Introdução ao ARIMA: modelos não-sazonais: equação de previsão ARIMA (p, d, q): os modelos ARIMA são, em teoria, a classe mais geral de modelos para a previsão de uma série temporal que pode ser feita para ser 8220stação2008 por diferenciação (se necessário), talvez Em conjunto com transformações não-lineares, como registro ou desinflação (se necessário). Uma variável aleatória que é uma série temporal é estacionária se suas propriedades estatísticas são todas constantes ao longo do tempo. Uma série estacionária não tem tendência, suas variações em torno de sua média têm uma amplitude constante, e ela muda de forma consistente. Ou seja, seus padrões de tempo aleatório de curto prazo sempre parecem os mesmos em um sentido estatístico. A última condição significa que suas autocorrelações (correlações com seus próprios desvios anteriores da média) permanecem constantes ao longo do tempo, ou de forma equivalente, que seu espectro de potência permanece constante ao longo do tempo. Uma variável aleatória deste formulário pode ser vista (como de costume) como uma combinação de sinal e ruído, e o sinal (se um é aparente) pode ser um padrão de reversão média rápida ou lenta, ou oscilação sinusoidal, ou alternância rápida no signo , E também poderia ter um componente sazonal. Um modelo ARIMA pode ser visto como um 8220filter8221 que tenta separar o sinal do ruído, e o sinal é então extrapolado para o futuro para obter previsões. A equação de previsão de ARIMA para uma série de tempo estacionária é uma equação linear (isto é, regressão) em que os preditores consistem em atrasos da variável dependente ou atrasos dos erros de previsão. Isto é: valor previsto de Y uma constante ou uma soma ponderada de um ou mais valores recentes de Y e uma soma ponderada de um ou mais valores recentes dos erros. Se os preditores consistem apenas em valores atrasados de Y. é um modelo autoregressivo puro (8220 self-regressed8221), que é apenas um caso especial de um modelo de regressão e que pode ser equipado com o software de regressão padrão. Por exemplo, um modelo autoregressivo de primeira ordem (8220AR (1) 8221) para Y é um modelo de regressão simples no qual a variável independente é apenas Y rezagada em um período (LAG (Y, 1) em Statgraphics ou YLAG1 em RegressIt). Se alguns dos preditores são atrasos dos erros, um modelo ARIMA não é um modelo de regressão linear, porque não existe nenhuma maneira de especificar o erro 8222 do último período8217s como uma variável independente: os erros devem ser computados numa base de período a período Quando o modelo é ajustado aos dados. Do ponto de vista técnico, o problema com o uso de erros atrasados como preditores é que as previsões do modelo8217s não são funções lineares dos coeficientes. Mesmo que sejam funções lineares dos dados passados. Assim, os coeficientes nos modelos ARIMA que incluem erros atrasados devem ser estimados por métodos de otimização não-linear (8220hill-climbing8221) em vez de apenas resolver um sistema de equações. O acrônimo ARIMA significa Auto-Regressive Integrated Moving Average. Lags da série estacionada na equação de previsão são chamados quota de termos degressivos, os atrasos dos erros de previsão são chamados de termos de média de quotmoving, e uma série de tempo que precisa ser diferenciada para ser estacionada é dito ser uma versão quotintegratedquot de uma série estacionária. Modelos aleatórios e de tendência aleatória, modelos autoregressivos e modelos de suavização exponencial são todos os casos especiais de modelos ARIMA. Um modelo ARIMA não-sazonal é classificado como quotARIMA (p, d, q) quot model, onde: p é o número de termos autorregressivos, d é o número de diferenças não-sazonais necessárias para a estacionaridade e q é o número de erros de previsão atrasados em A equação de predição. A equação de previsão é construída da seguinte forma. Primeiro, digamos a d ª diferença de Y. o que significa: Observe que a segunda diferença de Y (o caso d2) não é a diferença de 2 períodos atrás. Em vez disso, é a primeira diferença da primeira diferença. Que é o análogo discreto de uma segunda derivada, isto é, a aceleração local da série em vez da sua tendência local. Em termos de y. A equação geral de previsão é: Aqui, os parâmetros de média móvel (9528217s) são definidos de modo que seus sinais são negativos na equação, seguindo a convenção introduzida pela Box e Jenkins. Alguns autores e software (incluindo a linguagem de programação R) os definem de modo que eles tenham sinais de mais. Quando os números reais estão conectados à equação, não há ambigüidade, mas é importante saber qual a convenção que seu software usa quando você está lendo a saída. Muitas vezes, os parâmetros são indicados por AR (1), AR (2), 8230 e MA (1), MA (2), 8230 etc. Para identificar o modelo ARIMA apropriado para Y. você começa