Przekazywanie średniej reprezentacji autoregresji

Ruchome - Średnie Przedstawienie Zbliżenia Autoregresywnego Zbadamy właściwości nieskończonej reprezentacji MA - autoregionalnej aproksymacji dla procesu stacjonarnego i rzeczywistego. W ten sposób dajemy przedłużenie twierdzenia Wienersa w deterministycznej aproksymacji. Jeśli chodzi o dane, możemy wykorzystać ten nowy kluczowy wynik, aby uzyskać wgląd w strukturę nieskończonych reprezentacji MA zamontowanych modeli autoregresji, w których kolejność wzrasta wraz z wielkością próbki. W szczególności dajemy jednolite zobowiązanie do oszacowania współczynników średniej ruchomej poprzez aproksymację autoregresywną, jednolitą nad wszystkimi liczbami całkowitymi. 423.pdfMoving-average reprezentacja aproksymacji autoregionalnych Peter Bhlmann 1 Katedra Statystyki, Uniwersytet Kalifornii, Evans Hall, Berkeley, CA 94720, USA Dostępny online 5 kwietnia 2000. Zajmujemy się badaniem własności MA () - reprezentacji aproksymacji autoregresji dla procesu stacjonarnego, rzeczywistego. W ten sposób dajemy rozszerzenie twierdzenia Wienersa w deterministycznej aproksymacji. Jeśli chodzi o dane, możemy użyć tego nowego, kluczowego wyniku, aby uzyskać wgląd w strukturę MA () - reprezentacje zamontowanych modeli autoregresji, w których kolejność wzrasta wraz z wielkością próbki. W szczególności dajemy jednolite zobowiązanie do oszacowania współczynników średniej ruchomej poprzez aproksymację autoregresywną, jednolitą nad wszystkimi liczbami całkowitymi. AR () Analiza zespolona (ang. Causal Complex) Funkcja odpowiedzi impulsowej Inwersja Proces liniowy () Czas miksowania Seria czasu Funkcja transferu Proces stacjonarny Odniesienia An et al. 1982 H.-Z. Na. Z.-G Chen. E. J. Autokorelacja Hannana, autoregresja i autoregresja aproksymacja Ann. Statystyk. Tom 10. 1982. s. 926936 Corr: H.-Z. Na. Z.-G Chen. E. J. Autonomiczność Hannana, autoregresja i aproksymacja autoregresji Ann. Statystyk. Tom 11, 1982. str. 1018 Berk, 1974 K. N. Berk Spójne autoregresyjne estymacje widmowe Ann. Statystyk. Tom 2. 1974 r. Str. 489502 Bhansali, 1989 R. J. Bhansali Szacowanie średniej ruchomej reprezentacji procesu stacjonarnego przez autoregresywne dopasowanie modelu J. Time Series Anal. Tom 10. 1989. s. 215232 Bhansali, 1992 R. J. Bhansali Autoregresywne oszacowanie średniego kwadratowego błędu predykcyjnego i pomiar R 2: aplikacja Nowe kierunki w analizie serii czasowej. D. Brillinger. P. Caines. J. Geweke. E. Parzen. M. Rosenblatt. M. S. Taqqu. 1992. Springer, Nowy Jork. str. 924 Część I Bickel i Bhlmann, 1995 P. J. Bickel. P. Bhlmann Mieszanie właściwości i funkcjonalne centralne twierdzenia graniczne dla szeregu rozruchowego w szeregach czasowych, Tech. Rep. 440. 1995. Departament statystyki, UC Berkeley, Berkeley, CA Brillinger, 1975 D. R. Brillinger Time Series Analiza danych i teoria. 1975. Holt, Rinehart i Winston, Nowy Jork Brockwell i Davis, 1987 P. J. Brockwell. R. A. Davis Time Seria: Teoria i metody 1987. Springer, Nowy Jork Bhlmann, 1995 P. Bhlmann Serwer startowy dla serii czasowych, Tech. Rep. 431. 1995. Departament statystyki, UC Berkeley, Berkeley, CA Deistler i Hannan, 1988 M. Deistler. E. J. Hannan Statystyczna teoria układów liniowych 1988. Wiley, New York Doukhan, 1994 P. Doukhan Mieszanie właściwości i przykładów. Uwagi do wykładów w statystyce. Tom Vol. 85. 1994. Springer, Nowy Jork Durbin, 1960 J. Durbin Montaż modeli czasowych Rev. Internat. Statystyk. Inst. Tom 28. 1960. s. 233244 Efron, 1979 B. Efron Metody rozruchu: kolejny rzut oka na noże Ann. Statystyk. Tom 7. 