduos para a taxa de mortalidade após o ajuste do modelo VAR (2). A seguir é o ACF que resultou do comando que acabamos de descrever. Parece bom para um ACF residual. (A grande espiga no início é a correlação de lag 0 sem importância). Os dois comandos a seguir criará ACFs para os resíduos para as outras duas variáveis. Eles também se assemelham ao ruído branco. Podemos também examinar essas parcelas na matriz de correlação cruzada fornecida por acf (residual (fitvar2)): as tramas ao longo da diagonal são as ACFs individuais para cada modelo de resíduos que acabamos de discutir acima. Além disso, agora vemos os gráficos de correlação cruzada de cada conjunto de resíduos. Idealmente, estes também se assemelham ao ruído branco, no entanto, veremos as correlações cruzadas remanescentes, especialmente entre a temperatura e a poluição. Como nossos autores observam, este modelo não capta adequadamente a associação completa entre essas variáveis ​​no tempo. Modelo Trend-Stationary Permite explorar um exemplo onde os dados originais estão estacionários e examine o código VAR ajustando o modelo acima com uma constante e uma tendência. Usando R, nós simulamos n 500 exemplos de valores usando o modelo VAR (2) Usando o comando VAR explicado acima: y1scan (var2daty1.dat) y2scan (var2daty2.dat) resumo (VAR (cbind (y1, y2), p2, typeboth) ) Obtemos o seguinte resultado: as estimativas são muito próximas dos coeficientes simulados e a tendência não é significativa, conforme esperado. Para dados estacionários, quando despender é desnecessário, você também pode usar o comando ar. ols para se ajustar a um modelo VAR: fitvar2 ar. ols (cbind (y1, y2), order2) Na primeira matriz dada, lê em uma linha para obter Os coeficientes para uma variável. As comas precedentes, seguidas de 1 ou 2, indicam se os coeficientes são variáveis ​​de lag 1 ou lag 2, respectivamente. As interceptações das equações são dadas sob x. intercept uma interceptação por variável. A matriz em var. pred dá a matriz variância-covariância dos resíduos do VAR (2) para as duas variáveis. As variâncias estão abaixo da diagonal e podem ser usadas para comparar este modelo com VARs de ordem superior como observado acima. Os erros padrão dos coeficientes AR são dados pelo comando fitvar2asy. se. coef. A saída é As com os coeficientes, ler através de linhas. A primeira linha dá os erros padrão dos coeficientes para as variáveis ​​de lag 1 que predizem y1. A segunda linha dá os erros padrão para os coeficientes que predizem y2. Você pode notar que os coeficientes estão próximos do comando VAR exceto a interceptação. Isso ocorre porque ar. ols estima o modelo para x-mean (x). Para combinar a interceptação fornecida pelo comando resumo (VAR (cbind (y1, y2), p2, typeconst)), você deve calcular a intercepção da seguinte maneira: Em nosso exemplo, a intercepção para o modelo simulado para yt, 1 é igual a -0.043637 -2.733607 (1-0.29300.4523) 15.45479 (-0.1913-0.6365) 9.580768, e a equação estimada para yt, 1 Estimativa com Minitab Para usuários de Minitab, o fluxo geral do que fazer. Leia os dados em colunas. Use a série de tempo gt Lag para criar as colunas atrasadas necessárias dos valores estacionários. Use Stat gt ANOVA gt Geral MANOVA. Digite a lista de variáveis ​​de tempo presente como variáveis ​​de resposta. Insira as variáveis ​​x atrasadas como covariáveis ​​(e como o modelo). Clique em Resultados e selecione Análise Univariada (para ver os coeficientes de regressão estimados para cada equação). Se desejar, clique em Armazenamento e selecione Residuals andor Fits. Navegação