Representação em média móvel de aproximações autorregressivas Peter Bhlmann 1 Departamento de Estatística, Universidade da Califórnia, Evans Hall, Berkeley, CA 94720, EUA Disponível on-line em 5 de abril de 2000. Estudamos as propriedades de uma MA () - representação de uma aproximação autorregressiva para um Estacionário, de valor real. Ao fazer isso, damos uma extensão do teorema de Wieners na configuração de aproximação determinística. Ao lidar com dados, podemos usar este novo resultado chave para obter insights sobre a estrutura de MA () - representações de modelos auto-regressivos ajustados onde a ordem aumenta com o tamanho da amostra. Em particular, nós damos um limite uniforme para estimar os coeficientes de média móvel através de aproximação autorregressiva uniforme em todos os inteiros. AR () Causal Análise complexa Função de resposta ao impulso Invertible Processo linear MA () Mistura Série temporal Função de transferência Processo estacionário Referências An et al. 1982 H.-Z. A. Z.-G Chen. E. J. Hannan Autocorrelação, auto-regressão e aproximação autorregressiva Ann. Estatista Volume 10, 1982. pp. 926936 Corr: H.-Z. A. Z.-G Chen. E. J. Hannan Autocorrelação, auto-regressão e aproximação autorregressiva Ann. Estatista Volume 11. 1982. p. 1018 Berk, 1974 K. N. Berk Estimativas espectrais auto-regressivas consistentes Ann. Estatista Volume 2. 1974. pp. 489502 Bhansali, 1989 R. J. Bhansali Estimativa da representação média móvel de um processo estacionário por modelo auto-regressivo J. Time Series Anal. Volume 10. 1989. pp. 215232 Bhansali, 1992 R. J. Bhansali Estimativa autorregressiva do erro quadrático médio de predição e uma medida R 2: uma aplicação New Directions in Time Series Analysis. D. Brillinger. P. Caines. J. Geweke. E. Parzen. M. Rosenblatt. SENHORA. Taqqu. 1992. Springer, Nova Iorque. Pp. 924 Parte I Bickel e Bhlmann, 1995 P. J. Bickel. P. Bhlmann Misturando propriedades e teoremas de limite central funcional para um bootstrap de peneira em séries de tempo, Tech. Rep. 440. 1995. Dept. of Statistics, UC Berkeley, Berkeley, CA Brillinger, 1975 D. R. Análise e Teoria de Dados da Série de Tempo de Brillinger. 1975. Holt, Rinehart e Winston, Nova Iorque Brockwell e Davis, 1987 P. J. Brockwell. R. A. Davis Série de Tempo: Teoria e Métodos 1987. Springer, Nova Iorque Bhlmann, 1995 P. Bhlmann Sieve bootstrap para séries de tempo, Tech. Rep. 431. 1995. Dept. of Statistics, UC Berkeley, Berkeley, CA Deistler e Hannan, 1988 M. Deistler. E. J. Hannan A Teoria Estatística dos Sistemas Lineares 1988. Wiley, Nova Iorque Doukhan, 1994 P. Doukhan Propriedades e Exemplos de Mistura. Notas de Aulas em Estatísticas. Volume Vol. 85. 1994. Springer, Nova Iorque Durbin, 1960 J. Durbin A montagem de modelos de séries temporais Rev. Internat. Estatista Inst. Volume 28. 1960. pp. 233244 Efron, 1979 B. Efron Bootstrap métodos: um outro olhar para o jackknife Ann. Estatista Volume 7. 1979. p. 126 Gelfand et al. 1964 I. Gelfand. D. Raikov. G. Shilov Comutativo Normed Rings 1964. Chelsea, Nova Iorque Hannan, 1987 E. J. Hannan Aproximação da função de transferência Rational Stat. Sei. Volume 5. 1987. pp. 105138 Hannan e Kavalieris, 1986 E. J. Hannan. L. Kavalieris Regressão, modelos de autorregressão J. Time Series Anal. Volume 7, 1986. pp. 2749 Kreiss, 1988 J.