por determinar a ordem de diferenciação (D) a necessidade de estacionar a série e remover as características brutas da sazonalidade, talvez em conjunto com uma transformação estabilizadora de variância, como registro ou desinflação. Se você parar neste ponto e prever que a série diferenciada é constante, você ajustou apenas uma caminhada aleatória ou modelo de tendência aleatória. No entanto, a série estacionada ainda pode ter erros autocorrelacionados, sugerindo que alguns números de AR (p 8805 1) e outros termos do número MA (q 8805 1) também são necessários na equação de previsão. O processo de determinação dos valores de p, d e q que são melhores para uma determinada série temporal será discutido em seções posteriores das notas (cujos links estão no topo desta página), mas uma prévia de alguns tipos Dos modelos ARIMA não-sazonais que são comumente encontrados são dados abaixo. Modelo autoregressivo de primeira ordem ARIMA (1,0,0): se a série estiver estacionada e autocorrelada, talvez possa ser predita como um múltiplo de seu próprio valor anterior, além de uma constante. A equação de previsão neste caso é 8230, que é regredida por si mesma atrasada por um período. Este é um modelo 8220ARIMA (1,0,0) constante8221. Se a média de Y for zero, então o termo constante não seria incluído. Se o coeficiente de inclinação 981 1 for positivo e menor que 1 em magnitude (deve ser inferior a 1 em magnitude se Y estiver estacionário), o modelo descreve o comportamento de reversão média em que o valor do período 8217 seguinte deve ser previsto 981 1 vez como Muito longe da média, já que este valor do período 8217s. Se 981 1 é negativo, ele prevê comportamento de reversão média com alternância de sinais, ou seja, ele também prevê que Y estará abaixo do período médio seguinte se estiver acima da média deste período. Em um modelo autoregressivo de segunda ordem (ARIMA (2,0,0)), haveria um termo Y t-2 também à direita e assim por diante. Dependendo dos sinais e das magnitudes dos coeficientes, um modelo ARIMA (2,0,0) pode descrever um sistema cuja reversão média ocorre de forma sinusoidalmente oscilante, como o movimento de uma massa em uma mola sujeita a choques aleatórios . ARIMA (0,1,0) caminhada aleatória: se a série Y não é estacionária, o modelo mais simples possível para isso é um modelo de caminhada aleatória, que pode ser considerado como um caso limitante de um modelo AR (1) no qual o autorregressivo O coeficiente é igual a 1, ou seja, uma série com reversão média infinitamente lenta. A equação de predição para este modelo pode ser escrita como: onde o termo constante é a mudança média de período para período (ou seja, a derivação de longo prazo) em Y. Esse modelo poderia ser ajustado como um modelo de regressão sem intercepção em que o A primeira diferença de Y é a variável dependente. Uma vez que inclui (apenas) uma diferença não-sazonal e um termo constante, esta é classificada como um modelo quotARIMA (0,1,0) com constante. O modelo aleatório-sem-atrasado seria um ARIMA (0,1, 0) modelo sem constante ARIMA (1,1,0) modelo autoregressivo de primeira ordem diferenciado: se os erros de um modelo de caminhada aleatória forem autocorrelacionados, talvez o problema possa ser corrigido adicionando um atraso da variável dependente à equação de predição - - é Ao regredir a primeira diferença de Y em si mesma atrasada por um período. Isso produziria a seguinte equação de predição: que pode ser rearranjada para Este é um modelo autoregressivo de primeira ordem com uma ordem de diferenciação não-sazonal e um termo constante - ou seja. Um modelo ARIMA (1,1,0). ARIMA (0,1,1) sem alisamento exponencial constante e simples: outra estratégia para corrigir erros autocorrelacionados em um modelo de caminhada aleatória é sugerida pelo modelo de suavização exponencial simples. Lembre-se de que, para algumas séries temporais não estacionárias (por exemplo, as que exibem flutuações ruidosas em torno de uma média variando lentamente), o modelo de caminhada aleatória não funciona, bem como uma média móvel de valores passados. Em outras palavras, ao invés de tomar a observação mais recente como a previsão da próxima observação, é melhor usar uma média das últimas observações para filtrar o ruído e estimar com maior precisão a média local. O modelo de suavização exponencial simples usa uma média móvel ponderada exponencialmente de valores passados para alcançar esse efeito. A equação de predição para o modelo de suavização exponencial simples pode ser escrita em várias formas matematicamente equivalentes. Um dos quais é o chamado formulário 8220error correction8221, em que a previsão anterior é ajustada na direção do erro que ele fez: porque e t-1 Y t-1 - 374 t-1 por definição, isso pode ser reescrito como : Que é uma equação de previsão ARIMA (0,1,1) sem constante com 952 1 1 - 