1979. s. 126 Gelfand i wsp. 1964 I. Gelfand. D. Raikov. G. Shilov Commutative Normed Rings 1964. Chelsea, Nowy Jork Hannan, 1987 E. J. Hannan Racjonalna aproksymacja funkcji statystycznych Stat. Sci. Tom 5. i 1987. s. 105138 Hannan i Kavalieris, 1986 E. J. Hannan. Regresja L. Kavalierisa, modele autoregresji J. Serie Czasowe Anal. Tom 7. 1986. s. 2749 Kreiss, 1988 J.-P. Kreiss Asymptotyczne wnioskowanie statystyczne dla klasy procesów stochastycznych 1988. Habilitationsschrift, Universitt Hamburg, Hamburg, Niemcy Kromer, 1970 R. E Kromer Asymptotyczne właściwości autoregresywnego estymatora widmowego, Ph. D. Praca dyplomowa. 1970. Departament statystyki, Stanford University, Stanford, CA Lewis i Reinsel, 1985 R. A. Chwytak. G. C. Reinsel Przewidywanie wielowymiarowych serii czasowych przez autoregresywne dopasowywanie modelu J. Wieloskładnikowy Anal. Tom 16. 1985. s. 393411 Ljung, 1978 L. Ljung Analiza konwergencji metod oceny parametrycznej IEEE Trans. Automat. Steruj AC-23. 1978. str. 770783 Ltkepohl, 1989 H. Ltkepohl Notatka o asymptotycznej dystrybucji funkcji odpowiedzi impulsowych oszacowanych modeli VAR z resztami prostopadłymi J. Ekonometria. Tomasza Łukasiewicza Wprowadzenie do analizy wieloetapowej serii 1991. Springer, Heidelberg Parzen, 1982 E. Parzen Modele ARMA do analizy i prognozy serii czasowej J. Prognoza. Tom 1. 1982. s. 6782 Paparoditis and Streitberg, 1992 E. Paparoditis. B. Streitberg Statystyka identyfikacji zamówień w stacjonarnych autoregresywnych modelach ruchomych średnich: autokorelacje wektorowe i ładunek startowy J. Serie czasowe Anal. Tom 13. 1992. s. 415434 Ptscher, 1987 B. M. Wyniki konwergencji Ptscher dla estymatorów typu prawdopodobieństwa maksymalnego w modelach ARMA wielowymiarowych J. Wieloskładnikowy Anal. Tom 21, 1987, s. 2952 Saikonen, 1986 P. Saikonen Asymptotyczne właściwości niektórych wstępnych estymatorów dla autoregresywnych średnich ruchowych serii czasowych J. Serie czasowe Anal. Tom 7. 1986. s. 133155 Silvia i Robinson, 1979 M. T. Silvia. E. A. Robinson Deconwolucja czasów geofizycznych w poszukiwaniu złóż ropy naftowej i gazu ziemnego 1979. Elsevier, Amsterdam Wiener, 1993 N. Wiener Integracja Fouriera i niektóre jej zastosowania 1993. Cambridge Univ. Press, Cambridge Withers and Withers, 1981 C. S. Withers Centralne twierdzenia o zmiennych zależnych I Z. Wahrsch. verw. Gebiete. Tom 57. 1981. str. 509534 Corr: C. S. Withers Centralne twierdzenia graniczne zmiennych zależnych I Z. Wahrsch. verw. Gebiete. Tom 63. 1981. str. 555 Zygmund, 1959 A. Zygmund, serie trygonometryczne. Tom Vol. 1. 1959. Cambridge Univ. Prasa, Cambridge 1Support przez Szwajcarską Narodową Fundację Nauki. Prawa autorskie 1995 Publikacja Elsevier B. V. Cytowanie artykułów () 2.1 Przeniesienie średnich modeli (modeli MA) Modele serii czasowej znane jako modele ARIMA mogą obejmować pojęcia autoregresyjne i średnie ruchome. W pierwszym tygodniu dowiedzieliśmy się, że termin autoregresji w modelu szeregów czasowych dla zmiennej x t jest opóźnioną wartością x t. Na przykład terminem autoregresji 1 opóźnienia jest x t-1 (pomnożony przez współczynnik). Ta lekcja definiuje ruchome średnie terminy. Ruchoma średnia wersja w modelu szeregów czasowych jest błędem w przeszłości pomnożonym przez współczynnik. Niech (przewyższa N (0, sigma2w)), co oznacza, że ​​w t są identycznie, niezależnie rozdzielane, każdy z normalnym rozkładem mającym średnią 0 i tę samą wariancję. Średni model średniej ruchomej, oznaczony symbolem MA (1) to (xt mu wt atta1w) Średni model ruchu średniego rzędu, oznaczony symbolem MA (2) to (xt mu wt atta1w theta2w) , oznaczone literą MA (q) jest (xt mu wt theta2w kropka thetaqw) Uwaga. Wiele