Autoregressive Gleitende Durchschnittsschätzung

Die ARIMA-Modelle sind in der Theorie die allgemeinste Klasse von Modellen zur Prognose einer Zeitreihe, die durch Differenzierung (wenn nötig) vielleicht 8220 stationary8221 gemacht werden kann In Verbindung mit nichtlinearen Transformationen, wie zB Protokollierung oder Abscheidung (falls erforderlich). Eine Zufallsvariable, die eine Zeitreihe ist, ist stationär, wenn ihre statistischen Eigenschaften alle über die Zeit konstant sind. Eine stationäre Reihe hat keinen Trend, ihre Variationen um ihren Mittelwert haben eine konstante Amplitude, und sie wackelt in einer konsistenten Weise. D. h. seine kurzzeitigen Zufallszeitmuster sehen immer im statistischen Sinne gleich aus. Die letztgenannte Bedingung bedeutet, daß ihre Autokorrelationen (Korrelationen mit ihren eigenen vorherigen Abweichungen vom Mittelwert) über die Zeit konstant bleiben oder daß ihr Leistungsspektrum über die Zeit konstant bleibt. Eine zufällige Variable dieser Form kann (wie üblich) als eine Kombination von Signal und Rauschen betrachtet werden, und das Signal (wenn eines offensichtlich ist) könnte ein Muster einer schnellen oder langsamen mittleren Reversion oder einer sinusförmigen Oszillation oder eines schnellen Wechsels im Vorzeichen sein , Und es könnte auch eine saisonale Komponente. Ein ARIMA-Modell kann als ein 8220filter8221 betrachtet werden, der versucht, das Signal vom Rauschen zu trennen, und das Signal wird dann in die Zukunft extrapoliert, um Prognosen zu erhalten. Die ARIMA-Vorhersagegleichung für eine stationäre Zeitreihe ist eine lineare Gleichung (d. H. Regressionstyp), bei der die Prädiktoren aus Verzögerungen der abhängigen Variablen und oder Verzögerungen der Prognosefehler bestehen. Das heißt: Vorhergesagter Wert von Y eine Konstante undeine gewichtete Summe aus einem oder mehreren neuen Werten von Y und einer gewichteten Summe aus einem oder mehreren neuen Werten der Fehler. Wenn die Prädiktoren nur aus verzögerten Werten von Y bestehen, handelt es sich um ein reines autoregressives Modell (8220 selbst-regressed8221), das nur ein Spezialfall eines Regressionsmodells ist und mit einer Standard-Regressions-Software ausgestattet werden kann. Beispielsweise ist ein autoregressives Modell erster Ordnung (8220AR (1) 8221) für Y ein einfaches Regressionsmodell, bei dem die unabhängige Variable nur um eine Periode (LAG (Y, 1) in Statgraphics oder YLAG1 in RegressIt) verzögert ist. Wenn einige der Prädiktoren Verzögerungen der Fehler sind, handelt es sich bei einem ARIMA-Modell nicht um ein lineares Regressionsmodell, da es keine Möglichkeit gibt, 8220last period8217s error8221 als unabhängige Variable festzulegen: Die Fehler müssen auf einer Periodenperiode berechnet werden Wenn das Modell an die Daten angepasst ist. Aus technischer Sicht ist das Problem der Verwendung von verzögerten Fehlern als Prädiktoren, dass die Vorhersagen von model8217s keine linearen Funktionen der Koeffizienten sind. Obwohl es sich um lineare Funktionen der vergangenen Daten handelt. Daher müssen Koeffizienten in ARIMA-Modellen, die verzögerte Fehler enthalten, durch nichtlineare Optimierungsmethoden (8220hill-climbing8221) abgeschätzt werden, anstatt nur ein Gleichungssystem zu lösen. Das Akronym ARIMA steht für Auto-Regressive Integrated Moving Average. Verzögerungen der stationären Reihe in der Prognose-Gleichung werden als autoregressiveQuot-Terme bezeichnet, die Verzögerungen der Prognosefehler werden als mittlere mittlere quot-Terme bezeichnet, und eine Zeitreihe, die differenziert werden muß, um stationär gemacht zu werden, wird als eine integrierte quotierte Version einer stationären Reihe bezeichnet. Random-walk und random-trend