AR ile rastgele yürüme tahmini (1)


10

Bir AR (1) ile rastgele bir yürüyüş tahmin ettiğimde, katsayı 1'e çok yakın ama her zaman daha az.

Katsayının birden fazla olmamasının matematik nedeni nedir?


Matlab araç kutusu ile ve ayrıca arima üzerinde benim senaryo ile denedim (katsayı [-10,10] 'da sınırlıdır ve sonuç aynıdır). Basit bir OLS ile deniyorum ve sonuç aynı.
Marco

Tahmin aşağı yönlü, Dickey ve Fuller gazetesini okumak zorundayız.
Marco

Yanıtlar:


12

OLS tarafından x t = ρ x t - 1 + u t modelini tahmin ediyoruz ,

xt=ρxt1+ut,E(ut{xt1,xt2,...})=0,x0=0

T boyutunda bir örnek için tahminci

ρ^=t=1Txtxt1t=1Txt12=ρ+t=1Tutxt1t=1Txt12

ρ=1

xt=xt1+utxt=i=1tui

ρ^168ρ^<1

resim açıklamasını buraya girin

Mean:0.0017773Median:0.00085984Minimum: 0.042875Maximum: 0.0052173Standard deviation: 0.0031625Skewness: 2.2568Ex. kurtosis: 8.3017

Buna bazen "Dickey-Fuller" dağılımı denir, çünkü aynı ismin Birim Kök testlerini gerçekleştirmek için kullanılan kritik değerlerin temelidir.

Örnekleme dağılımının şekli için sezgi sağlama girişimi gördüğümü hatırlamıyorum . Rastgele değişkenin örnekleme dağılımına bakıyoruz

ρ^1=(t=1Tutxt1)(1t=1Txt12)

utρ^1ρ^1

T=5

Bağımsız Ürün Normallerini toplarsak, sıfır etrafında simetrik kalan bir dağılım elde ederiz. Örneğin:

resim açıklamasını buraya girin

Ama bağımsız olmayan Ürün Normallerini bizim durumumuz gibi toplarsak

resim açıklamasını buraya girin

sağa eğik olan ancak negatif değerlere daha fazla olasılık kütlesi tahsis edilen. Numune boyutunu arttırırsak ve toplama daha fazla ilişkili öğeler eklersek, kütle sola daha fazla itilir gibi görünür.

Bağımsız olmayan Gammaların toplamının karşılıklılığı, pozitif çarpıklığa sahip negatif olmayan rastgele bir değişkendir.

ρ^1


Vay, güzel analiz! Burada standart OLS varsayımlarından hangilerinin ihlal edildiğini belirtebilir misiniz?
Richard Hardy

@RichardHardy Teşekkürler. Yorumunuza yanıt vermek için daha sonra geri döneceğim.
Alecos Papadopoulos

Hala OLS varsayımlarını merak ediyorum ... Şimdiden teşekkürler!
Richard Hardy

Xt+1=αXt+ϵXt+1Xt

ρ^<1ρ^1

6

Bu gerçekten bir cevap değil ama bir yorum için çok uzun, bu yüzden yine de bu yazı.

100 örnek boyutu ("R" kullanarak) için yüz üzerinden 1 iki kat daha büyük bir katsayı elde edebildi:

N=100                   # number of trials
T=100                   # length of time series
coef=c()
for(i in 1:N){
 set.seed(i)
 x=rnorm(T)             # generate T realizations of a standard normal variable
 y=cumsum(x)            # cumulative sum of x produces a random walk y
 lm1=lm(y[-1]~y[-T])    # regress y on its own first lag, with intercept
 coef[i]=as.numeric(lm1$coef[1])
}
length(which(coef<1))/N # the proportion of estimated coefficients below 1

84. ve 95. gerçekleşmelerin katsayısı 1'in üzerinde olduğundan her zaman birinden düşük değildir . Bununla birlikte, eğilim aşağı yönlü bir tahminde bulunma eğilimindedir. Sorular devam ediyor, neden ?

Düzenleme: Yukarıdaki regresyonlar, modele ait görünmeyen bir kesme terimi içeriyordu. Kesişim kaldırıldıktan sonra, 1'den (10000'den 3158) çok daha fazla tahmin alıyorum - ancak yine de tüm vakaların% 50'sinin altında.

N=10000                 # number of trials
T=100                   # length of time series
coef=c()
for(i in 1:N){
 set.seed(i)
 x=rnorm(T)             # generate T realizations of a standard normal variable
 y=cumsum(x)            # cumulative sum of x produces a random walk y
 lm1=lm(y[-1]~-1+y[-T]) # regress y on its own first lag, without intercept
 coef[i]=as.numeric(lm1$coef[1])
}
length(which(coef<1))/N # the proportion of estimated coefficients below 1

tam olarak, "her zaman" küçük değil, davanın çoğunluğunda. Açıkçası sahte bir sonuçtur. neden?
Marco

2
xtxt1
Sitemizi kullandığınızda şunları okuyup anladığınızı kabul etmiş olursunuz: Çerez Politikası ve Gizlilik Politikası.
Licensed under cc by-sa 3.0 with attribution required.