() Et ses limitations Statarsquos la commande la plus évidente pour calculer des moyennes mobiles est la fonction de ma () d'egen. Étant donné une expression, il crée une moyenne mobile de cette expression. Par défaut, la valeur 3. doit être impaire. Cependant, comme l 'entrée manuelle indique, egen, ma () ne peut pas être combiné avec varlist:. Et, pour cette seule raison, elle ne s'applique pas aux données des groupes spéciaux. En tout cas, il se trouve en dehors de l'ensemble des commandes spécifiquement écrites pour les séries chronologiques, voir les séries temporelles pour plus de détails. Autres approches Pour calculer les moyennes mobiles pour les données de panel, il y a au moins deux choix. Les deux dépendent de l'ensemble de données ayant été tsset à l'avance. Cela vaut vraiment la peine de le faire: non seulement vous pouvez vous épargner à plusieurs reprises en spécifiant variable de panneau et variable de temps, mais Stata se comporte intelligemment compte tenu des lacunes dans les données. 1. Écrivez votre propre définition à l'aide de la génération en utilisant des opérateurs de série chronologique tels que L. et F.. Donner la définition de la moyenne mobile comme argument à une déclaration generate. Si vous faites cela, vous n'êtes naturellement pas limité aux moyennes mobiles pondérées (non pondérées) également pondérées calculées par egen, ma (). Par exemple, des moyennes mobiles à pondération égale à trois périodes seraient données par et certains poids peuvent être facilement spécifiés: Vous pouvez bien sûr spécifier une expression telle que log (myvar) au lieu d'un nom de variable tel que myvar. Un avantage majeur de cette approche est que Stata fait automatiquement la bonne chose pour les données de panel: les valeurs de départ et de retard sont élaborées au sein des panneaux, tout comme la logique dicte qu'ils devraient l'être. L'inconvénient le plus notable est que la ligne de commande peut être assez longue si la moyenne mobile implique plusieurs termes. Un autre exemple est une moyenne mobile unilatérale fondée uniquement sur les valeurs précédentes. Cela pourrait être utile pour générer une anticipation adaptative de ce qu'une variable sera fondée uniquement sur l'information à ce jour: que pourrait-on prévoir pour la période en cours sur la base des quatre dernières valeurs, en utilisant un système de pondération fixe (un délai de 4 périodes pourrait être Surtout utilisé avec les séries trimestrielles). 2. Utilisez egen, filter () de SSC Utilisez le filtre de fonction egen écrit () de l'ensemble egenmore sur SSC. Dans Stata 7 (mis à jour après le 14 novembre 2001), vous pouvez installer ce paquet après par lequel l'aide egenmore indique des détails sur filter (). Les deux exemples ci-dessus seraient rendus (dans cette comparaison, l'approche de génération est peut-être plus transparente, mais nous verrons un exemple du contraire dans un instant). Les retards sont un numlist. Les conducteurs sont des retards négatifs: dans ce cas, -11 se dilate à -1 0 1 ou conduit 1, retard 0, décalage 1. Les coefficients, un autre nombre, multiplient les éléments retardés ou principaux correspondants: dans ce cas, ces éléments sont F1.myvar . Myvar et L1.myvar. L'effet de l'option de normalisation consiste à mettre à l'échelle chaque coefficient par la somme des coefficients de telle sorte que coef (1 1 1) normalise soit équivalente à des coefficients de 13 13 13 et coef (1 2 1) normale est équivalente à des coefficients de 14 12 14 Vous devez spécifier non seulement les décalages, mais aussi les coefficients. Parce que egen, ma () fournit le cas également pondéré, la raison principale pour egen, filter () est de soutenir le cas pondéré inégalement, pour lequel vous devez spécifier des