podręczników i programów definiuje model z negatywnymi znakami przed terminami. To nie zmienia ogólnych teoretycznych właściwości modelu, chociaż odwraca znaki algebraiczne oszacowanych wartości współczynników i (niezakłóconych) w formułach ACF i wariancji. Musisz sprawdzić oprogramowanie w celu sprawdzenia, czy użyto negatywnych lub pozytywnych oznaczeń w celu poprawnego zapisania szacowanego modelu. R używa pozytywnych oznaczeń w swoim modelu bazowym, tak jak tutaj. Właściwości teoretyczne serii czasowej z modelem MA (1) Należy pamiętać, że jedyną niższą wartością w teoretycznym ACF jest opóźnienie 1. Wszystkie inne autokorelacje wynoszą 0. Tak więc próbka ACF o znacznej autokorelacji tylko w punkcie 1 jest wskaźnikiem możliwego modelu MA (1). Dla zainteresowanych studentów, dowody dotyczące tych właściwości stanowią załącznik do niniejszego materiału informacyjnego. Przykład 1 Załóżmy, że model MA (1) wynosi x t 10 w t .7 w t-1. gdzie (nadwrażliwość N (0,1)). Współczynnik 1 0,7. Teoretyczny ACF podano w poniższym wykresie ACF. Przedstawiona fabuła jest teoretycznym ACF dla MA (1) z 1 0,7. W praktyce próbka zazwyczaj nie dostarcza tak wyraźnego wzorca. Używając R, symulujemy 100 wartości próbek przy użyciu modelu x t 10 w t .7 w t-1, gdzie w t iid N (0,1). W tej symulacji powstaje ciąg szeregowy danych przykładowych. Nie możemy wiele powiedzieć z tej fabuły. Poniżej znajduje się próbka ACF dla danych symulowanych. Widzimy skok w punkcie 1, a następnie ogólnie wartości nieistotne dla opóźnień 1. Pamiętaj, że próbka ACF nie jest zgodna z teoretycznym wzorem MA (1) leżącego u podstawy, co oznacza, że ​​wszystkie autokorelacje w przypadku opóźnień 1 będą 0 Inna próbka miałaby nieco inną próbkę ACF pokazaną poniżej, ale najprawdopodobniej miałyby takie same cechy. Właściwości terapeutyczne serii czasowej z modelem MA (2) Dla modelu MA (2), właściwości teoretyczne są następujące: Należy zauważyć, że jedynymi wartościami niezonarnymi w teoretycznym ACF są opóźnienia 1 i 2. Autokorelacje dla wyższych opóźnień to 0 Więc próba ACF o znacznych autokorelacjach w przypadku opóźnień 1 i 2, ale nieistotne autokorelacje dla wyższych opóźnień wskazują na możliwy model MA (2). iid N (0,1). Współczynniki wynoszą 1 0,5 i 2 0,3. Ponieważ jest to MA (2), teoretyczny ACF będzie miał wartości inne niż z opóźnieniami 1 i 2. Wartości dwóch niezerowych autokorelacji to wykres A teoretycznej ACF. Jak prawie zawsze jest tak, dane próbki nie zachowują się tak doskonale jak teoria. Symulujemy n 150 wartości próbek dla modelu x t 10 w t .5 w t-1 .3 w t-2. gdzie w t iid N (0,1). Sporządza się szeregowy szereg danych. Podobnie jak w przypadku szeregów czasowych dla danych próbki MA (1), niewiele można powiedzieć o tym. Poniżej znajduje się próbka ACF dla danych symulowanych. Wzór jest typowy dla sytuacji, gdy model MA (2) może być użyteczny. Istnieją dwa statystycznie istotne skoki przy opóźnieniach 1 i 2, po których następują nieistotne wartości dla innych opóźnień. Zauważ, że z powodu błędu pobierania próbek próbka ACF nie pasowała dokładnie do teoretycznego wzoru. ACF dla modeli MA (q) Modeli Ogólną cechą modeli MA (q) jest to, że dla wszystkich pierwszych opóźnień q i autokorelacji 0 dla wszystkich luków gtq istnieją autokorelacje nie zerowe. Niepowtarzalność połączenia pomiędzy wartościami 1 i (rho1) w modelu MA (1). W modelu MA (1) dla dowolnej wartości 1. odwrotny 1 1 daje taką samą wartość jak dla przykładu, użyj 0,5 dla 1. a następnie użyj 1 (0.5) 2 dla 1. Otrzymasz (rho1) 0,4 w obu przypadkach. Aby zaspokoić teoretyczne ograniczenie zwane "invertibility". ograniczamy modele MA (1) do wartości z wartością bezwzględną mniejszą niż 1. W podanym przykładzie, 1 0,5 będzie dopuszczalną wartością parametru, podczas gdy 1 10,5 2 nie będzie. Odwrotność modeli MA Model macierzowy jest odwracalny, jeśli jest on algebraiczny, odpowiadający modelowi zbiegającemu się z nieskończonym modelem AR. Zbiegając się, rozumiemy, że współczynniki AR spadają do 0, gdy wracamy w czasie. Inwersja to ograniczenie zaprogramowane w oprogramowanie serii czasowej służące do oszacowania współczynników modeli z hasłami. To nie coś, co sprawdzamy w analizie danych. Dodatkowe informacje o ograniczeniu inwersji dla modeli MA (1) podano w dodatku. Uwagi dotyczące teorii zaawansowanej. W modelu MA (q) z określonym ACF jest tylko jeden model odwracalny. Warunkiem koniecznym do odwrócenia jest fakt, że współczynniki mają takie wartości, że równanie 1- 1 y-. - q y q 0 ma rozwiązania dla y, które leżą poza okręgiem jednostkowym. R dla przykładów W przykładzie 1 wykreślono teoretyczny ACF modelu x t 10 w t. 7w t-1. a następnie symulowane n 150 wartości z tego modelu i wykreślono szereg próbkowania i próbkę ACF dla danych symulowanych. Polecenia R służące do sporządzenia teoretycznej ACF to: acfma1ARMAacf (mac (0.7), lag. max10) 10 opóźnień ACF dla MA (1) z theta1 0,7 lags0: 10 tworzy zmienną o nazwie opóźnienia w zakresie od 0 do 10 (h0) dodaje osi poziomej do wykresu Pierwsze polecenie określa ACF i zapisuje je w obiekcie (np. o nazwie acfma1 (nasz wybór nazwy). Polecenie wydruku (trzecie polecenie) powoduje błędy w porównaniu do wartości ACF dla opóźnień 1 do 10. Parametr ylab etykietuje na osi y, a główny parametr umieszcza tytuł na wykresie. Aby zobaczyć wartości liczbowe ACF, użyj komendy acfma1. Symulacje i wykresy zostały wykonane za pomocą następujących poleceń. xcarc. sim (n150, lista (mac (0.7))) Symuluje n 150 wartości z MA (1) xxc10 dodaje 10 do średniej 10. Domyślnie domyślne symulacje to 0. wykres (x, typeb, mainSimulated MA (1) data) acf (x, xlimc (1,10), mainACF dla symulowanych danych próbki) W przykładzie 2 wymyśliliśmy teoretyczny ACF modelu xt 10 wt5 w t-1 .3 w t-2. a następnie symulowane n 150 wartości z tego modelu i wykreślono szereg próbkowania i próbkę ACF dla danych symulowanych. Stosowane komendy R to acfma2ARMAacf (mac (0.5.0.3), lag. max10) acfma2 lags0: 10 (lags, acfma2, xlimc (1,10), ylabr, typh, główny ACF dla MA (2) z theta1 0,5, (x, x, x, x, x, x, x, x, x, x, x, x, y) mainACF dla symulowanych danych MA (2)) Dodatek: Dowód właściwości MA (1) Dla zainteresowanych studentów są dowody na teoretyczne właściwości modelu MA (1). Variance: (text (xt) text (mu wt theta1 w) tekst 0 (wt) tekst (theta1w) sigma2w theta21sigma2w (1theta21) sigma2w) Kiedy h 1, poprzedni wyrażenie 1 w 2. W przypadku dowolnego h2, poprzednie wyrażenie 0 Powodem jest to, że z definicji niezależności wag. E (w k w j) 0 dla dowolnej kj. Ponadto, ponieważ w t oznaczają 0, E (wjwj) E (wj2) w2. W serii czasów Zastosuj ten wynik, aby uzyskać ACF podany powyżej. Inwersyjny model MA to taki, który można zapisać jako model AR nieskończonego zamówienia, który zbiega się tak, że współczynniki AR zbiegają się do 0, gdy poruszamy się nieskończenie wstecz w czasie. Dobrze wykazać inwersję modelu MA (1). Następnie zastępujemy relację (2) dla t-1 w równaniu (1) (3) (zt wt theta1 (z-taleta) wt theta1z-tal2w) W czasie t-2. równanie (2) staje się Następnie zastępujemy związek (4) dla t-2 w równaniu (3) (zt wt theta1 z - theta21w wt theta1z - eta21 (z-taleta) wt theta1z - eta12z theta31w) Gdybyśmy kontynuowali ( nieskończoność) dostaniemy model nieskończonej AR (zt wt theta1 z - theta21z theta31z-theta41z