945. Isso significa que você pode ajustar um alisamento exponencial simples especificando-o como um modelo ARIMA (0,1,1) sem Constante e o coeficiente estimado MA (1) corresponde a 1-menos-alfa na fórmula SES. Lembre-se que, no modelo SES, a idade média dos dados nas previsões de 1 período anterior é de 1 945. O que significa que tenderão a atrasar tendências ou pontos de viragem em cerca de 1 945 períodos. Segue-se que a idade média dos dados nas previsões de 1 período de um ARIMA (0,1,1) - sem modelo constante é 1 (1 - 952 1). Assim, por exemplo, se 952 1 0,8, a idade média é 5. Como 952 1 aborda 1, o ARIMA (0,1,1) - sem modelo constante torna-se uma média móvel de muito longo prazo, e como 952 1 Aproxima-se de 0, torna-se um modelo de caminhada aleatória sem drift. What8217s é a melhor maneira de corrigir a autocorrelação: adicionar termos AR ou adicionar termos MA. Nos dois modelos anteriores discutidos acima, o problema dos erros auto-correlacionados em um modelo de caminhada aleatória foi consertado de duas maneiras diferentes: adicionando um valor atrasado da série diferenciada Para a equação ou adicionando um valor atrasado do erro de previsão. Qual abordagem é melhor Uma regra de ouro para esta situação, que será discutida com mais detalhes mais adiante, é que a autocorrelação positiva geralmente é melhor tratada adicionando um termo AR ao modelo e a autocorrelação negativa geralmente é melhor tratada adicionando um Termo MA. Nas séries temporais econômicas e econômicas, a autocorrelação negativa surge frequentemente como um artefato da diferenciação. (Em geral, a diferenciação reduz a autocorrelação positiva e pode até causar uma mudança de autocorrelação positiva para negativa). Assim, o modelo ARIMA (0,1,1), em que a diferenciação é acompanhada por um termo MA, é mais freqüentemente usado do que um Modelo ARIMA (1,1,0). ARIMA (0,1,1) com alisamento exponencial constante e constante: ao implementar o modelo SES como modelo ARIMA, você realmente ganha alguma flexibilidade. Em primeiro lugar, o coeficiente estimado de MA (1) pode ser negativo. Isso corresponde a um fator de alisamento maior que 1 em um modelo SES, que normalmente não é permitido pelo procedimento de montagem do modelo SES. Em segundo lugar, você tem a opção de incluir um termo constante no modelo ARIMA, se desejar, para estimar uma tendência média não-zero. O modelo ARIMA (0,1,1) com constante tem a equação de previsão: as previsões de um período anteriores deste modelo são qualitativamente similares às do modelo SES, exceto que a trajetória das previsões de longo prazo é tipicamente uma Linha inclinada (cuja inclinação é igual a mu) em vez de uma linha horizontal. ARIMA (0,2,1) ou (0,2,2) sem alisamento exponencial linear constante: modelos de alisamento exponencial linear são modelos ARIMA que utilizam duas diferenças não-sazonais em conjunto com os termos MA. A segunda diferença de uma série Y não é simplesmente a diferença entre Y e ela mesma atrasada por dois períodos, mas é a primeira diferença da primeira diferença - isto é. A mudança de mudança de Y no período t. Assim, a segunda diferença de Y no período t é igual a (Y t-Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. Uma segunda diferença de uma função discreta é análoga a uma segunda derivada de uma função contínua: mede a quotaccelerationquot ou quotcurvaturequot na função em um determinado ponto no tempo. O modelo ARIMA (0,2,2) sem constante prediz que a segunda diferença da série é igual a uma função linear dos dois últimos erros de previsão: o que pode ser rearranjado como: onde 952 1 e 952 2 são o MA (1) e MA (2) coeficientes. Este é um modelo de suavização exponencial linear geral. Essencialmente o mesmo que o modelo Holt8217s, e o modelo Brown8217s é um caso especial. Ele usa médias móveis exponencialmente ponderadas para estimar um nível local e uma tendência local na série. As previsões de longo prazo deste modelo convergem para uma linha reta cuja inclinação depende da tendência média observada no final da série. ARIMA (1,1,2) sem alisamento exponencial linear constante de tendência amortecida. Este modelo está ilustrado nos slides que acompanham os modelos ARIMA. Ele extrapola a tendência local no final da série, mas acha-se em horizontes de previsão mais longos para introduzir uma nota de conservadorismo, uma prática que tem suporte empírico. Veja o artigo em quotPor que a Tendência Damped funciona por Gardner e McKenzie e o artigo do quotGolden Rulequot de Armstrong et al. para detalhes. Em geral, é aconselhável manter os modelos em que pelo menos um de p e q não é maior do que 1, ou seja, não tente se ajustar a um modelo como o ARIMA (2,1,2), pois isso provavelmente levará a uma superposição E quotcommon-factorquot questões que são discutidas em mais detalhes nas notas sobre a estrutura matemática