Schätzung eines nicht invertierbaren gleitenden Durchschnittsprozesses Der Fall der Überdifferenzierung von Charles I. Plosser Graduate School of Business, Stanford University, Stanford, CA 94305, USA G. William Schwert Graduate School of Management, University of Rochester, Rochester, NY 14627, USA Online verfügbar 1. März 2002. Der Effekt der Differenzierung aller Variablen in einer richtig festgelegten Regressionsgleichung wird untersucht. Eine übermßige Verwendung der Differenztransformation induziert einen nicht invertierbaren gleitenden Durchschnitt (MA) - Prozess in den Störungen der transformierten Regression. Monte-Carlo-Techniken werden verwendet, um die Auswirkungen der Überdifferenzierung auf die Effizienz von Regressionsparameter-Schätzungen, Schlussfolgerungen auf der Grundlage dieser Schätzungen zu untersuchen und Tests auf Überdifferenzierung basierend auf dem Schätzer des MA-Parameters für die Störungen der Unterschiede Regression. Insgesamt ist das Problem der Überdifferenzierung nicht ernst, wenn die Eigenschaften der Störungen der Regressionsgleichungen sorgfältig beachtet werden. Wir möchten wertvolle Kommentare von John Abowd, Mukhtar Ali, Kenneth Gaver, Martin Geisel, Charles Nelson, David Pierce, Harry Roberts, Christopher Sims, William Wecker und Arnold Zellner anerkennen, obwohl wir für verbleibende Fehler verantwortlich sind. Plossers Teilnahme an dieser Forschung wurde teilweise unterstützt von National Science Foundation Grant SOC 7305547 und der H. G.B. Alexander-Stiftung an der Universität von Chicago. Eine frühere Version dieses Papiers wurde vor der Econometric Society im September 1976 in Atlantic City, New Jersey präsentiert. Copyright 1977 Veröffentlicht von Elsevier B. V. Zitieren von Artikeln () 4.2 Lineare stationäre Modelle für die Zeitreihe, wo die Zufallsvariable die Innovation heißt, weil sie den Teil der beobachteten Variablen darstellt, der bei den vergangenen Werten unvorhersehbar ist. Das allgemeine Modell (4.4) geht davon aus, dass das Ausgangssignal eines linearen Filters ist, der die bisherigen Innovationen umwandelt, dh ein linearer Prozess ist. Diese Linearitätsannahme beruht auf dem Wolds-Zerlegungssatz (Wold 1938), der besagt, dass jeder diskrete stationäre Kovarianzprozess als die Summe zweier unkorrelierter Prozesse ausgedrückt werden kann, wo rein deterministisch ist und ein rein indeterministischer Prozess ist, der als linear geschrieben werden kann Summe des Innovationsprozesses: Wo ist eine Folge von seriell unkorrelierten Zufallsvariablen mit null mittlerer und gemeinsamer Varianz. Bedingung ist notwendig für die Stationarität. Die Formulierung (4.4) ist eine endliche Reparametrierung der unendlichen Darstellung (4.5) - (4.6) mit Konstante. Es ist in der Regel in Bezug auf die Lag-Operator definiert durch, die einen kürzeren Ausdruck: wo die Lag-Operator-Polynome und werden als das Polynom bzw. das Polynom bezeichnet. Um eine Parameterredundanz zu vermeiden, gehen wir davon aus, dass es keine gemeinsamen Faktoren zwischen den und den Komponenten gibt. Als nächstes werden wir die Handlung von einigen Zeitreihen untersuchen, die durch stationäre Modelle mit dem Ziel der Bestimmung der Hauptmuster ihrer zeitlichen Evolution erzeugt werden. Abbildung 4.2 enthält zwei Serien, die aus den folgenden stationären Prozessen berechnet wurden, die mit Hilfe des Genarma-Quantlets berechnet wurden: Abbildung 4.2: Zeitreihen, die von Modellen erzeugt werden Wie erwartet, bewegen sich beide Zeitreihen um ein konstantes Niveau ohne Änderungen der Varianz aufgrund der stationären Eigenschaft. Darüber