dots) Zauważ jednak, że jeśli 1 1, współczynniki mnożące opóźnienia z będą wzrastać (nieskończenie) w rozmiarze, gdy wracamy z powrotem czas. Aby temu zapobiec, potrzebujemy 1 lt1. Jest to warunek odwracalnego modelu MA (1). Model nieskoordynowanych zamówień MA W trzecim tygodniu widzimy, że model AR (1) można przekształcić w model MA nieskończonego rzędu: (xt - mu wt phi1w phi21w kropki phik1 w kropkach sumy fij1w) To sumowanie wcześniejszych białych szumów jest znane jako przyczynę reprezentacji AR (1). Innymi słowy, x t jest specjalnym rodzajem magistra z nieskończoną liczbą terminów z czasem. Nazywa się to nieskończoną kolejnością MA lub MA (). Kończy się rozkazem MA jest nieskończona kolejność AR, a dowolny porządek AR jest rzędem nieskończonym rzędu. Przypomnijmy sobie w tygodniu 1, zauważyliśmy, że wymóg stacjonarnego AR (1) polega na tym, że 1 lt1. Pozwala obliczyć Var (xt) używając reprezentacji przyczynowej. W ostatnim kroku używa się podstawowych faktów dotyczących serii geometrycznych, które wymagają (phi1lt1), w przeciwnym razie serie rozbieżności. Nawigacja przez Petera Bhlmanna. 1999. Porównujemy i przeglądamy blok, sito i lokalne bootstraps dla serii czasowych, a tym samym oświetla fakty teoretyczne, a także wydajność w przypadku danych z próbek nite. Nasz (ponownie) pogląd jest selektywny z zamiarem uzyskania nowego i sprawiedliwego obrazu niektórych aspektów serii ładowania początkowego. Ge. Porównujemy i przeglądamy blok, sito i lokalne bootstraps dla serii czasowych, a tym samym oświetla fakty teoretyczne, a także wydajność w przypadku danych z próbek nite. Nasz (ponownie) pogląd jest selektywny z zamiarem uzyskania nowego i sprawiedliwego obrazu niektórych aspektów serii ładowania początkowego. Generalność bootstrapu bloku jest przeciwstawiana przez bootstraps sita. Omawiamy zalety związane z implementacją i twierdzimy, że dwa typy sit są lepsze niż metoda bloku, każda z nich w swojej własnej niszowej, a mianowicie procesów liniowych i kategorycznych. Lokalne buty typu bootstraps, przeznaczone do problemów wygładzania nierównomiernego, są łatwe w obsłudze i implementują, ale w pewnych przypadkach mają niską wydajność. Słowa kluczowe i frazy. Autoregresja, blokada startowa, kategoryczne szeregi czasowe, algorytm kontekstowy, podwójny bootstrap, proces liniowy, bootstrap lokalny, łańcuch Markov, rozruch sita, proces stacjonarny. 1 Wprowadzenie Bootstrapping może być postrzegane jako symulowanie statystyki lub statystyki pro. autor: Slvia Gonalves, Lutz Kilian. 2003 Streszczenie nie znaleziono przez Atsushi Inoue, Lutz Kilian, Ken West, Mark Watson, Jonathan Wright - parametry i innowacje w modelach VAR (), Międzynarodowy Przegląd Ekonomiczny. Zwykle przeprowadza się wnioskowanie o załadowaniu wstecznym w modelach autoregresji wektorowych (VAR) opartych na założeniu, że podstawowy proces generowania danych jest skończony. To założenie jest niewłaściwe w praktyce. Ustalamy asymptotyczną ważność metody ładowania szczątkowego dla sm. Zwykle przeprowadza się wnioskowanie o załadowaniu wstecznym w modelach autoregresji wektorowych (VAR) opartych na założeniu, że podstawowy proces generowania danych jest skończony. To założenie jest niewłaściwe w praktyce. Ustalamy asymptotyczną ważność metody bootstrapowania resztkowego dla płynnych funkcji parametrów nachylenia VAR i wariancji innowacyjnych w alternatywnym założeniu, że sekwencja modeli VAR na skończoną wersję z opóźnieniem jest dopasowana do danych generowanych przez proces VAR możliwie nieskończonego porządku. Ta klasa statystyczna zawiera miary przewidywalności i ortogonalizowane odpowiedzi impulsowe i dekompozycje wariancji. Nasze podejście stanowi alternatywę dla stosowania asymptotycznej aproksymacji normalnej i może być stosowane nawet przy braku zamkniętych rozwiązań dla wariancji estymatora. Zilustrujemy praktyczne znaczenie naszych ustaleń dotyczących zastosowanych prac, w tym oceny modeli makroekonomicznych. 