dos modelos ARIMA. Implementação da planilha: os modelos ARIMA, como os descritos acima, são fáceis de implementar em uma planilha eletrônica. A equação de predição é simplesmente uma equação linear que se refere a valores passados de séries temporais originais e valores passados dos erros. Assim, você pode configurar uma planilha de previsão ARIMA armazenando os dados na coluna A, a fórmula de previsão na coluna B e os erros (dados menos previsões) na coluna C. A fórmula de previsão em uma célula típica na coluna B seria simplesmente Uma expressão linear que se refere a valores nas linhas precedentes das colunas A e C, multiplicadas pelos coeficientes apropriados AR ou MA armazenados em células em outro lugar na planilha. Exibições 9.5 Lista de recursos EViews oferece uma ampla gama de recursos poderosos para gerenciamento de dados, estatísticas e econométricas Análise, previsão e simulação, apresentação de dados e programação. Embora não possamos listar tudo, a lista a seguir oferece um vislumbre dos importantes recursos do EViews: rótulos de dados básicos de numeração, alfanuméricos (seqüência de caracteres) e de data series. Extensa biblioteca de operadores e funções estatísticas, matemáticas, de data e de string. Linguagem poderosa para manipulação de expressão e transformação de dados existentes usando operadores e funções. Amostras e objetos de exemplo facilitam o processamento em subconjuntos de dados. Suporte para estruturas de dados complexas, incluindo dados datados regularmente, dados datados irregulares, dados de seção transversal com identificadores de observação, dados de painel datados e não datados. Arquivos de trabalho de várias páginas. EViews nativos, bancos de dados baseados em disco fornecem poderosos recursos de consulta e integração com os arquivos de trabalho EViews. Converta dados entre EViews e vários formatos de planilha, estatística e banco de dados, incluindo (mas não limitado a): arquivos Microsoft Access e Excel (incluindo. XSLX e. XLSM), arquivos Gauss Dataset, arquivos de transporte SAS, arquivos nativos e portáteis SPSS, Arquivos Stata, arquivos ASCII em formato bruto ou arquivos binários, HTML ou bancos de dados ODBC e consultas (o suporte a ODBC é fornecido apenas na Enterprise Edition). Suporte OLE para ligar a saída EViews, incluindo tabelas e gráficos, para outros pacotes, incluindo Microsoft Excel, Word e Powerpoint. Suporte OLEDB para leitura de arquivos de trabalho EViews e bancos de dados usando clientes com conhecimento de OLEDB ou programas personalizados. Suporte para bases de dados FRED (Federal Reserve Economic Data). Suporte Enterprise Edition para os bancos de dados da Global Insight DRIPro e DRIBase, Haver Analytics DLX, FAME, EcoWin, Bloomberg, EIA, CEIC, Datastream, FactSet e Moodys Economy. O EViews Microsoft Excel Add-in permite que você vincule ou importe dados de arquivos de trabalho EViews e bancos de dados dentro do Excel. O suporte para arrastar e soltar para ler dados simplesmente solta arquivos em EViews para conversão automática e vinculação de dados estrangeiros no formato de arquivo de trabalho EViews. Ferramentas poderosas para criar novas páginas do arquivo de trabalho a partir de valores e datas em séries existentes. Combinar mesclar, juntar, anexar, subconjunto, redimensionar, classificar e remodelar (pilha e desmarcar) os arquivos de trabalho. Conversão de freqüência automática fácil de usar ao copiar ou vincular dados entre páginas de diferentes freqüências. A conversão de frequência e a combinação de mesclagem suportam a atualização dinâmica sempre que a mudança de dados subjacente. Série de fórmulas de atualizações automáticas que são automaticamente recalculadas sempre que a mudança de dados subjacente. Conversão de freqüência fácil de usar: basta copiar ou vincular dados entre páginas de diferentes freqüências. Ferramentas para remoção de amostras e geração de números aleatórios para simulação. Geração de números aleatórios para 18 diferentes funções de distribuição usando três geradores de números aleatórios diferentes. Suporte para o acesso à unidade em nuvem, permitindo que você abra e salve arquivos diretamente nas contas Dropbox, OneDrive, Google Drive e Caixa. Manipulação de dados da série de tempos Suporte integrado para o gerenciamento de datas e dados de séries temporais (regulares e irregulares). Suporte para dados de frequência regular comuns (Anual, Semestral, Trimestral, Mensal, Bimestral, Quinzena, Dez dias, Semanalmente, Diário - Semana de 5 dias, Diário - Semana de 7 dias). Suporte para dados de alta freqüência (intradía), permitindo horas, minutos e segundos de freqüências. Além disso, há uma série de freqüências regulares freqüentemente encontradas, incluindo Multi-Year, Bimestral, Quincena, Dez-Dia e Diariamente com um intervalo arbitrário de dias da