coefficients. On pourrait également dire que l'obligation faite aux utilisateurs de spécifier des coefficients est un peu plus de pression sur eux pour penser à quels coefficients ils veulent. La principale justification pour des poids égaux est, nous devinons, la simplicité, mais des poids égaux ont de mauvaises propriétés de domaine fréquentiel, pour ne citer qu'une seule considération. Le troisième exemple ci-dessus pourrait être l'un ou l'autre est à peu près aussi compliqué que l'approche générer. Il ya des cas où egen, filter () donne une formulation plus simple que generate. Si vous voulez un filtre binomial à neuf termes, que les climatologues trouvent utile, il semble peut-être moins horrible et plus facile à obtenir que, tout comme avec l'approche generate, egen, filter () fonctionne correctement avec les données du panneau. En fait, comme indiqué ci-dessus, cela dépend du jeu de données ayant été tsset à l'avance. Une astuce graphique Après avoir calculé vos moyennes mobiles, vous voudrez probablement regarder un graphique. La commande tsgraph utilisateur-écrit est intelligente au sujet des ensembles de données de tsset. Installez-le dans un Stata 7 à jour par ssc inst tsgraph. Qu'en est-il sous-ensemble avec si aucun des exemples ci-dessus ne font usage de restrictions si. En fait, egen, ma () ne permettra pas si elle doit être spécifiée. Occasionnellement, les gens veulent utiliser si lors du calcul des moyennes mobiles, mais son utilisation est un peu plus compliquée qu'il est habituellement. Qu'attendriez-vous d'une moyenne mobile calculée avec if. Identifions deux possibilités: Faible interprétation: Je ne veux pas voir de résultats pour les observations exclues. Interprétation forte: Je ne veux même pas que vous utilisiez les valeurs pour les observations exclues. Voici un exemple concret. Supposons que, comme conséquence de certaines conditions if, les observations 1-42 sont incluses, mais pas les observations 43 sur. Mais la moyenne mobile de 42 dépendra, entre autres choses, de la valeur d'observation 43 si la moyenne s'étend vers l'arrière et vers l'avant et est de longueur au moins 3, et elle dépendra également de certaines des observations 44 dans certaines circonstances. Notre conjecture est que la plupart des gens iraient pour l'interprétation faible, mais si cela est correct, egen, filter () ne supporte pas si soit. Vous pouvez toujours ignorer ce que vous donrsquot voulez ou même définir des valeurs indésirables à manquer par la suite en utilisant remplacer. Une note sur les résultats manquants aux extrémités de la série Puisque les moyennes mobiles sont des fonctions de lags et de leads, egen, ma () produit manquant où les lags et les leads n'existent pas, au début et à la fin de la série. Une option nomiss oblige à calculer des moyennes mobiles plus courtes et non centralisées pour les queues. En revanche, ni générer ni egen, filter () ne, ou permet, quelque chose de spécial pour éviter les résultats manquants. Si l'une des valeurs requises pour le calcul est manquante, ce résultat est manquant. Il appartient aux utilisateurs de décider si et quelle chirurgie corrective est nécessaire pour ces observations, vraisemblablement après avoir examiné l'ensemble de données et en considérant toute science sous-jacente qui peut être mise en place.2.1 Modèles de moyenne mobile (modèles MA) Modèles de série chronologique appelés ARIMA Les modèles peuvent inclure des termes autorégressifs ou des termes de moyenne mobile. Dans la semaine 1, nous avons appris un terme autorégressif dans un modèle de série chronologique pour la variable x t est une valeur décalée de x t. Par exemple, un terme autorégressif de retard 1 est x t-1 (multiplié par un coefficient). Cette leçon définit les termes moyens