hinaus liegt diese Ebene dem theoretischen Mittel des Prozesses nahe, und der Abstand jedes Punktes zu diesem Wert ist sehr selten außerhalb der Grenzen. Darüber hinaus zeigt die Entwicklung der Serie lokale Abweichungen vom Mittel des Prozesses, die als das mittlere Reversionsverhalten bekannt ist, das die stationären Zeitreihen charakterisiert. Lassen Sie uns mit einigen Details die Eigenschaften der verschiedenen Prozesse untersuchen, insbesondere die Autokovarianzfunktion, die die dynamischen Eigenschaften eines stochastischen stationären Prozesses erfasst. Diese Funktion hängt von den Maßeinheiten ab, so dass die übliche Messung des Grades der Linearität zwischen den Variablen der Korrelationskoeffizient ist. Im Falle von stationären Prozessen wird der Autokorrelationskoeffizient bei Verzögerung, bezeichnet mit, als die Korrelation zwischen und definiert: Somit ist die Autokorrelationsfunktion (ACF) die Autokovarianzfunktion, die durch die Varianz standardisiert ist. Die Eigenschaften des ACF sind: Angesichts der Symmetrieeigenschaft (4.10) wird das ACF üblicherweise durch ein Balkendiagramm an den nichtnegativen Verzögerungen dargestellt, das das einfache Korrelogramm genannt wird. Ein weiteres nützliches Werkzeug zur Beschreibung der Dynamik eines stationären Prozesses ist die partielle Autokorrelationsfunktion (PACF). Der partielle Autokorrelationskoeffizient bei Verzögerung misst die lineare Assoziation zwischen und wird für die Effekte der Zwischenwerte angepasst. Daher ist es nur der Koeffizient im linearen Regressionsmodell: Die Eigenschaften des PACF entsprechen denen des ACF (4.8) - (4.10) und es ist leicht zu beweisen, dass (Box und Jenkins 1976). Wie die ACF hängt die partielle Autokorrelationsfunktion nicht von den Maßeinheiten ab und wird durch ein Balkendiagramm an den nichtnegativen Verzögerungen dargestellt, das als partielles Korrelogram bezeichnet wird. Die dynamischen Eigenschaften jedes stationären Modells bestimmen eine bestimmte Form der Korrelogramme. Darüber hinaus kann gezeigt werden, dass für jeden stationären Prozess beide Funktionen, ACF und PACF, sich null annähern, wenn die Verzögerung unendlich ist. Die Modelle sind nicht immer stationäre Prozesse, daher ist es notwendig, zuerst die Bedingungen für die Stationarität zu bestimmen. Es gibt Unterklassen von Modellen, die besondere Eigenschaften haben, so dass wir sie separat studieren werden. Also, wann und, es ist ein weißes Rauschen. Wann ist es ein reiner gleitender durchschnittlicher prozeß der ordnung , Und wenn es ein reiner autoregressiver Prozess der Ordnung ist. . 4.2.1 White Noise Process Das einfachste Modell ist ein White Noise Prozess, wo ist eine Folge von unkorrelierten Null-Mittel-Variablen mit konstanter Varianz. Es wird mit bezeichnet. Dieser Vorgang ist stationär, wenn seine Varianz endlich ist, da da: die Bedingungen (4.1) - (4.3) überprüft wird. Darüber hinaus ist im Laufe der Zeit unkorreliert, so dass seine Autokovarianz-Funktion ist: Abbildung 4.7 zeigt zwei simulierte Zeitreihen, die aus Prozessen mit Null-Mittelwert und Parametern und -0,7 erzeugt werden. Der autoregressive Parameter misst die Beharrlichkeit vergangener Ereignisse in die aktuellen Werte. Zum Beispiel, wenn ein positiver (oder negativer) Schock positiv (oder negativ) für eine Zeitperiode wirkt, die um so größer ist, je größer der Wert von ist. Wann fährt die Serie grob um den Mittelwert aufgrund des Wechseles in Richtung der Wirkung von, das heißt, ein Schock, der sich positiv im Moment beeinflusst, hat negative Auswirkungen auf, positiv in. Der Prozess ist immer