semana. Funções e operadores de séries temporais especializadas: atrasos, diferenças, diferenças de log, médias móveis, etc. Conversão de freqüência: vários métodos de alta a baixa e baixa a alta. Suavização exponencial: solteiro, duplo, Holt-Winters e suavização ETS. Ferramentas integradas para regressão de clareamento. Filtragem Hodrick-Prescott. Filtro de passagem de banda (frequência): filtros de assimetria de comprimento total e de amostra completa de Baxter-King, Christiano-Fitzgerald. Ajuste sazonal: Censo X-13, X-12-ARIMA, TramoSeats, média móvel. Interpolação para preencher valores faltantes dentro de uma série: Linear, Log-Linear, Spline Catmull-Rom, Cardeal Spline. Estatísticas Resumos de dados básicos por resumos de grupos. Testes de igualdade: t-tests, ANOVA (equilibrado e desequilibrado, com ou sem variâncias heterossejizadas), Wilcoxon, Mann-Whitney, Chi-quadrado mediano, Kruskal-Wallis, van der Waerden, F-test, Siegel-Tukey, Bartlett , Levene, Brown-Forsythe. Tabulação cruzada de tabulação unidirecional com medidas de associação (Coeficiente Phi, Cramers V, Coeficiente de Contingência) e teste de independência (Pearson Chi-Square, Ratio de Probabilidade G2). Análise de covariância e correlação incluindo Pearson, Spearman rank-order, Kendalls tau-a e tau-b e análise parcial. Análise de componentes principais, incluindo parcelas de scree, biplots e lotes de carregamento, e cálculos de pontuação de componente ponderada. Análise de fator que permite a computação de medidas de associação (incluindo covariância e correlação), estimativas de singularidade, estimativas de carga de fatores e pontuações de fatores, além de realizar diagnósticos de estimação e rotação de fatores usando um dos mais de 30 métodos ortogonais e oblíquos diferentes. Testes de função de distribuição empírica (EDF) para as distribuições Normal, Exponencial, Extreme value, Logistic, Chi-square, Weibull ou Gamma (Kolmogorov-Smirnov, Lilliefors, Cramer-von Mises, Anderson-Darling, Watson). Histogramas, Polígonos de Freqüência, Polígonos de Freqüência de Borda, Histogramas médios com Shifting, CDF-sobrevivente-quantile, Quantile-Quantile, densidade de kernel, distribuições teóricas ajustadas, boxplots. Scatterplots com linhas de regressão paramétrica e não paramétrica (LOWESS, polinômio local), regressão do kernel (Nadaraya-Watson, linear local, polinômio local). Ou elipses de confiança. Autocorrelação de séries temporais, autocorrelação parcial, correlação cruzada, estatísticas Q. Testes de causalidade de Granger, incluindo a causalidade do painel Granger. Testes de raiz unitária: Dickey-Fuller aumentado, GLS transformou Dickey-Fuller, Phillips-Perron, KPSS, Eliot-Richardson-Stock Point Optimal, Ng-Perron, bem como testes para raízes unitárias com pontos de interrupção. Testes de Cointegração: Johansen, Engle-Granger, Phillips-Ouliaris, Park adicionaram variáveis e a estabilidade de Hansen. Testes de independência: Brock, Dechert, Scheinkman e LeBaron Testes de proporção de variância: Lo e MacKinlay, Kim bootstrap selvagem, Wrights rank, rank-score e sign-tests. Wald e testes de proporção de variância de comparação múltipla (Richardson e Smith, Chow e Denning). Cálculo de variância e covariância de longo prazo: covariâncias de longo prazo simétricas ou unilaterais usando núcleo não paramétrico (Newey-West, 1987, Andrews, 1991), VARHAC paramétrico (Den Haan e Levin 1997) e cerne pre-branco (Andrews e Monahan, 1992) métodos. Além disso, o EViews suporta métodos de seleção de largura de banda automática Andrews (1991) e Newey-West (1994) para estimadores de kernel e métodos de seleção de comprimento de atraso baseados em critérios de informação para VARHAC e estimativa de pré-capuz. Painel e Pool Por grupo e estatísticas e testes por período. Testes de raiz unitária: Levin-Lin-Chu, Breitung, Im-Pesaran-Shin, Fisher, Hadri. Testes de Cointegração: Pedroni, Kao, Maddala e Wu. Painel dentro de covariâncias de série e componentes principais. Testes de causalidade do painel Dumitrescu-Hurlin (2017). Testes de dependência de seção transversal. Regressão de estimativa Quadrados mínimos ordinários e não lineares (regressão múltipla). Regressão linear com PDLs em qualquer número de variáveis independentes. Regressão robusta. Derivados analíticos para estimativa não linear. Menos quadrados ponderados. Erros padrão robustos de White e Newey-West. Os erros padrão do HAC podem ser computados usando métodos kernel paramétrico, paramétrico VARHAC e pre-branco e permitem métodos de seleção de largura de banda automática Andrews e Newey-West para estimadores de kernel e métodos de seleção de comprimento de atraso baseados em critérios de informação para VARHAC e estimativa de pré-capimpiamento. Regressão de cuares lineares e desvios mínimos absolutos (LAD), incluindo cálculos de covariância de Hubers