mobiles. Un terme moyen mobile dans un modèle de séries chronologiques est une erreur passée (multipliée par un coefficient). Soit (wt overet N (0, sigma2w)), ce qui signifie que les w t sont identiquement, indépendamment distribués, chacun avec une distribution normale ayant une moyenne 0 et la même variance. Le modèle de moyenne mobile du 1er ordre, noté MA (1) est (xt mu wt theta1w) Le modèle de moyenne mobile du 2 e ordre, noté MA (2) est (xt mu wt theta1w theta2w) , Désignée par MA (q) est (xt mu wt theta1w theta2w points thetaqw) Note. De nombreux manuels et programmes logiciels définissent le modèle avec des signes négatifs avant les termes. Cela ne change pas les propriétés théoriques générales du modèle, bien qu'il renverse les signes algébriques des valeurs de coefficients estimés et des termes (non carrés) dans les formules pour les ACF et les variances. Vous devez vérifier votre logiciel pour vérifier si des signes négatifs ou positifs ont été utilisés pour écrire correctement le modèle estimé. R utilise des signes positifs dans son modèle sous-jacent, comme nous le faisons ici. Propriétés théoriques d'une série temporelle avec un modèle MA (1) Notez que la seule valeur non nulle dans l'ACF théorique est pour le lag 1. Toutes les autres autocorrélations sont 0. Ainsi, un échantillon ACF avec une autocorrélation significative seulement au décalage 1 est un indicateur d'un modèle MA (1) possible. Pour les étudiants intéressés, les preuves de ces propriétés sont une annexe à ce document. Exemple 1 Supposons qu'un modèle MA (1) soit x t 10 w t .7 w t-1. Où (wt dépasse N (0,1)). Ainsi, le coefficient 1 0,7. L'ACF théorique est donné par un tracé de cette ACF. Le graphique qui vient d'être montré est l'ACF théorique pour un MA (1) avec 1 0,7. En pratique, un échantillon ne fournira habituellement qu'un tel motif clair. En utilisant R, nous avons simulé n 100 échantillons en utilisant le modèle x t 10 w t .7 w t-1 où w t iid N (0,1). Pour cette simulation, un schéma chronologique des données de l'échantillon suit. Nous ne pouvons pas dire beaucoup de cette intrigue. L'échantillon ACF pour les données simulées suit. Nous observons un pic au décalage 1 suivi par des valeurs généralement non significatives pour les décalages au-delà de 1. Notez que l'échantillon ACF ne correspond pas au modèle théorique du MA (1) sous-jacent, c'est-à-dire que toutes les autocorrélations Un échantillon différent aurait un ACF d'échantillon légèrement différent indiqué ci-dessous, mais aurait probablement les mêmes caractéristiques générales. Propriétés théoriques d'une série temporelle avec un modèle MA (2) Pour le modèle MA (2), les propriétés théoriques sont les suivantes: Noter que les seules valeurs non nulles dans l'ACF théorique sont pour les lags 1 et 2. Les autocorrélations pour les décalages supérieurs sont 0 . Ainsi, un échantillon ACF avec des autocorrélations significatives aux décalages 1 et 2, mais des autocorrélations non significatives pour des décalages plus élevés indique un modèle MA (2) possible. Iid N (0,1). Les coefficients sont 1 0,5 et 2 0,3. Parce qu'il s'agit d'une MA (2), l'ACF théorique aura des valeurs non nulles uniquement aux lags 1 et 2. Les valeurs des deux autocorrélations non nulles sont: Un tracé de la théorie ACF suit. Comme presque toujours le cas, les données d'échantillon ne se comporteront pas aussi parfaitement que la théorie. Nous avons simulé n 150 échantillons pour le modèle x t 10 w t .5 w t-1 .3 w t-2. Où w t iid N (0,1). Le tracé de la série chronologique des données suit. Comme avec le graphique de la série temporelle pour les données d'échantillon MA (1), vous ne pouvez pas en dire beaucoup. L'échantillon ACF pour les données simulées suit. Le modèle est typique pour