Zaman serisinin modellenmesi sırasında, örneğin bir AR (1) işlemi (2) açıklayıcı değişken olarak gecikmeli bağımlı değişkeni (sağ tarafta) içerdiğinden (1) hata terimlerinin korelasyon yapısını modelleme olanağına sahiptir.
Anlamak istiyorum, bazen gitmek için önemli nedenler (2).
Ancak, (1) veya (2) veya her ikisini birden yapmanın metodolojik nedenleri nelerdir?
Yanıtlar:
Entegre veya neredeyse entegre zaman serisi verilerinin modellenmesine yönelik birçok yaklaşım vardır. Modellerin çoğu, daha genel model formlarından daha spesifik varsayımlar yapar ve bu nedenle özel durumlar olarak düşünülebilir. de Boef ve Keele (2008) çeşitli modelleri hecelemek ve birbirleriyle nerede bağlantı kurduklarını göstermek için iyi bir iş çıkarmışlardır. Tek denklem genelleştirilmiş hata düzeltme modeli , bu çok sayıda bağımlı değişkenleri, rastgele etki barındırabilir bağımsız değişkenlerin durağanlık / durağansızlık, (b) ile ilgili olarak agnostik (a) olduğu için (GECM Banerjee, 1993) iyi bir tanesidir , çoklu gecikmeler, vb. ve (c) iki aşamalı hata düzeltme modellerinden daha kararlı tahmin özelliklerine sahiptir (de Boef, 2001).
Tabii ki, herhangi bir modelleme seçiminin özellikleri araştırmacıların ihtiyaçlarına özel olacaktır, bu nedenle kilometreniz değişebilir.
Basit GECM örneği:
Burada: değişim operatörüdür;
anlık kısa dönem etkisi üzerinde tarafından verilen ;
gecikmeli kısa dönem etkisi üzerinde tarafından verilen ; ve
uzun dönem denge etkisi üzerinde tarafından verilmektedir .
Referanslar
Banerjee, A., Dolado, JJ, Galbraith, JW ve Hendry, DF (1993). Eş-bütünleşme, hata düzeltme ve durağan olmayan verilerin ekonometrik analizi . Oxford University Press, ABD.
De Boef, S. (2001). Denge ilişkilerinin modellenmesi: Güçlü otoregresif verilere sahip hata düzeltme modelleri. Siyasi Analiz , 9 (1): 78–94.
De Boef, S. ve Keele, L. (2008). Zamanı ciddiye almak. Amerikan Siyaset Bilimi Dergisi , 52 (1): 184–200.
Bu, momentlere karşı maksimum olasılığa ve hesaplamalı uygunluğa karşı sonlu örnek verimine dayanır.
Regresyon yaklaşımı, momentler yöntemi olan Yule-Walker tahmin yöntemidir. Sonlu bir örnek için ML kadar verimli değildir, ancak bu durumda (yani bir AR modeli) asimptotik nispi verimi 1.0'dır (yani yeterli veri ile ML kadar iyi cevap vermelidir). Ayrıca, doğrusal bir yöntem olarak hesaplama açısından etkilidir ve ML'nin herhangi bir yakınsama sorununu önler.
Bir zaman serisi sınıfı ve Peter Bartlett'ın ders notları loş anılarından Bunun en panoda Zaman Serisine Giriş , ders 12 özellikle.
Yukarıdaki bilgeliğin geleneksel zaman serisi modelleri ile, yani dikkate alınan başka bir değişkenin bulunmadığına dikkat edin. Çeşitli bağımsız (yani açıklayıcı) değişkenlerin bulunduğu zaman serisi regresyon modelleri için şu diğer referanslara bakın:
(Sonuncusu için Jake Westfall'a teşekkürler).
Genel alıp götürmek "bağlıdır" gibi görünüyor.
Web üzerinde kısa bir arama yaptıktan sonra http://springschool.politics.ox.ac.uk/archive/2008/OxfordECM.pdf , bir ECM'nin nasıl bir ADL (PDL olarak da bilinen Otoregresif Dağıtılmış Gecikme Modeli) olduğunu tartıştı. . ADL / PDL modeli, Aktarım Fonksiyonunun özel bir halidir. Yukarıdaki referanstaki bu malzeme bir ADL ve ECM'nin eşdeğerini gösterir. Aktarım İşlevlerinin, açık bozulma yapısına izin verdikleri için ADL modellerinden daha genel olduğunu unutmayın.
Demek istediğim, Transfer Fonksiyonları ile kullanılabilen güçlü model tanımlama özelliklerinin bir model varsaymak yerine kullanılması gerektiğidir, çünkü Kısa Çalışma / Uzun Çalışma vb. Gibi basit açıklamalar yapma arzusuna uymaktadır. Transfer Fonksiyonu modeli / yaklaşımı, keyfi bir ARIMA bileşeninin tanımlanması ve Bakliyat / Seviye Kaymaları / Mevsimsel Bakliyat (Mevsimsel Emzirme) ve Yerel Zaman Eğilimleri gibi Gauss İhlallerinin tespiti ile birlikte varyans / parametre değişim artışları.
Bir ADL modeline işlevsel olarak eşdeğer olmayan ve bir Transfer Fonksiyonu olarak yeniden düzenlenemeyen bir ECM örneklerini görmekle ilgilenirim.
De Boef ve Keele'den bir alıntıdır (slayt 89)