Sandwich e bootstrapping. Regressão passo a passo com sete procedimentos de seleção diferentes. Regressão de limite, incluindo TAR e SETAR. ARMA e ARMAX Modelos lineares com média móvel móvel autorregressiva sazonal e erros sazonais de média móvel. Modelos não-lineares com especificações AR e SAR. Estimativa usando o método backcasting de Box e Jenkins, mínimos quadrados condicionais, ML ou GLS. Modelos ARFIMA fracamente integrados. Variáveis instrumentais e GMM Variáveis lineares e não-lineares de duas etapas mínimas (2SLSIV) e Método de Momentos Generalizados (GMM). Estimação 2SLSIV linear e não linear com erros AR e SAR. Informações limitadas Maximum Likelihood (LIML) e estimativa da classe K. Ampla gama de especificações da matriz de peso de GMM (branco, HAC, fornecido pelo usuário) com controle sobre a iteração da matriz de peso. As opções de estimativa GMM incluem estimativa de atualização contínua (CUE) e uma série de novas opções de erro padrão, incluindo erros padrão do Windmeijer. Os diagnósticos específicos de IVGMM incluem Teste de Ortogonalização de Instrumentos, um Teste de Endogeneidade de Regressor, um Teste de Instrumento Fraco e um teste de ponto de ruptura específico do GMM. ARCHGARCH GARCH (p, q), EGARCH, TARCH, Componente GARCH, Power ARCH, GARCH integrado. A equação média linear ou não-linear pode incluir os termos ARCH e ARMA, tanto as equações médias quanto as variáveis permitem variáveis exógenas. Normal, Estudantes t e Distribuições de Erros Generalizados. Erros padrão robustos da Bollerslev-Wooldridge. Previsões dentro e fora da amostra da variância condicional e média e componentes permanentes. Modelos de variáveis dependentes limitados Logit binário, Probit e Gompit (Extreme Value). Ordered Logit, Probit e Gompit (Extreme Value). Modelos censurados e truncados com erros normais, logísticos e de valor extremo (Tobit, etc.). Contagem de modelos com Poisson, binômio negativo e quimixabilidade máxima (QML) especificações. Modelos de seleção Heckman. Erros padrão robustos da HuberWhite. Os modelos de contagem suportam modelos padrão linear ou erros padrão QML. Hosmer-Lemeshow e Andrews Testes de qualidade para modelos binários. Guarde facilmente os resultados (incluindo resíduos e gradientes generalizados) para novos objetos EViews para análise posterior. O mecanismo geral de estimação GLM pode ser usado para estimar vários desses modelos, com a opção de incluir covariâncias robustas. Painel DataPooled Série temporal, dados transversais Estimação linear e não linear com seção transversal aditiva e período de efeitos fixos ou aleatórios. Escolha de estimadores sem escala quadrática (QUEs) para variações de componentes em modelos de efeitos aleatórios: Swamy-Arora, Wallace-Hussain, Wansbeek-Kapteyn. Estimação de 2SLSIV com efeitos fixos ou aleatórios de seção transversal e período. Estimativa com erros AR usando mínimos quadrados não-lineares em uma especificação transformada Quadrados mínimos geralmente generalizados, estimativa 2SLSIV generalizada, estimativa de GMM, permitindo as especificações heterossejadas e cruzadas de seção transversal ou período. Estimativa de dados de painel dinâmico linear usando primeiras diferenças ou desvios ortogonais com instrumentos pré-determinados específicos do período (Arellano-Bond). Testes de correlação em série do painel (Arellano-Bond). Os cálculos de erro padrão robustos incluem sete tipos de erros padrão robustos corrigidos por painel branco (PCSE). Teste de restrições de coeficientes, variáveis omitidas e redundantes, teste de Hausman para efeitos aleatórios correlacionados. Testes de raiz da unidade de painel: Levin-Lin-Chu, Breitung, Im-Pesaran-Shin, testes de tipo Fisher usando testes de ADF e PP (Maddala-Wu, Choi), Hadri. Estimativa de cointegração de painel: OLS totalmente modificado (FMOLS, Pedroni 2000) ou quadrados mínimos dinâmicos ordinários (DOLS, Kao e Chaing 2000, Mark e Sul 2003). Estimativa do grupo médio médio (PMG). Modelos Lineares Generalizados Normal, Poisson, Binomial, Binômio Negativo, Gamma, Gaussiano Inverso, Mena Exponencial, Média de Energia, famílias de Binômio Quadrado. Identidade, log, log-complemento, logit, probit, log-log, log-log de cortesia, inverso, energia, índice de chance de energia, Box-Cox, Box-Cox odds ratio link functions. Variação prévia e ponderação de freqüência. Fixed, Pearson Chi-Sq, desvio e especificações de dispersão especificadas pelo usuário. Suporte para estimativa QML e testes. Quadratic Hill Climbing, Newton-Raphson, IRLS - Fisher Scoring e algoritmos de estimação BHHH. Covariâncias de coeficientes comuns calculadas utilizando Hessian esperado ou observado ou o produto externo dos gradientes. Estimativas robustas de covariância usando métodos GLM, HAC ou HuberWhite. Single Equation Cointegrating Regression Support para três métodos