les situations où un modèle MA (2) peut être utile. Il y a deux pointes statistiquement significatives aux écarts 1 et 2, suivies des valeurs non significatives pour les autres retards. Notez qu'en raison de l'erreur d'échantillonnage, l'ACF de l'échantillon ne correspondait pas exactement au modèle théorique. ACF pour les modèles MA (q) Une propriété des modèles MA (q) en général est qu'il existe des autocorrélations non nulles pour les q premiers lags et autocorrélations 0 pour tous les retards gt q. Non-unicité de la connexion entre les valeurs de 1 et (rho1) dans MA (1) Modèle. Dans le modèle MA (1), pour toute valeur de 1. La valeur réciproque 1 1 donne la même valeur pour. Par exemple, utilisez 0,5 pour 1. Puis utilisez 1 (0,5) 2 pour 1. Vous obtiendrez (rho1) 0,4 dans les deux cas. Pour satisfaire une restriction théorique appelée invertibilité. Nous limitons les modèles MA (1) à des valeurs dont la valeur absolue est inférieure à 1. Dans l'exemple donné, 1 0,5 sera une valeur de paramètre admissible, alors que 1 10,5 2 ne le sera pas. Invertibilité des modèles MA Un modèle MA est dit inversible s'il est algébriquement équivalent à un modèle d'ordre infini convergent. En convergeant, nous voulons dire que les coefficients AR décroissent à 0 lorsque nous retournons dans le temps. Invertibilité est une restriction programmée dans le logiciel de séries temporelles utilisé pour estimer les coefficients de modèles avec des termes MA. Ce n'est pas quelque chose que nous vérifions dans l'analyse des données. Des informations supplémentaires sur la restriction d'inversibilité pour les modèles MA (1) sont données en annexe. Théorie avancée. Pour un modèle MA (q) avec un ACF spécifié, il n'existe qu'un seul modèle inversible. La condition nécessaire à l'inversibilité est que les coefficients ont des valeurs telles que l'équation 1- 1 y-. - q y q 0 a des solutions pour y qui tombent en dehors du cercle unitaire. Code R pour les exemples Dans l'exemple 1, nous avons représenté l'ACF théorique du modèle x t 10 w t. 7w t-1. Puis a simulé n 150 valeurs à partir de ce modèle et a représenté graphiquement la série chronologique de l'échantillon et l'échantillon ACF pour les données simulées. Les r commandes utilisées pour tracer l'ACF théorique sont: acfma1ARMAacf (mac (0.7), lag. max10) 10 lags de ACF pour MA (1) avec theta1 0.7 lags0: 10 crée une variable nommée lags qui va de 0 à 10. plot Abline (h0) ajoute un axe horizontal à la trame La première commande détermine l'ACF et la stocke dans un objet (a0) Nommé acfma1 (notre choix de nom). La commande plot (la 3ème commande) trace des retards par rapport aux valeurs ACF pour les lags 1 à 10. Le paramètre ylab étiquette l'axe y et le paramètre principal place un titre sur la trame. Pour voir les valeurs numériques de l'ACF, utilisez simplement la commande acfma1. La simulation et les parcelles ont été effectuées avec les commandes suivantes. (X, typeb, mainSimulated MA (1) data) xcarima. sim (n150, list (mac (0.7))) Simule n 150 valeurs de MA (1) xxc10 ajoute 10 pour faire la moyenne 10. La simulation (X, xlimc (1,10), mainACF pour des données d'échantillon simulées) Dans l'exemple 2, nous avons représenté graphiquement l'ACF théorique du modèle xt 10 wt.5 w t-1 .3 w t-2. Puis a simulé n 150 valeurs à partir de ce modèle et a représenté graphiquement la série chronologique de l'échantillon et l'échantillon ACF pour les données simulées. Les ordres R utilisés étaient: ACFma2ARMAacf (mac (0,5,0,3), lag. max10) acfma2 lags0: 10 tracé (lags, acfma2, xlimc (1,10), ylabr, typeh, ACF principal pour MA (2) avec theta1 0,5, (X, typeb, principale série MA (2) simulée) acf (x, xlimc (1,10), x2) (1) Pour les étudiants intéressés, voici des preuves des propriétés théoriques