1. Wprowadzenie Jest powszechne w stosowanej wektora autoregresji (VAR) w celu uzależnienia od założenia, że ​​kolejność opóźnienia procesu generowania danych VAR (DGP) jest ograniczona. Niepoprawność modeli VAR w ograniczonym zakresie opóźnień została wskazana przez Braun i Mittnik (1993), ale założenie zamówienia skończonego opóźnienia nadal odgrywa kluczową rolę w ekonometrycznym wnioskowaniu w praktyce. Fakt, że MZP uważa się za reprezentowany przez proces VAR (1) ma istotne konsekwencje dla wnioskowania VAR. Na przykład Lutkepohl i Poskitt (1991) wykazują, że chociaż estymator odpowiedzi odpowiedzi impulsowej VAR zachowuje asymptotyczne rozkłady normalności w przypadku zamówienia o nieskończoności, jej asymptotyczna wariacja jest funkcją nieubłagania prognozowanego horyzontu. W przeciwieństwie do skończonego opóźnienia, Peter J. Bickel, Peter Bhlmann. 1995. Badamy metodę bootstrapu dla stacjonarnych serii czasowych, opartych na metodzie sit. Ograniczamy się do autostartu rozruchu sita. Biorąc pod uwagę próbkę X1. Xn z liniowego procesu fX tg t2 Z, przybliżamy proces bazowy przez model autoregresji z orde. Badamy metodę bootstrapu dla stacjonarnych serii czasowych, opartych na metodzie sit. Ograniczamy się do autostartu rozruchu sita. Biorąc pod uwagę próbkę X1. Xn z liniowego procesu fX tg t2 Z przybliżamy proces bazowy przez model autoregresyjny z p p (n), gdzie p (n) 1p (n) o (n) jako wielkość próbki n1. W oparciu o taki model zbudowany jest proces ładowania fX t g2 z, z którego można narysować próbki o dowolnej wielkości. Wynik giveanovel, który mówi, że z dużym prawdopodobieństwem taki proces ładowania sita fX t g t2 Z jest nowym wariantem mieszania. Oznacza to, że wiele wyników dla stacjonarnych, mieszanych sekwencji przenosi się do procesu ładowania sita. Jako przykład wymyślamy funkcjonalne centralne twierdzenie graniczne w warunku braketingu. Franz C. Palm, Stephan Smeekes, Jean-pierre Urbain - Memorandum badawcze METEOR 06015, Universiteit Maastricht. 2006. W niniejszym artykule zbadamy i porównujemy właściwości kilku testów korzeniowych jednostki rozruchowej niedawno zaproponowanych w literaturze. Testy to testy Dickey-Fuller lub Augmented DF, albo w oparciu o resztki z autoregresji i wykorzystanie bootstrapu blokowego lub na pierwszych różnicowanych danych i użyciu. W niniejszym artykule zbadamy i porównujemy właściwości kilku testów korzeniowych jednostki rozruchowej niedawno zaproponowanych w literaturze. Testy to testy Dickey-Fuller lub Augmented DF, albo w oparciu o resztki z autoregresji i wykorzystanie blokady bloku lub na pierwszych różnicowanych danych i wykorzystanie stacjonarnego ładowania początkowego lub wstrząsów sita. Rozszerzamy analizę przez wymianę transformacji danych (różnice w stosunku do reszt), rodzaje bootstrapu oraz obecność lub brak korekcji autokorelacji w testach. Pokazujemy, że dwa testy wstępnego rozruchu w oparciu o resztki pozostają asymptotycznie ważne. W przeciwieństwie do literatury, która skupia się na porównaniu testów bootstrapowych z testem asymptotycznym, porównujemy testy bootstrapu, używając powierzchni odpowiedzi na ich wielkość i siłę w badaniu symulacyjnym. Badanie to prowadzi do następujących wniosków: (i) wzbogacone testy DF są zawsze korzystne dla standardowych testów DF (ii) rozruch sita jest lepszy niż bootstart blokowy (iii) testy różnicowe wydają się nieco lepsze, ale testy resztkowe wydają się bardziej wydajne. Franz C. Palm, Stephan Smeekes, Jean-pierre Urbain. 