Modelle, autoregressive Modelle und exponentielle Glättungsmodelle sind alle Sonderfälle von ARIMA Modellen. Ein nicht-saisonales ARIMA-Modell wird als ein quotarIMA-Modell (p, d, q) klassifiziert, wobei p die Anzahl der autoregressiven Terme ist, d die Anzahl der für die Stationarität benötigten nicht-seasonalen Differenzen ist und q die Anzahl der verzögerten Prognosefehler ist Die Vorhersagegleichung. Die Vorhersagegleichung ist wie folgt aufgebaut. Zuerst bezeichne y die d - te Differenz von Y. Das bedeutet, daß die zweite Differenz von Y (der Fall d2) nicht die Differenz von 2 Perioden ist. Es ist vielmehr die erste Differenz der ersten Differenz. Was das diskrete Analogon einer zweiten Ableitung ist, d. h. die lokale Beschleunigung der Reihe anstatt ihres lokalen Takts. In Bezug auf y. Ist die allgemeine Prognosegleichung: Hier sind die gleitenden Durchschnittsparameter (9528217s) so definiert, daß ihre Vorzeichen in der Gleichung negativ sind, und zwar nach der Konvention von Box und Jenkins. Einige Autoren und Software (einschließlich der Programmiersprache R) definieren sie so, dass sie stattdessen Pluszeichen haben. Wenn tatsächliche Zahlen in die Gleichung gesteckt werden, gibt es keine Mehrdeutigkeit, aber es ist wichtig zu wissen, welche Konvention Ihre Software verwendet, wenn Sie die Ausgabe lesen. Oft werden dort die Parameter mit AR (1), AR (2), 8230 und MA (1), MA (2), 8230 usw. bezeichnet. Um das entsprechende ARIMA-Modell für Y zu identifizieren, beginnt man die Reihenfolge der Differenzierung zu bestimmen (D) Notwendigkeit, die Serie zu stationarisieren und die Brutto-Merkmale der Saisonalität zu entfernen, möglicherweise in Verbindung mit einer variationsstabilisierenden Transformation, wie z. B. Protokollierung oder Entleerung. Wenn Sie an diesem Punkt anhalten und voraussagen, dass die differenzierten Serien konstant sind, haben Sie lediglich ein zufälliges oder zufälliges Trendmodell angebracht. Die stationäre Reihe kann jedoch weiterhin autokorrelierte Fehler aufweisen, was nahe legt, daß in der Vorhersagegleichung auch einige Anzahl von AR-Terme (p 8805 1) und einige MA-MA-Terme (q 8805 1) benötigt werden. Der Prozess der Bestimmung der Werte von p, d und q, die für eine gegebene Zeitreihe am besten sind, werden in späteren Abschnitten der Notizen (deren Links oben auf dieser Seite sind), aber eine Vorschau von einigen der Typen erörtert Von nicht-saisonalen ARIMA-Modellen, die üblicherweise angetroffen werden, ist unten angegeben. ARIMA (1,0,0) erstes autoregressives Modell: Wenn die Serie stationär und autokorreliert ist, kann sie vielleicht als ein Vielfaches ihres eigenen vorherigen Wertes plus einer Konstante vorhergesagt werden. Die Prognose-Gleichung ist in diesem Fall 8230, die Y auf sich selbst zurückgeblieben um eine Periode zurückgeblieben ist. Dies ist ein 8220ARIMA (1,0,0) constant8221 Modell. Wenn der Mittelwert von Y Null ist, dann würde der konstante Term nicht eingeschlossen werden. Wenn der Steigungskoeffizient 981 & sub1; positiv und kleiner als 1 in der Grße ist (er muß kleiner als 1 in der Grße sein, wenn Y stationär ist), beschreibt das Modell ein Mittelrücksetzverhalten, bei dem der nächste Periodenblockwert 981 1 mal als vorhergesagt werden sollte Weit weg vom Durchschnitt, wie dieser Zeitraum8217s Wert. Wenn 981 & sub1; negativ ist, prognostiziert es ein Mittelwert-Wiederherstellungsverhalten mit einer Veränderung von Vorzeichen, d. h. es sagt auch voraus, daß Y unterhalb der mittleren nächsten Periode liegt, wenn sie über dem Mittel dieser Periode liegt. In einem autoregressiven Modell zweiter Ordnung (ARIMA (2,0,0)), würde es auch einen Yt-2-Term auf der rechten Seite geben, und so weiter. Abhängig von den Zeichen und