Devam etmeden önce bazı uyarılar. Öğrencilerime sık sık önerdiğim gibi, auto.arima()
şeyleri yalnızca nihai sonucunuza ilk yaklaşım olarak kullanın ya da rakip teoriye dayalı modelinizin daha iyisini yapıp yapmadığını kontrol ederken eşitlikçi bir model elde etmek istiyorsanız.
Veri
Çalıştığınız zaman serileri verilerinin açıklamasından açıkça başlamak zorundasınız. Makro-ekonometride, genellikle toplanmış verilerle çalışırsınız ve geometrik araçlar (şaşırtıcı bir şekilde) makro zaman serisi verileri için daha fazla deneysel kanıtlara sahiptir, çünkü büyük olasılıkla çoğu katlanarak artan bir eğilime dönüşebilir .
Bu arada, Rob'ın önerisi “görsel olarak” , mevsimsel kesimi açık olan zaman serileri için işe yarıyor , çünkü yavaş yavaş değişen yıllık veriler, varyasyonlardaki artışlar için daha az açık. Neyse ki üssel olarak büyüme eğilimi görülüyor (doğrusal görünüyorsa, günlüklere gerek kalmadan).
model
Analiziniz, bazı ağırlıklı geometrik ortalamaların daha fazla bilinen olduğunu söyleyen bazı teorilere dayanıyorsa çarpımsal regresyon modeli , çalışmak zorunda olduğunuz modeldir . Sonra, genellikle parametrelerde ve değişkenlerinizin çoğunda doğrusal olan bir log-log regresyon modeline geçersiniz, ancak bazı büyüme hızları dönüştürülür.Y( t ) = Xα11( t ) . . . Xαkk( t ) ε ( t )
Finansal ekonometride kütükler, kütük getirilerinin popülerliğinden dolayı yaygın bir şeydir, çünkü
Log dönüşümleri hoş özelliklere sahiptir
Log-log regresyon modelinde , de ' nin esnekliği olarak demek, tahmini parametrenin yorumlanmasıdır . Y ( t ) X i ( t )αbenY( t )Xben( t )
Hata düzeltme modellerinde, oranların mutlak farklılıklardan daha sabit ( durağan ) olduğu konusunda daha güçlü bir varsayım var .
Finansal ekonometride, zaman içindeki geri dönüşleri toplamak kolaydır .
Burada bahsedilmeyen başka birçok neden var.
En sonunda
Günlük dönüşümünün genellikle negatif olmayan (seviye) değişkenlere uygulandığını unutmayın. İki zaman serisinin (örneğin, net ihracat) farklılıklarını gözlemlerseniz, günlüğü almak bile mümkün değildir, ya orijinal verileri seviyelerde aramanız ya da çıkartılan ortak eğilim şeklini almanız gerekir.
[ edit after edit ] Eğer log dönüşümünün ne zaman yapılacağına ilişkin istatistiksel bir kriter hala istiyorsanız , basit bir çözüm heteroscedasticity için herhangi bir test olacaktır. Varyansın artması durumunda, Goldfeld-Quandt Testini veya buna benzerlerini öneririm . R 'de bulunur library(lmtest)
ve gqtest(y~1)
fonksiyon ile belirtilir . Eğer herhangi bir regresyon modeline sahip değilseniz, sadece intercept teriminde gerileme, y
bağımlı değişkeninizdir.