AR (1) tahminlerindeki R ve EViews farkları

Ana sorun : EViews ve R ile benzer parametre tahminleri elde edemiyorum.

Kendimi bilmediğim nedenlerden ötürü, EViews kullanarak belirli veriler için parametreleri tahmin etmem gerekiyor. Bu, NLS (doğrusal olmayan en küçük kareler) seçeneği seçilerek ve aşağıdaki formül kullanılarak yapılır:indep_var c dep_var ar(1)

EViews istemlerde : bunlar AR lineer tahmin ki (1) gibi işler burada olarak tanımlanır hatalar: bir eşdeğeri kullanılarak (bazı cebirsel ikameler ile) denklemi: Bundan başka, bu iplik fazla EViews forumlarında NLS tahminlerinin Marquardt algoritması tarafından üretildiğini göstermektedir.

Y_{t} = α + β X_{t} + u_{t}

$Y_t = \alpha + \beta X_t + u_t$

u_{t}

$u_t$

u_{t} = ρ \cdot u_{t - 1} + ε

$u_t = \rho \cdot u_{t-1} + \varepsilon$

Y_{t} = (1 - ρ) α + ρ Y_{t - 1} + β X_{t} - ρ β X_{t - 1} + ε_{t}

$Y_t = (1 - \rho) \alpha + \rho Y_{t - 1} + \beta X_t - \rho \beta X_{t - 1} + \varepsilon_t$

Şimdi, AR (1) süreçlerini tahmin etmek için go-to R işlevi arima. Ancak, iki sorun vardır:

tahminler maksimum olabilirlik tahminleridir;
kesişme tahmini aslında kesişme tahmini değildir (RH Shumway & DS Stoffer'a göre).

Bu nedenle, nlsLMminpack.lm paketinden işleve döndüm. Bu işlev, EViews uygulamasıyla (veya en azından çok benzer olanlarla) aynı sonuçları vermesi gereken doğrusal olmayan en küçük kareler tahminlerini elde etmek için Marquardt algoritmasını kullanır.

Şimdi kod. dataAşağıdaki kod tarafından oluşturulan gibi bağımsız bir değişken ve bağımlı bir değişken ile bir veri çerçevesi ( ) var:

data <- data.frame(independent = abs(rnorm(48)), dependent = abs(rnorm(48)))

EViews tahmin iddia denklemindeki parametreleri tahmin etmek için ( bu yazı üzerinde ^3. bir), aşağıdaki komutları kullanın:

library(minpack.lm)
result <-
nlsLM(dependentB ~ ((1 - theta1) * theta2) + (theta1 * dependentA) +
                    (theta3 * independentB) - (theta1 * theta3 * independentA),
data = list(dependentB = data$dependent[2:48], dependentA = data$dependent[1:47],
   independentB = data$independent[2:48], independentA = data$independent[1:47]),
start = list(theta1 = -10, theta2 = -10, theta3 = -10)
)

Ne yazık ki, tarafından yapılan tahminler nlsLMEViews tarafından elde edilen tahminlere yakın değildir. Buna neyin sebep olabileceği hakkında bir fikriniz var mı? Ya da kodum yanlış olabilir mi?

Son olarak, ben şahsen bir R kullanıcısı olduğumu söylemek istiyorum - tam da bu yüzden EViews yerine R'de yapmaya çalışıyorum. Ayrıca, üzerinde çalıştığım verileri de sunmak isterim ama gizli veriler olduğu için bu imkansız.

r autoregressive software

— Fael
kaynak

Siteye hoş geldiniz, @Fael. Net bir soru için +1. Daha temiz hale getirmek için biçimlendirmeyi hafifçe değiştirme özgürlüğünü aldım. Lütfen hala ne istediğini söylediğinden emin ol.

— gung - Monica'yı eski durumuna getirin

Vay canına, bu senin için gerçekten hoştu. Çok teşekkürler, @gung!

— Fael

Her zaman verileri ölçeklendirir / kodlar ve gönderirsiniz. [(y-sabit1) / sabit2] formunun dönüşümü hile yapacaktır.

— IrishStat

BTW: Doğrusal süreçlerin parametreleri OLS ile tahmin edilebilir.

— Germaniawerks

NLLS'nizde üç parametre ( ) çözmek için değişken başına bir artı artı sabit (standart OLS'ta normal denklemlere analog) olan dört farklı koşul durumu vardır . Doğrusal olmayan algoritmalar genellikle yazılımlar arasındaki tolerans parametreleri için heterojen konfigürasyonlara sahiptir. MAy Tam olarak tanımlanmış bir sistem elde etmek için denkleminizden 'i düşürmenizi ve ardından Eviews'ı R'ye karşı test etmenizi öneririm ? eğer ikisi de aynı fikirde olursa, muhtemelen birinin ondan fazla aşınmasıyla ilgili sıkıntıları olduğu anlamına gelir. $\rho, \beta, \alpha$ $X_{t-1}$

— JDav
kaynak