Größen der Koeffizienten kann ein ARIMA (2,0,0) - Modell ein System beschreiben, dessen mittlere Reversion sinusförmig oszillierend erfolgt, wie die Bewegung einer Masse auf einer Feder, die zufälligen Schocks ausgesetzt ist . ARIMA (0,1,0) zufälliger Weg: Wenn die Reihe Y nicht stationär ist, ist das einfachste mögliche Modell ein zufälliges Wandermodell, das als Begrenzungsfall eines AR (1) - Modells betrachtet werden kann, in dem die autoregressive Koeffizient ist gleich 1, dh eine Reihe mit unendlich langsamer mittlerer Reversion. Die Vorhersagegleichung für dieses Modell kann folgendermaßen geschrieben werden: wobei der konstante Term die mittlere Periodenperiodenänderung (dh die Langzeitdrift) in Y ist. Dieses Modell könnte als ein No-Intercept-Regressionsmodell angepasst werden, in dem die Die erste Differenz von Y ist die abhängige Variable. Da es nur einen nicht sonderbaren Unterschied und einen konstanten Term enthält, wird er als quotarima (0,1,0) - Modell mit constant. quot klassifiziert. Das random-walk-ohne - driftmodell wäre ein ARIMA (0,1, 0) - Modell ohne konstantes ARIMA (1,1,0) differenziertes autoregressives Modell erster Ordnung: Wenn die Fehler eines Zufallswegmodells autokorreliert werden, kann das Problem möglicherweise durch Hinzufügen einer Verzögerung der abhängigen Variablen zu der Vorhersagegleichung - - ie Durch Rückgang der ersten Differenz von Y auf sich selbst verzögert um eine Periode. Dies würde die folgende Vorhersagegleichung ergeben, die umgeordnet werden kann: Dies ist ein autoregressives Modell erster Ordnung mit einer Ordnung der Nichtsaisonaldifferenzierung und einem konstanten Term - d. e. Ein ARIMA (1,1,0) - Modell. ARIMA (0,1,1) ohne konstante einfache exponentielle Glättung: Eine weitere Strategie zur Korrektur autokorrelierter Fehler in einem Random-Walk-Modell wird durch das einfache exponentielle Glättungsmodell vorgeschlagen. Es sei daran erinnert, dass für einige nichtstationäre Zeitreihen (z. B. diejenigen, die geräuschschwankungen um einen langsam variierenden Mittelwert aufweisen) das Zufallswegmodell nicht ebenso gut funktioniert wie ein gleitender Durchschnitt von vergangenen Werten. Mit anderen Worten, anstatt die letzte Beobachtung als Prognose der nächsten Beobachtung zu nehmen, ist es besser, einen Durchschnitt der letzten Beobachtungen zu verwenden, um das Rauschen herauszufiltern und das lokale Mittel genauer zu schätzen. Das einfache exponentielle Glättungsmodell verwendet einen exponentiell gewichteten gleitenden Durchschnitt vergangener Werte, um diesen Effekt zu erzielen. Die Vorhersagegleichung für das einfache exponentielle Glättungsmodell kann in einer Anzahl mathematisch äquivalenter Formen geschrieben werden. Von denen eine die sogenannte 8220-Fehlerkorrektur8221-Form ist, in der die vorhergehende Prognose in der Richtung ihres Fehlers angepasst wird: Weil e t-1 Y t-1 - 374 t-1 per Definition umgeschrieben werden kann : Es handelt sich um eine ARIMA (0,1,1) - konstante Vorhersagegleichung mit 952 1 1 - 945. Dies bedeutet, dass Sie eine einfache exponentielle Glättung durch Angabe als ARIMA (0,1,1) - Modell ohne passen Konstant und der geschätzte MA (1) - Koeffizient entspricht 1-minus-alpha in der SES-Formel. Denken Sie daran, dass im SES-Modell das durchschnittliche Alter der Daten in den 1-Periodenprognosen 1 945 beträgt, was bedeutet, dass sie tendenziell hinter Trends oder Wendepunkten um etwa 1 945 Perioden zurückbleiben werden. Daraus folgt, dass das Durchschnittsalter der Daten in den 1-Periodenprognosen eines ARIMA-Modells (0,1,1) ohne Konstante 1 (1 - 952 1) ist. Wenn beispielsweise 952 1 0,8 beträgt, ist das Durchschnittsalter 5. Da sich 952 1 1 nähert, wird das ARIMA-Modell (0,1,1) ohne Konstante zu einem sehr langfristigen gleitenden Durchschnitt und als 952 1 Ansätze 0 wird es ein random-walk-ohne-Drift-Modell. What8217s der beste Weg, um für Autokorrelation zu korrigieren: Hinzufügen von AR-Begriffe oder Hinzufügen von MA-Begriffen In den vorherigen beiden Modellen, die oben diskutiert wurden, wurde das Problem der autokorrelierten Fehler in einem zufälligen Fußmodell auf zwei verschiedene Arten behoben: durch Hinzufügen eines Verzögerungswertes der differenzierten Reihe Auf die Gleichung oder das Hinzufügen eines verzögerten Wertes des Prognosefehlers. Welcher Ansatz am besten ist Eine Regel für diese Situation, die später noch ausführlicher diskutiert wird, besteht darin, dass die positive Autokorrelation normalerweise am besten durch Hinzufügen eines AR-Terms zum Modell behandelt wird und negative Autokorrelation in der Regel am besten durch Hinzufügen eines MA-Semester. In der Wirtschafts - und Wirtschaftszeitreihe entsteht häufig eine negative Autokorrelation als Artefakt der Differenzierung. (Im allgemeinen differenziert die Differenzierung die positive Autokorrelation und kann sogar einen Wechsel von positiver zu negativer Autokorrelation bewirken.) Daher wird das ARIMA (0,1,1) - Modell, in dem die Differenzierung von einem MA-Begriff begleitet wird, häufiger verwendet als ein ARIMA (1,1,0) - Modell. ARIMA (0,1,1) mit konstanter einfacher exponentieller Glättung mit Wachstum: Durch die Implementierung des SES-Modells als ARIMA-Modell gewinnen Sie tatsächlich etwas Flexibilität. Zuerst darf der geschätzte MA (1) - Koeffizient negativ sein. Dies entspricht einem Glättungsfaktor von mehr als 1 in einem SES-Modell, das nach dem SES-Modellanpassungsverfahren meist nicht zulässig ist. Zweitens haben Sie die Möglichkeit, einen konstanten Term in das ARIMA-Modell zu integrieren, wenn Sie es wünschen, um einen durchschnittlichen Trend, der nicht Null ist, abzuschätzen. Das Modell ARIMA (0,1,1) mit Konstante hat die Vorhersagegleichung: Die Ein-Perioden-Prognosen aus diesem Modell sind qualitativ denjenigen des SES-Modells ähnlich, mit der Ausnahme, dass die Trajektorie der Langzeitprognosen typischerweise a ist (Deren Neigung gleich mu ist) und nicht eine horizontale Linie. ARIMA (0,2,1) oder (0,2,2) ohne konstante lineare Exponentialglättung: Lineare exponentielle Glättungsmodelle sind ARIMA-Modelle, die zwei nicht-sauren Differenzen in Verbindung mit MA-Begriffen verwenden. Die zweite Differenz einer Folge Y ist nicht einfach die Differenz von Y und selbst von zwei Perioden verzögert, sondern sie ist die erste Differenz der ersten Differenz - i. e. Die Änderung in der Änderung von Y in der Periode t. Somit ist die zweite Differenz von Y in der Periode t gleich (Yt - Yt - 1) - (Yt - 1 - Yt - 2) Yt - 2Yt - 1Yt - 2. Eine zweite Differenz einer diskreten Funktion ist analog zu einer zweiten Ableitung einer stetigen Funktion: sie mißt zu einem gegebenen Zeitpunkt die Quota-Beschleunigung quot oder quotvequot in der Funktion. Das ARIMA (0,2,2) - Modell ohne Konstante sagt voraus, daß die zweite Differenz der Reihe eine lineare Funktion der letzten beiden Prognosefehler ist, die umgeordnet werden können: wobei 952 1 und 952 2 die MA (1) und MA (2) Koeffizienten. Dies ist ein allgemeines lineares exponentielles Glättungsmodell. Im Wesentlichen das gleiche wie Holt8217s Modell, und Brown8217s Modell ist ein spezieller Fall. Es verwendet exponentiell gewichtete gleitende Mittelwerte, um sowohl eine lokale Ebene als auch einen lokalen Trend in der Reihe abzuschätzen. Die Langzeitprognosen von diesem Modell konvergieren zu einer Geraden, deren Steigung von dem durchschnittlichen Trend abhängt, der gegen Ende der Reihe beobachtet wird. ARIMA (1,1,2) ohne konstante gedämpfte lineare Exponentialglättung. Dieses Modell ist in den begleitenden Dias auf ARIMA-Modellen dargestellt. Es extrapoliert die lokale Tendenz am Ende der Serie, sondern flacht es auf längere Prognose Horizonte, um eine Notiz von Konservatismus, eine Praxis, die empirische Unterstützung hat einzuführen. Siehe den Artikel auf quotWarum die Damped Trend Werke von Gardner und McKenzie und die quotGolden Rulequot Artikel von Armstrong et al. für Details. Es ist grundsätzlich ratsam, bei Modellen zu bleiben, bei denen mindestens einer von p und q nicht größer als 1 ist, dh nicht versuchen, ein Modell wie ARIMA (2,1,2) anzubringen, da dies zu Überbeanspruchungen führen kann Die in den Anmerkungen zur mathematischen Struktur von ARIMA-Modellen näher erläutert werden. Spreadsheet-Implementierung: ARIMA-Modelle wie die oben beschriebenen lassen sich einfach in einer Tabellenkalkulation implementieren. Die Vorhersagegleichung ist einfach eine lineare Gleichung, die sich auf vergangene Werte von ursprünglichen Zeitreihen und vergangenen Werten der Fehler bezieht. Auf diese Weise können Sie eine ARIMA-Prognosekalkulation einrichten, indem Sie die Daten in Spalte A, die Prognoseformel in Spalte B und die Fehler (Daten minus Prognosen) in Spalte C speichern. Die Prognoseformel in einer typischen Zelle in Spalte B wäre einfach Ein linearer Ausdruck, der sich auf Werte in vorhergehenden Zeilen der Spalten A und C bezieht, multipliziert mit den entsprechenden AR - oder MA-Koeffizienten, die in Zellen an anderer Stelle auf dem Spreadsheet gespeichert sind. EViews 9.5 Funktionsliste EViews bietet ein umfangreiches Spektrum leistungsstarker Funktionen für Datenverarbeitung, Statistik und Ökonometrie Analyse, Prognose und Simulation, Datenpräsentation und Programmierung. Während wir nicht alles auflisten können, bietet die folgende Liste einen Einblick in die wichtigen Funktionen von EViews: Grundlegende Handhabung von numerischen, alphanumerischen (String) und Datums-Wert-Labels. Umfangreiche Bibliothek von Operatoren und statistische, mathematische, Datums - und String-Funktionen. Leistungsfähige Sprache für die Ausdrucksbehandlung und Umwandlung vorhandener Daten über Operatoren und Funktionen. Proben und Probenobjekte erleichtern die Verarbeitung von Teilmengen von Daten. Unterstützung komplexer Datenstrukturen, einschließlich regelmäßig datierter Daten, unregelmäßig datierter Daten, Querschnittsdaten mit Beobachtungskennungen, datierten und undatierten Paneldaten. Mehrseitige Workfiles. EViews native, datenträgerbasierte Datenbanken bieten leistungsstarke Abfragefunktionen und die Integration mit EViews-Workfiles. Konvertieren von Daten zwischen EViews und verschiedenen Tabellenkalkulations-, Statistik - und Datenbankformaten, einschließlich (aber nicht beschränkt auf): Microsoft Access - und Excel-Dateien (einschließlich. XSLX und. XLSM), Gauss-Dataset-Dateien, SAS-Transportdateien, Stata-Dateien, raw formatierten ASCII-Text oder Binärdateien, HTML - oder ODBC-Datenbanken und - Anfragen (ODBC-Unterstützung wird nur in der Enterprise Edition bereitgestellt). OLE-Unterstützung für die Verknüpfung von EViews-Ausgabe einschließlich Tabellen und Grafiken mit anderen Paketen, einschließlich Microsoft Excel, Word und Powerpoint. OLEDB-Unterstützung für das Lesen von EViews-Workfiles und - Datenbanken mit OLEDB-fähigen Clients oder benutzerdefinierten Programmen. Unterstützung für FRED (Federal Reserve Economic Data) Datenbanken. Enterprise Edition Unterstützung für Global Insight DRIPro und DRIBase, Haver Analytics DLX, FAME, EcoWin, Bloomberg, EIA, CEIC, Datastream, FactSet und Moodys Economy Datenbanken. Mit dem EViews Microsoft Excel-Add-In können Sie Daten