du modèle MA (1). Lorsque x 1, l'expression précédente 1 w 2. Pour tout h 2, l'expression précédente 0 (x), x, x, x, x, x, La raison en est que, par définition de l'indépendance du wt. E (w k w j) 0 pour tout k j. En outre, parce que w t ont une moyenne 0, E (w j w j) E (w j 2) w 2. Pour une série chronologique, appliquer ce résultat pour obtenir l'ACF ci-dessus. Un modèle inversible MA est celui qui peut être écrit comme un modèle AR d'ordre infini qui converge de sorte que les coefficients AR convergent vers 0 alors que nous avançons infiniment dans le temps. Bien démontrer l'inversibilité pour le modèle MA (1). On substitue alors la relation (2) pour w t-1 dans l'équation (1) (3) (zt wt theta1 (z - theta1w) wt theta1z - theta2w) Au temps t-2. L'équation (2) devient Nous substituons alors la relation (4) pour w t-2 dans l'équation (3) (zt wt theta1 z - theta21w wt theta1z - theta21 (z - theta1w) wt theta1z - theta12z theta31w) Si nous devions continuer On notera cependant que si 1 1, les coefficients multipliant les décalages de z augmentent (infiniment) en taille à mesure que l'on se déplace vers l'arrière temps. Pour éviter cela, nous avons besoin de 1 lt1. C'est la condition pour un modèle inversible MA (1). Infinite Order MA model Dans la semaine 3, voyez bien qu'un modèle AR (1) peut être converti en un modèle d'ordre infini MA: (xt - mu wt phi1w phi21w points phik1 w dots sum phij1w) Cette sommation des termes de bruit blanc passé est connue Comme la représentation causale d'un AR (1). En d'autres termes, x t est un type spécial de MA avec un nombre infini de termes revenant dans le temps. C'est ce qu'on appelle un ordre infini MA ou MA (). Un ordre fini MA est un ordre infini AR et tout ordre fini AR est un ordre infini MA. Rappelons à la semaine 1, nous avons noté qu'une exigence pour un AR stationnaire (1) est que 1 lt1. Calculons le Var (x t) en utilisant la représentation causale. Cette dernière étape utilise un fait de base sur les séries géométriques qui nécessite (phi1lt1) sinon la série diverge. NavigationIntroduction à la série chronologique Utilisation de Stata Stata Les eBooks de presse sont lus à l'aide de la plate-forme Reg de VitalSource Bookshelf. Bookshelf est gratuit et vous permet d'accéder à votre eBook Stata Press à partir de votre ordinateur, smartphone, tablette ou eReader. Comment accéder à votre eBook 2) Une fois connecté, cliquez sur échanger dans le coin supérieur droit. Entrez votre code eBook. Votre code eBook sera dans votre e-mail de confirmation de commande sous le titre eBooks. 3) Le livre électronique sera ajouté à votre bibliothèque. Vous pouvez ensuite télécharger Bookshelf sur d'autres périphériques et synchroniser votre bibliothèque pour afficher l'eBook. Bookshelf est disponible sur les éléments suivants: Bookshelf en ligne est disponible en ligne à partir de n'importe quel ordinateur connecté à Internet en accédant à online. vitalsourceusernew. PC Bookshelf est disponible pour Windows 788.110 (32 et 64 bits). Téléchargez le logiciel Bookshelf sur votre bureau afin que vous puissiez consulter vos eBooks avec ou sans accès Internet. IOS Bookshelf est disponible pour iPad, iPhone et iPod touch. Téléchargez l'application mobile Bookshelf à partir de la boutique iTunes. Android Bookshelf est disponible pour les téléphones et tablettes Android fonctionnant sous 4.0 (Ice Cream Sandwich) et plus tard. Téléchargez l'application mobile Bookshelf à partir du Google Play Store. Kindle Fire Bookshelf est disponible pour Kindle Fire 2, HD et HDX. Téléchargez l'application mobile Bookshelf depuis le Kindle Fire App Store. Mac Bookshelf est disponible pour Mac OS X 10.8 ou version ultérieure. Téléchargez le logiciel Bookshelf sur votre bureau afin que vous puissiez consulter