-P. Kremer, Krein, Kreuz, Krein, Krein, Krein, Kremer, Krein, Krein, Kremer, Kremer, Kremer, Kremer, Kremer, Kremer, et al. tese. 1970. Dept. Statistics, Universidade de Stanford, Stanford, CA Lewis e Reinsel, 1985 R. A. Lewis. G. C. Reinsel Previsão de séries temporais multivariadas pelo modelo autorregressivo J. Multivariate Anal. Análise de convergência dos métodos de identificação paramétrica IEEE Trans. Automático. Controlo AC-23. Ltkepohl, 1989 H. Ltkepohl Uma nota sobre a distribuição assintótica de funções de resposta ao impulso de modelos VAR estimados com resíduos ortogonais J. Econometrics. Volume 42. 1989. pp. 371376 Ltkepohl, 1991 H. Ltkepohl Introdução à Análise de séries temporais múltiplas 1991. Springer, Heidelberg Parzen, 1982 E. Parzen Modelos ARMA para análise de séries temporais e previsão J. Forecast. Volume 1. 1982. pp. 6782 Paparoditis e Streitberg, 1992 E. Paparoditis. B. Streitberg Estatísticas de identificação de ordens em modelos de média móvel auto-regressivos estacionários: autocorrelações de vetores e bootstrap J. Time Series Anal. Volume 13. 1992. pp. 415434 Ptscher, 1987 B. M. Resultados de convergência de Ptscher para estimadores de tipo de máxima verossimilhança em modelos ARMA multivariados J. Multivariate Anal. Volume 21. 1987. pp. 2952 Saikonen, 1986 P. Saikonen Propriedades assintóticas de alguns estimadores preliminares para modelos de séries temporais médias móveis auto-regressivas J. Time Series Anal. Volume 7. 1986. pp. 133155 Silvia e Robinson, 1979 M. T. Silvia. E. A. Robinson Deconvolution de séries geofísicas do tempo na exploração para o óleo eo gás natural 1979. Elsevier, Amsterdão Wiener, 1993 N. Wiener O Fourier Integral e certas de suas aplicações 1993. Cambridge Univ. Press, Cambridge Withers and Withers, 1981 C. S. Withers Teoremas de limite central para variáveis dependentes I Z. Wahrsch. Verw. Gebiete. Volume 57. 1981. pp. 509534 Corr: C. S. Withers Teoremas de limite central para variáveis dependentes I Z. Wahrsch. Verw. Gebiete. Volume 63, 1981. p. 555 Zygmund, 1959 A. Zygmund, Série Trigonométrica. Volume Vol. 1. 1959. Cambridge Univ. Press, Cambridge 1Supported pela Fundação Nacional de Ciência suíça. Estudamos as propriedades de uma representação MA () de uma aproximação autorregressiva para um processo estacionário, de valor real. Ao fazer isso, damos uma extensão do teorema de Wieners na configuração de aproximação determinística. Ao lidar com dados, podemos usar este novo resultado chave para obter insights sobre a estrutura de MA () - representações de modelos auto-regressivos ajustados onde a ordem aumenta com o tamanho da amostra. Em particular, nós damos um limite uniforme para estimar os coeficientes de média móvel através de aproximação autorregressiva uniforme em todos os inteiros. AR () Causal Análise complexa Função de resposta ao impulso Invertible Processo linear MA () Mistura Série temporal Função de transferência Processo estacionário Download do texto completo em PDF Citar artigos (0) Apoiado pela Fundação Nacional de Ciência da Suíça. Copyright 1995 Publicado por Elsevier B. V. Artigos recomendados Artigos de citação Cookies são usados por este site. Para obter mais informações, visite a página de cookies. Ou seus licenciadores ou contribuintes. ScienceDirect é uma marca registrada da Elsevier B. V.ARMA Representação de modelos de dois fatores Muitos modelos de séries temporais financeiras são especificados através de uma representação estrutural. Contudo, conhecer a sua forma ARMA reduzida pode ser útil para análise de resposta de impulso, filtragem, previsão e para fins de inferência estatística. Esta representação ARMA é o estado estável analítico da variável não observável e é, portanto, uma abordagem alternativa aos métodos baseados em filtros de Kalman. Neste artigo, derivamos analiticamente as raízes de média móvel de um modelo de dois fatores. Em seguida, fornecemos uma