de estimação totalmente eficientes, OLS totalmente modificado (Phillips e Hansen, 1992), Regressão cointegrada canônica (Park 1992) e OLS dinâmico (Saikkonen 1992, Stock e Watson 1993 Engle e Granger (1987) e Phillips e Ouliaris (1990) testes baseados em resíduos, o teste de instabilidade de Hansens (1992b) e Parks (1992) adicionaram o teste de variáveis. Especificação flexível da tendência e regressores deterministas na equação e especificação de regressores de cointegração. Estimativa completa de variações de longo prazo para FMOLS e CCR. Seleção de atraso automático ou fixo para atrasos e derivações de DOLS e para regressão de branqueamento de variância de longo prazo. OLS rescaneado e cálculos de erros robustos padrão para DOLS. Máxima probabilidade máxima especificada pelo usuário Use expressões de série EViews padrão para descrever as contribuições de verossibilidade de log. Exemplos para logit multinomial e condicional, modelos de transformação Box-Cox, modelos de comutação de desequilíbrio, modelo probit S com erros heterossegativos, logit aninhado, seleção de amostras de Heckman e modelos de risco de Weibull. Sistemas de equações Estimativa linear e não linear. Menos quadrados, 2SLS, estimativa ponderada da equação, Regressão aparentemente não relacionada e Quadrados mínimos de três estágios. GMM com matrizes de ponderação branca e HAC. Estimativa de AR usando mínimos quadrados não lineares em uma especificação transformada. Informação máxima máxima máxima (FIML). Estimar as factorizações estruturais nos VARs ao impor restrições de curto ou longo prazo. VAR bayesianos. Funções de resposta de impulso em vários formatos tabulares e gráficos com erros padrão calculados analiticamente ou por métodos de Monte Carlo. Choques de resposta de impulso calculados a partir da factorização de Cholesky, resíduos de desvio padrão de uma unidade ou padrão (ignorando correlações), impulsos generalizados, fatoração estrutural ou uma forma de matriz vetorial especificada pelo usuário. Imponha e teste restrições lineares nas relações de co-integração ou coeficientes de ajuste em modelos VEC. Veja ou gere relações de cointegração de modelos VEC estimados. Diagnósticos extensivos, incluindo: testes de causalidade de Granger, testes de exclusão de lagatação conjunta, avaliação de critérios de comprimento de paralisação, correlogramas, autocorrelação, testes de normalidade e heterocedasticidade, testes de cointegração, outros diagnósticos multivariados. Correlação de Constantes Condicionais ARCH Multivariada (p, q), Diálogo VECH (p, q), Diagonal BEKK (p, q), com termos assimétricos. Opção de parametrização extensa para a matriz de coeficientes Diagonal VECHs. Variáveis exógenas permitidas nas equações média e variância não linear e os termos AR permitidos nas equações médias. Erros padrão robustos da Bollerslev-Wooldridge. Normal ou Estudantes t distribuição de erros multivariados Uma escolha de derivados analíticos ou (rápidos ou lentos) numéricos. (Derivados de análise não disponíveis para alguns modelos complexos.) Gerar covariância, variância ou correlação em vários formatos tabulares e gráficos a partir de modelos ARCH estimados. Algoritmo de filtro do Estado Space Kalman para estimar os modelos estruturais individuais e multi-equivalentes especificados pelo usuário. Variáveis exógenas na equação de estado e especificações de variância totalmente parametrizadas. Gerar sinais, estados e erros de um passo à frente, filtrados ou suavizados. Os exemplos incluem parâmetros de variação do tempo, ARMA multivariada e modelos de volatilidade estocástica de quasilikelihood. Testes e Avaliação Parcelas reais, instaladas e residuais. Testes Wald para restrições de coeficientes lineares e não-lineares com elipses de confiança mostrando a região de confiança conjunta de quaisquer duas funções dos parâmetros estimados. Outros diagnósticos de coeficientes: coeficientes padronizados e elasticidades de coeficientes, intervalos de confiança, fatores de inflação de variância, decomposições de variância de coeficientes. Variáveis omitidas e redundantes Testes LR, correlogramas residuais residuais e quadrados e estatísticas Q, correlação serial residual e testes ARCH LM. White, Breusch-Pagan, Godfrey, Harvey e Glejser testes de heterossessibilidade. Diagnósticos de estabilidade: teste de ponto de interrupção de Chow e testes de previsão, teste de ponto de ruptura desconhecido de Whent-Andrews, testes de ponto de interrupção de Bai-Perron, testes Ramsey RESET, estimativa recursiva de OLS, estatísticas de influência, gráficos de alavancagem. Diagnósticos de equações ARMA: gráficos ou tabelas das raízes inversas do polinômio AR e ou MA, compare o padrão de autocorrelação teórico (estimado) com o padrão de correlação real para os resíduos estruturais, exiba a resposta de impulso ARMA a