vos eBooks avec ou sans accès Internet. Bookshelf vous permet d'avoir 2 ordinateurs et 2 appareils mobiles activés à un moment donné. J'ai été étonné de la façon VitalSource de présenter les livres. Tout semble parfaitement composé, mais pourtant vous pouvez feuilleter le livre de la même façon que vous ferait traverser une très longue page Web dans votre navigateur Web. Et le meilleur de tous, chaque fois que j'ai ma tablette avec moi, mes livres sont juste un coup de main loin. Mdash Michael Mitchell Statisticien principal au USC Childrens Data Network. Auteur de quatre livres de Stata Press et ancien consultant statistique de l'UCLA qui a conçu et conçu le site Web UCLA Statistical Consulting Resources. Politique de retour pour les eBooks Les eBooks de Stata Press sont non remboursables et non remboursables. Commentaire du groupe technique Stata Introduction à la série chronologique Utilisation de Stata. Par Sean Becketti, fournit un guide pratique pour travailler avec des données de séries chronologiques à l'aide de Stata et fera appel à un large éventail d'utilisateurs. Les nombreux exemples, explications concises qui mettent l'accent sur l'intuition et des conseils utiles basés sur les décennies d'expérience de l'auteur en utilisant des méthodes chronologiques font le livre perspicace non seulement pour les utilisateurs universitaires mais aussi pour les praticiens dans l'industrie et le gouvernement. Le livre est approprié à la fois pour les nouveaux utilisateurs Stata et pour les utilisateurs expérimentés qui sont nouveaux à l'analyse des séries chronologiques. Le chapitre 1 fournit une introduction légère mais rapide à Stata, mettant en évidence toutes les fonctionnalités que l'utilisateur doit connaître pour commencer à utiliser Stata pour l'analyse des séries chronologiques. Le chapitre 2 est une mise à jour rapide de la régression et des tests d'hypothèses et définit des concepts clés tels que le bruit blanc, l'autocorrélation et les opérateurs de retard. Le chapitre 3 commence la discussion des séries chronologiques, en utilisant des techniques de moyenne mobile et HoltndashWinters pour lisser et prévoir les données. Becketti introduit également les concepts de tendances, de cyclicité et de saisonnalité et montre comment ils peuvent être extraits d'une série. Le chapitre 4 se concentre sur l'utilisation de ces méthodes pour la prévision et illustre comment les hypothèses concernant les tendances et les cycles sous-tendant les différentes techniques de moyenne mobile et HoltndashWinters affectent les prévisions produites. Bien que ces techniques soient parfois négligées dans d'autres livres de séries chronologiques, elles sont faciles à mettre en œuvre, peuvent être appliquées à de nombreuses séries rapidement, produisent souvent des prévisions tout aussi bonnes que des techniques plus compliquées, et Becketti souligne, ont l'avantage distinct d'être facilement Expliqué aux collègues et aux décideurs politiques qui ne possèdent pas de données statistiques. Les chapitres 5 à 8 englobent des modèles de séries chronologiques à une seule équation. Le chapitre 5 se concentre sur l'analyse de régression en présence de perturbations autocorrélées et détaille diverses approches qui peuvent être utilisées lorsque tous les régresseurs sont strictement exogènes, mais que les erreurs sont autocorrélées lorsque l'ensemble des régresseurs inclut une variable dépendante retardée et des erreurs indépendantes. Ensemble de régresseurs comprend une variable dépendante retardée et des erreurs autocorrélées. Le chapitre 6 décrit le modèle ARIMA et la méthode BoxndashJenkins, et le chapitre 7 applique ces techniques pour développer un modèle basé sur ARIMA du PIB des États-Unis. Le chapitre 7 en particulier