invertierbar und er ist stationär, wenn der Parameter des Modells in der Region eingeschränkt ist. Um den stationären Zustand zu beweisen, schreiben wir zuerst die in der gleitenden durchschnittlichen Form durch rekursive Substitution von in (4.14): Abbildung 4.8: Populations-Korrelogramme für Prozesse Das ist eine gewichtete Summe von vergangenen Innovationen. Die Gewichte hängen vom Wert des Parameters ab: Wenn (oder) der Einfluss einer gegebenen Innovation durch die Zeit zunimmt (oder abnimmt). Die Erwartungen an (4.15), um den Mittelwert des Prozesses zu berechnen, erhalten wir: Da ist das Ergebnis eine Summe von unendlichen Begriffen, die für jeden Wert nur dann konvergiert, wenn in welchem Fall. Ein ähnliches Problem erscheint, wenn wir den zweiten Moment berechnen. Der Beweis kann vereinfacht werden, wenn man annimmt. Dann ist die Varianz: Wiederum geht die Varianz in die Unendlichkeit, außer in diesem Fall. Es ist leicht zu verifizieren, dass sowohl der Mittelwert als auch die Varianz explodieren, wenn diese Bedingung nicht gilt. Die Autokovarianzfunktion eines stationären Prozesses ist also die Autokorrelationsfunktion für das stationäre Modell: Das heißt, das Korrelogramm zeigt einen exponentiellen Abfall mit positiven Werten immer, wenn positiv und mit negativ-positiven Schwingungen, wenn negativ ist (siehe Bild 4.8). Weiterhin nimmt die Zerfallsrate ab, je größer der Wert der stärkeren die dynamische Korrelation im Prozess ist. Schließlich gibt es einen Cutoff in der partiellen Autokorrelationsfunktion bei der ersten Verzögerung. Abbildung 4.9: Populations-Korrelogramme für Prozesse Es kann gezeigt werden, dass der allgemeine Prozess (Box und Jenkins 1976): Ist nur dann stationär, wenn die Wurzeln der charakteristischen Gleichung des Polynoms außerhalb des Einheitskreises liegen. Der Mittelwert eines stationären Modells ist. Ist immer invertierbar für alle Werte der Parameter. Die ACF geht exponentiell auf Null, wenn die Wurzeln echt sind oder bei Sinus-Cosinus-Wellenfluktuationen, wenn sie komplex sind. PACF hat einen Cutoff bei der Verzögerung, das heißt. Einige Beispiele für Korrektramme für komplexere Modelle, wie die, sind in Abbildung 4.9 zu sehen. Sie sind den Mustern sehr ähnlich, wenn die Prozesse echte Wurzeln haben, aber eine ganz andere Form haben, wenn die Wurzeln komplex sind (siehe das erste Grafikpaar von Abbildung 4.9). 4.2.4 Autoregressives Moving Average Model Das allgemeine (endliche) autoregressive, gleitende, durchschnittliche Modell der Aufträge ist: Schätzung eines nicht invertierbaren gleitenden Durchschnittsprozesses: Der Fall der Überdifferenzierung Der Effekt der Differenzierung aller Variablen in einer richtig festgelegten Regressionsgleichung wird untersucht. Eine übermßige Verwendung der Differenztransformation induziert einen nicht invertierbaren gleitenden Durchschnitt (MA) - Prozess in den Störungen der transformierten Regression. Monte-Carlo-Techniken werden verwendet, um die Auswirkungen der Überdifferenzierung auf die Effizienz von Regressionsparameter-Schätzungen, Schlussfolgerungen auf der Grundlage dieser Schätzungen zu untersuchen und Tests auf Überdifferenzierung basierend auf dem Schätzer des MA-Parameters für die Störungen der Unterschiede Regression. Insgesamt ist das Problem der Überdifferenzierung nicht ernst, wenn die Eigenschaften der Störungen der Regressionsgleichungen sorgfältig beachtet werden. Wählen Sie eine Option aus, um diesen Artikel zu lokalisieren: Überprüfen Sie, ob Sie über Ihre Anmeldeinformationen oder Ihre Institution Zugriff haben.
No comments:
Post a Comment