um choque de inovação e a freqüência ARMA espectro. Guarde facilmente os resultados (coeficientes, matrizes de covariância de coeficientes, resíduos, gradientes, etc.) para objetos EViews para análise posterior. Veja também Estimativa e Sistemas de Equações para procedimentos de teste especializados adicionais. Previsão e simulação Previsão estática ou dinâmica dentro ou fora da amostra de objetos de equação estimados com o cálculo do erro padrão da previsão. Gráficos de previsão e avaliação de previsão na amostra: RMSE, MAE, MAPE, Theil Inequality Coefficient e proporções Ferramentas de construção de modelos de última geração para previsão de equações múltiplas e simulação multivariada. As equações de modelos podem ser inseridas em texto ou como links para atualização automática em re-estimativa. Exibir estrutura de dependência ou variáveis endógenas e exógenas de suas equações. Gauss-Seidel, Broetwen e Newton solucionadores modelo para simulação não estocástica e estocástica. A solução para frente não estocástica resolve soluções para expectativas consistentes do modelo. A simulação Stochasitc pode usar restos bootstrapped. Resolva os problemas de controle para que a variável endógena alcance um alvo especificado pelo usuário. Padronização da equação sofisticada, fator de adição e suporte de substituição. Gerencie e compare cenários de soluções múltiplas envolvendo vários conjuntos de pressupostos. As visualizações e procedimentos de modelos incorporados exibem resultados de simulação em forma gráfica ou tabular. Gráficos e Tabelas Linha, traçado de pontos, área, barra, espiga, sazonal, torta, linha x, pontos de dispersão, blocos de caixa, barra de erro, alto-baixo-aberto-fechado e faixa de área. Gráficos categóricos e resumidos poderosos e fáceis de usar. Gráficos de atualização automática que atualizam como mudança de dados subjacente. Informações de observação e exibição de valor quando você posiciona o cursor sobre um ponto no gráfico. Histogramas, historias médias variadas, polois de freqüência, polígonos de frequência de borda, cofres, densidade de kernel, distribuições teóricas ajustadas, boxplots, CDF, sobrevivente, quantile, quantile-quantile. Scatterplots com qualquer combinação de kernel paramétrico e não paramétrico (Nadaraya-Watson, linear local, polinômio local) e as linhas de regressão mais próxima (LOWESS), ou elipses de confiança. Personalização baseada em comando e ponto-a-ponto interativo. Maior personalização do fundo do gráfico, quadro, legendas, eixos, escala, linhas, símbolos, texto, sombreamento, desvanecimento, com recursos aprimorados do modelo de gráfico. Personalização da tabela com controle sobre a face, tamanho e cor da fonte da célula, cor e bordas do fundo da célula, fusão e anotação. Copie e cole gráficos em outros aplicativos do Windows, ou salve gráficos como metadados regulares ou aprimorados do Windows, arquivos PostScript encapsulados, bitmaps, GIFs, PNGs ou JPGs. Copie e cole as tabelas para outro aplicativo ou salve em um arquivo RTF, HTML ou texto. Gerencie gráficos e tabelas em um objeto de spool que permite exibir vários resultados e análises em um objeto Comandos e Programação O idioma de comando orientado a objetos fornece acesso a itens de menu. Execução em lote de comandos em arquivos de programa. Looping e condição de ramificação, sub-rotina e processamento de macro. Objetos de vetor String e String para processamento de seqüência de caracteres. Biblioteca extensa de funções de lista de string e string. Suporte extensivo de matriz: manipulação de matriz, multiplicação, inversão, produtos Kronecker, solução de valor próprio e decomposição de valor singular. Suporte ao servidor de automação COM de interface externa e complementos EViews COM para que programas ou scripts externos possam iniciar ou controlar EViews, transferir dados e executar comandos EViews. O EViews oferece o aplicativo de suporte ao cliente COM Automation para servidores MATLAB e R para que EViews possam ser usados para iniciar ou controlar o aplicativo, transferir dados ou executar comandos. O EViews Microsoft Excel Add-in oferece uma interface simples para buscar e vincular a partir do Microsoft Excel (2000 e posterior) para objetos de série e matriz armazenados em arquivos de trabalho e bancos de dados EViews. A infraestrutura de complementos EViews oferece acesso contínuo a programas definidos pelo usuário usando o comando EViews padrão, menu e interface de objeto. Baixe e instale Complementos pré-definidos do site EViews. Home AboutContact Para obter informações sobre vendas, envie um e-mail para as vendas. Para obter suporte técnico, envie um e-mail para o Suporte. Inclua seu número de série com toda a correspondência por e-mail. Para obter informações de contato adicionais, consulte nossa página Sobre.
No comments:
Post a Comment