fera appel aux praticiens parce qu'il va étape par étape à travers un exemple du monde réel: voici ma série, maintenant comment puis-je m'y adapter un modèle ARIMA Chapitre 8 est un résumé autonome de la modélisation ARCHGARCH. Dans la dernière partie du livre, Becketti discute des modèles à équations multiples, en particulier les VAR et les VEC. Le chapitre 9 se concentre sur les modèles VAR et illustre tous les concepts clés, y compris la spécification du modèle, la causalité de Granger, les analyses d'impulsion-réponse et la prévision, en utilisant un modèle simple des modèles économiques VAR de l'économie américaine. Le chapitre 10 présente une analyse des séries temporelles non stationnaire. Après avoir décrit les tests de non-stationnarité et de racine unitaire, Becketti navigue magistralement dans le lecteur à travers la tâche souvent confuse de spécifier un modèle de VEC, en utilisant un exemple basé sur les salaires de construction à Washington, DC et les états environnants. Le chapitre 11 conclut. Sean Becketti est un vétéran de l'industrie financière avec trois décennies d'expérience dans les universitaires, le gouvernement et l'industrie privée. Il était un développeur de Stata à ses débuts, et il a été rédacteur en chef du Stata Technical Bulletin. Le précurseur du Stata Journal. Entre 1993 et 1996. Il a été un utilisateur Stata régulier depuis sa création, et il a écrit beaucoup de commandes de la première série chronologique dans Stata. Introduction aux séries temporelles Utilisation de Stata. Par Sean Becketti, est un guide de première qualité, basé sur des exemples, pour l'analyse et la prévision des séries chronologiques à l'aide de Stata. Il peut servir à la fois de référence pour les praticiens et d'un manuel supplémentaire pour les étudiants des cours de statistique appliquée. Table des matières Voir table des matières gtgt Liste des figures 1 Juste assez Stata 1.1 Mise en route 1.1.1 Action en premier, explication plus tard 1.1.2 Maintenant quelques explications 1.1.3 Navigation dans l'interface 1.1.4 La gestalt de Stata 1.1.5 Les parties De Stata speech 1.2 Tout savoir sur les données 1.3 Regarder les données 1.4 Statistiques 1.4.1 Notions de base 1.4.2 Estimation 1.5 Cotes et limites 1.6 Faire une date 1.6.1 Comment bien paraître 1.6.2 Transformateurs 1.7 Dater les dates et les variables de la date 1.8 Perspectives 2 Statistiques assez justes 2.1 Variables aléatoires et leurs moments 2.2 Tests d'hypothèses 2.3 Régression linéaire 2.3.1 Ordre des moindres carrés 2.3.2 Variables instrumentales 2.3.3 FGLS 2.4 Modèles à équations multiples 2.5 Série chronologique 2.5.1 Bruit blanc, autocorrélation et stationnarité 2.5. 2 modèles ARMA 3 Filtrage des séries chronologiques 3.1 Préparation à l'analyse d'une série temporelle 3.1.1 Questions pour tous types de données Comment sont définies les variables Quelle est la relation entre les données et le phénomène d'intérêt Qui a compilé les données Quels processus ont généré Données 3.1.2 Questions spécifiquement pour les séries chronologiques Quelle est la fréquence de mesure Les données sont-elles corrigées des variations saisonnières Les données sont-elles révisées 3.2 Les quatre composantes d'une série chronologique Tendance Cycle Saisonnière 3.3 Quelques filtres simples 3.3.1 Lissage d'une tendance 3.3.2 Lissage d'un cycle 3.3.3 Lissage d'un modèle saisonnier 3.3.4 Lissage des données réelles 3.4 Filtres supplémentaires 3.4.1 ma: Moyennes mobiles pondérées 3.4.2 EWMA exponentielles: EWMAs dexponentielles: Moyennes mobiles à double exponentielle 3.4.3 HoltndashWinters lisses hwinters: HoltndashWinters lisses Sans composante saisonnière: HoltndashWinters smoothers incluant une composante saisonnière 3.5 Points à retenir 4 Une première passe à