2007. W tym artykule proponujemy wersję testu wstępnego testu Wald dla współbieżności w modelu korekcji błędu warunkowego jednozamkniętego. Wielostronne rozruchu przesiewającego jest używany do radzenia sobie z uzależnieniem w serii. Pokazujemy, że wprowadzony test bootstrap jest asymptotycznie ważny. Analizujemy również. W tym artykule proponujemy wersję testu wstępnego testu Wald dla współbieżności w modelu korekcji błędu warunkowego jednozamkniętego. Wielostronne rozruchu przesiewającego jest używany do radzenia sobie z uzależnieniem w serii. Pokazujemy, że wprowadzony test bootstrap jest asymptotycznie ważny. Analizujemy również małe właściwości próbki naszego testu poprzez symulację i porównujemy je z testem asymptotycznym i kilkoma alternatywnymi testami bootstrapu. Próba bootstrapu oferuje znaczną poprawę właściwości wielkości w teście asymptotycznym, a jednocześnie ma podobne właściwości energetyczne. Wykonuje co najmniej równie alternatywne testy bootstrapu pod względem wielkości i mocy. Badana jest również czułość testu ładunkowego na uwzględnienie elementów deterministycznych. Wyniki symulacji pokazują, że testy zawierające wystarczające elementy deterministyczne są niewrażliwe na rzeczywistą wartość trendów w modelu i zachowują prawidłowy rozmiar. Klasyfikacja JEL: C15, C32. autor: Peter Bhlmann. 1996. Badamy procedurę rozruchu sita dla szeregów czasowych z deterministycznym trendem. Sito do budowy bootstrapu jest oparte na aproksymacji autoregresywnej. Biorąc pod uwagę dane z serii danych czasowych, należałoby najpierw użyć wstępnego oszacowania trendu podstawowej serii czasowej, a następnie przybliżonej liczby n. Badamy procedurę rozruchu sita dla szeregów czasowych z deterministycznym trendem. Sito do budowy bootstrapu jest oparte na aproksymacji autoregresywnej. Biorąc pod uwagę dane z serii danych czasowych, najpierw należałoby zastosować wstępne oszacowanie tendencji szeregów czasowych, a następnie przybliżenie procesu hałasu przez duży autoregresywny model wzrastającego porządku w miarę wzrastającego rozmiaru próbki. Schemat bootstrapu polega na ponownym próbkowaniu nowych innowacyjnych modeli autoregresji. Ukazujemy ważność takich przybliżenia rozruchu sita w celu ograniczenia rozkładu liniowych estymatorów tendencji, takich jak predykatory regresji ogólnej lub wygładzaczy jądra. Ten schemat ładowania może być następnie wykorzystany do budowy równoczesnych przedziałów ufności dla trendu, gdzie równoczesność można uzyskać w wielu punktach, które może być wybrane przez użytkownika. Kontekst szeregów czasowych jest zasadniczo inny niż niezależne: metody niezależnych, przystosowanych do zależnych spraw, wydają się luźno ich dokładność. Nasza procedura ponownego pobierania próbek daje satysfakcjonujące wyniki w badaniu symulacyjnym dla skończonych próbek wielkości. autor: Andres M. Alonso, Juan Romo. Zaproponowano już kilka technik ponownego pobierania danych zależnych. W niniejszym artykule wykorzystujemy techniki wartości brakujących, aby zmodyfikować ruchome bloki noża i bootstrap. Bardziej szczegółowo uważamy bloki usuniętych obserwacji w nożyku blokowym jako brakujące dane, które są rekordu. Zaproponowano już kilka technik ponownego pobierania danych zależnych. W niniejszym artykule wykorzystujemy techniki wartości brakujących, aby zmodyfikować ruchome bloki noża i bootstrap. Bardziej szczegółowo uważamy bloki usuniętych obserwacji w