aplicação financeira. Mais precisamente, caracterizamos a fraca GARCH (2,2) representação de modelos de volatilidade estocástica de tempo contínuo quando o processo de variância é uma combinação linear de dois processos autorregressivos, como em affine, difusão GARCH, CEV, Ornstein-Uhlenbeck positivo, autofunção e SR-SARV. Beaucoup de modles financiers sont spcifis travers les reprsentations structurelles. O ARMA pode ser útil para a definição de funções de rastreio, para a filtragem, para a previsão e para os métodos de pesquisa. Esta reprsentation ARMA é a forma analítica de ltat estável da variável inobservable e é assim uma alternativa a mthodes bases sobre o filtro de Kalman. Dans cet article, nous dérivons les formules analytiques des racines de moyenne mobile dun modle deux facteurs. Ensuite, nous proposons une application financière. Mais prcisment, nous caractrisons la reprsentation GARCH (2,2) low dun modle en temps continu et volatilit stochastique when la variance instantane est la combinaison linaire de deux processus auto-rgressifs, comme pour les modles affines, diffusion GARCH, CEV, Ornstein - Uhlenbeck et positifs, fonctions propres, et SR-SARV. Se você tiver problemas ao fazer o download de um arquivo, verifique se você tem o aplicativo adequado para visualizá-lo primeiro. Em caso de problemas adicionais, leia a página de ajuda IDEAS. Observe que esses arquivos não estão no site IDEAS. Por favor, seja paciente, pois os arquivos podem ser grandes. CON217HWARMA - 7. Encontre a média móvel. ECON217HWARMA 1. Se uma série de tempo é covariância estacionária, o que sabemos sobre E (X t) e COV (X t. X tk) para t 1. T e k 0, 1, 2. 2. Se é um ruído branco Para o t 1. T e k 0, 1, 2. 3. Defina e compare a função de autocorrelação ea função de autocorrelação parcial de Uma série de tempo estacionária. 4. Suponha que Y t segue Y t phi Y t-1 epsilon t epsilon t WN (0. sigma 2). uma. Indique a suposição (s) em phi que fará estacionário. B. Assumindo é estacionário. Encontre a função de autocorrelação e a função de autocorrelação parcial. 5. Suponha que Y t segue Y t epsilon t theta epsilon t-1 epsilon t WN (0, sigma 2). uma. Indique a (s) suposição (ões) que fará estacionária. B. Encontre a função de autocorrelação de. C. Anote a função de autocorrelação parcial de. 6. Considere um registro de séries temporais. Discuta como você especificaria um modelo de série de tempo usando a abordagem de três passos de Box-Jenkins e a abordagem de critério de informação. Este é o final da pré-visualização. Inscreva-se para acessar o restante do documento. Pré-visualização de texto não formatado: 7. Encontre a representação da média móvel, a resposta ao impulso ea previsão de cada um dos seguintes processos: a) (1-L) Y t t. B) (1-L) Y t t. C) Yt (1 L) t. E d) Y t (1 L) t. 8. Considere o processo autorregressivo de segunda ordem y t a a 2 y t-2 t, onde a 2 amplt 1. a. Encontrar: i. E t-2 y t ii. E t-1 y t iii. E t y t 2 iv. Cov (y t. Y t-1) v. Cov (y t. Y t-2) vi. As autocorrelações parciais 11 e 22 b. Encontre a função de resposta ao impulso. Dado y t-2. Traçar os efeitos sobre um choque t na seqüência. C. Determine a função de previsão: E t y t s. O erro de previsão) (set é a diferença entre yts e E tyt s Derivar o correlograma da seqüência Sugestão: Find E t) (se t Var) (se t. E) () (jsese E ttt para j 0 9. Enders, chapter 2, question 11. Ver Documento Completo Esta nota foi enviada em 09292018 para o curso ECON Econometri ministrado pelo Professor Fairlie durante o período de Inverno 03909 na UCSC Clique para editar os detalhes do documento
Comments
Post a Comment