la prévision 4.1 Principes fondamentaux de la prévision 4.1.1 Types de prévisions 4.1.2 Mesure de la qualité d'une prévision 4.1.3 Éléments d'une prévision 4.2 Filtres qui Prévisions 4.2.1 Prévisions basées sur les EWMA 4.2.2 Prévision d'une série de tendances avec une composante saisonnière 4.3 Points à retenir 4.4 Perspectives 5 Perturbations autocorrélées 5.1.1 Exemple: taux hypothécaires 5.2 Modèles de régression avec perturbations autocorrélées 5.2.1 Autocorrélation de premier ordre 5.2 .2 Exemple: Taux hypothécaires (suite) 5.3 Essais pour l'autocorrélation 5.3.1 Autres essais 5.4 Estimation avec des données autocorrélées de premier ordre 5.4.1 Modèle 1: Régresseurs strictement exogènes et perturbations autocorrélées La stratégie OLS La stratégie de transformation La stratégie FGLS Comparaison de Estimations du modèle 5.4.2 Modèle 2: Variable dépendante retardée et iid Erreurs 5.4.3 Modèle 3: Une variable dépendante retardée avec des erreurs AR (1) La stratégie de transformation La stratégie IV 5.5 Estimation de l'équation du taux hypothécaire 5.6 Points à retenir 6 Modèles univariés de séries chronologiques 6.1 Le processus linéaire général 6.2 Polynômes de Lag: Prestidigitation 6.3 Le modèle ARMA 6.4 La stationnarité et l'invertibilité 6.5 Que peuvent faire les modèles ARMA 6.6 Points à retenir 6.7 Perspectives 7 Modélisation d'une série chronologique 7.1 Préparation à la modélisation d'une série chronologique 7.2 L'approche BoxndashJenkins 7.3 Spécification d'un modèle ARMA 7.3.1 Etape 1: Induire la stationnarité (ARMA devient ARIMA) 7.3.2 Etape 2: Prendre soin de vos prsquos et qrsquos 7.4 Estimation 7.5 Recherche d'anomalies: Vérification du diagnostic des modèles 7.5.1 Suralimentation 7.5.2 Tests des résidus 7.6 Prévision avec modèles ARIMA 7.7 Comparaison des prévisions 7.8 Points à retenir 7.9 Qu'avons-nous appris jusqu'à présent 7.10 Perspectives 8 Volatilité variable dans le temps 8.1 Exemples de volatilité variable dans le temps 8.2 ARCH: Un modèle de volatilité variable dans le temps 8.3 Extensions du modèle ARCH 8.3.1 GARCH: Limiter l'ordre Du modèle 8.3.2 Autres extensions Réponses asymétriques à ldquonewsrdquo Les variations de la volatilité affectent la moyenne de la série observable Erreurs non normales Cotes et extrémités 8.4 Points à retenir 9 Modèles de séries chronologiques multiples 9.1 Autorégressions vectorielles 9.1.1 Trois types de VAR 9.2 A VAR De la macroéconomie américaine 9.2.1 Utilisation de Stata pour estimer un VAR de forme réduite 9.2.2 Test d'un VAR pour la stationnarité Évaluation d'une prévision de VAR 9.3 Whorsquos sur le premier 9.3.1 Corrélations croisées 9.3.2 Résumé des relations temporelles dans un VAR Granger causalité Comment Imposer l'ordre FEVDs Utilisation de Stata pour calculer IRFs et FEVDs 9.4.1 Exemples d'un SVAR à court terme 9.4.2 Exemples d'un SVAR à long terme 9.5 Points à retenir 9.6 Perspectives 10 Modèles de séries temporelles non stationnaires 10.1 Tendances et racines unitaires 10.2 Test Pour les racines unitaires 10.3 Cointégration: recherche d'une relation à long terme 10.4 Relations de cingestion et VECM 10.4.1 Composantes déterministes dans le VECM 10.5 De l'intuition au VECM: Un exemple Étape 1: Confirmer l'unité racine Étape 2: Identifier le nombre de retards Étape Étape 5: Test de stabilité et résidus de bruit blanc Étape 6: Examen des implications du modèle sur le caractère raisonnable 10,6 Points à retenir 10,7 Perspectives 11 Observations finales 11,1 Comprendre tout ce qui se passe 11.2 Qu'est-ce qui nous a manqué 11.2.1 Thèmes de séries chronologiques avancées 11.2.2 Autres fonctionnalités de série chronologique Stata Outils et utilitaires de gestion de données Modèles univariés Modèles multivariés
No comments:
Post a Comment