nożyku blokowym jako brakujące dane, które są odzyskiwane przez brakujące wartości szacunków zawierające strukturę zależną od obserwacji. W ten sposób szacujemy wariancję statystyki jako ważoną próbkę wariancji statystycznej oceny w pełnej serii. Ustala się zgodność wariancji i estymatorów rozkładu średniej próbki. Stosujemy podejście brakujące wartości do blokowego startu, włączając niektóre brakujące obserwacje między dwoma kolejnymi blokami i wykazujemy spójność wariancji i estymatorów rozkładu średniej próbki. Na zakończenie przedstawiamy wyniki szeroko zakrojonej pracy Monte Carlo w celu oceny skuteczności tych metod dla skończonych rozmiarów próbek, pokazując, że w naszej propozycji podano szacunki wariancji dla kilku statystyk z szeregiem czasowym o małym średnim kwadratowym błędzie niż w poprzednich procedurach. 2 przez: Slvia Gonalves, Lutz Kilian, Srie Scientifique, Banque Du Canada, Banque Laurentienne Du Canada, Bourse De Montral, Gazometropolain, Cole Polytechnique De Montral, Hec Montral, Universit Concordia, Universit De Montral, Universit Laval, Universit Mcgill. źródłem dokumentów źródłowych, informacją dodatkową. Krótkie sekcje mogą być cytowane bez wyraźnej zgody, jeśli źródło zostanie przekazane w całości, łącznie z powiadomieniem. CIRANO Le CIRANO nie jest organizmem, ale lucratif constitu en vertu de la Loi des compagnies du Qubec. Le finement de son in. Źródło dokumentów źródłowych, incluant la notice. Krótkie sekcje mogą być cytowane bez wyraźnej zgody, jeśli źródło zostanie przekazane w całości, łącznie z powiadomieniem. CIRANO Le CIRANO nie jest organizmem, ale lucratif constitu en vertu de la Loi des compagnies du Qubec. Le finement de son infrastruktura et de ses activité de recherche provient des cotisations de sõn organisationsmembres, dune subvention dinfrastruktura du ministre de la Recherche, de la Science et de la Technologie, zwane dalej "queue des des subventions" i "obowiązkowe" są obowiązkowe. CIRANO jest prywatną organizacją non-profit, działającą na podstawie ustawy o spółkach Qubec. Infrastruktura i działania badawcze są finansowane z opłat przez organizacje członkowskie, dotacji infrastrukturalnych Ministre de la Recherche, de la Science et de la Technologie oraz dotacji i mandatów badawczych uzyskanych przez ich zespoły badawcze. Les organizations-partenaires Organizacje partnerskie PARTENAIRE MAJEUR. Ministre des Finances, Yosoon Chang, Joon Y. Park. W tym artykule, w bardzo łagodnych warunkach, otrzymujemy asymptotyczne rozkłady testów Augmented-Dickey-Fuller (ADF). Badania zostały pierwotnie zaproponowane i zbadane przez Said i Dickey (1984) w celu testowania jednostek korporacyjnych w modelach ARMA w trybie rzadko z innowacjami iid i są oparte na nite AR. W tym artykule, w bardzo łagodnych warunkach, otrzymujemy asymptotyczne rozkłady testów Augmented-Dickey-Fuller (ADF). Testy zostały pierwotnie zaproponowane i zbadane przez Saida i Dickey'a (1984) w celu testowania jednostek korporacyjnych w modelach ARMA z rzadko spotykanymi innowacjami iid i opierają się na rzadkich procesach AR wzrastających wraz z wielkością próbki. Nasze warunki są zdecydowanie słabsze niż ich. W szczególności pozwalamy na ogólne procesy liniowe z innowacyjnością opartą na stopień martingale, pozakwasowo z warunkami heteroskedastyczności. Dopuszcza się zatem liniowe procesy napędzane innowacjami typu ARCH. Zasięg dla per-missible rosnących stawek dla zamówienia przybliżenia AR jest znacznie szerszy. W przypadku zwykłego testu typu t wymaga się, aby wzrosło w kolejności o (n12), zakładając, że jest on z rzędu o (n) dla niektórych spełniających