aus EViews-Workfiles und - Datenbanken in Excel verknüpfen oder importieren. Drag-and-Drop Unterstützung für das Lesen von Daten einfach Drop-Dateien in EViews für die automatische Konvertierung und Verknüpfung von fremden Daten in EViews workfile-Format. Leistungsstarke Werkzeuge zum Erstellen neuer Workfile-Seiten aus Werten und Daten in bestehenden Serien. Match-Merge, Join, Append, Subset, Größe ändern, sortieren, und neu zu formatieren (Stack und unstack) workfiles. Einfache automatische Frequenzumwandlung beim Kopieren oder Verknüpfen von Daten zwischen Seiten unterschiedlicher Frequenz. Frequenzumwandlung und Matchmerging unterstützen dynamische Aktualisierungen, wenn sich die Daten ändern. Automatische Aktualisierung von Formelserien, die automatisch neu berechnet werden, wenn die zugrunde liegenden Datenänderungen auftreten. Einfach zu bedienende Frequenzumsetzung: Kopieren oder Verknüpfen von Daten zwischen Seiten unterschiedlicher Frequenz. Werkzeuge für die erneute Abtastung und Zufallsgenerierung für die Simulation. Zufallsgenerierung für 18 verschiedene Verteilungsfunktionen mit drei verschiedenen Zufallszahlengeneratoren. Unterstützung für Cloud Drive-Zugriff, so dass Sie öffnen und speichern Sie Datei direkt auf Dropbox, OneDrive, Google Drive und Box-Konten. Zeitreihen-Daten-Handling Integrierte Unterstützung für die Verarbeitung von Daten und Zeitreihen-Daten (sowohl regelmäßige als auch unregelmäßige). Unterstützung für gemeinsame regelmäßige Frequenzdaten (jährlich, halbjährlich, vierteljährlich, monatlich, zweimonatlich, vierzehn Tage, zehn Tage, wöchentlich, täglich - 5 Tage Woche, täglich - 7 Tage Woche). Unterstützung für hochfrequente (Intraday) Daten, so dass Stunden, Minuten und Sekunden Frequenzen. Darüber hinaus gibt es eine Reihe von weniger häufig angetroffenen regelmäßigen Frequenzen, einschließlich Multi-Jahres-, Bimonthly, Fortnight, Zehn-Tag und Daily mit einer beliebigen Reihe von Tagen der Woche. Spezielle Zeitreihenfunktionen und Operatoren: Verzögerungen, Differenzen, Log-Differenzen, gleitende Mittelwerte usw. Frequenzumwandlung: verschiedene High-to-Low - und Low-to-High-Methoden. Exponentielle Glättung: Einzel-, Doppel-, Holt-Winters und ETS-Glättung. Eingebaute Werkzeuge für Whitening Regression. Hodrick-Prescott-Filterung. Bandpass (Frequenz) - Filterung: Baxter-King, Christiano-Fitzgerald feste Länge und Vollspektrum asymmetrische Filter. Saisonbereinigung: Volkszählung X-13, X-12-ARIMA, TramoSeats, gleitender Durchschnitt. Interpolation, um fehlende Werte innerhalb einer Serie zu füllen: Linear, Log-Linear, Catmull-Rom Spline, Kardinal Spline. Statistiken Grunddaten Zusammenfassungen nach Gruppen Zusammenfassungen. Tests der Gleichheit: t-Tests, ANOVA (ausgewogen und unausgeglichen, mit oder ohne heteroskedastische Varianzen), Wilcoxon, Mann-Whitney, Median Chi-Platz, Kruskal-Wallis, van der Waerden, F-Test, Siegel-Tukey, Bartlett , Levene, Brown-Forsythe. Einweg-Tabellierung Cross-Tabulation mit Assoziationsmassnahmen (Phi Coefficient, Cramers V, Contingency Coefficient) und Unabhängigkeitstests (Pearson Chi-Square, Likelihood Ratio G2). Kovarianz - und Korrelationsanalyse einschließlich Pearson, Spearman-Rangordnung, Kendalls tau-a und tau-b sowie Teilanalyse. Hauptkomponentenanalyse einschließlich Scree-Plots, Biplots und Ladeplots sowie gewichtete Komponenten-Score-Berechnungen. Faktoranalyse ermöglicht die Berechnung von Assoziationsmaßstäben (einschließlich Kovarianz und Korrelation), Eindeutigkeitsschätzungen, Faktorbelastungsschätzungen und Faktorscores sowie die Durchführung von Schätzdiagnostik und Faktorrotation mit einer von über 30 verschiedenen orthogonalen und schrägen Methoden. Empirische Verteilungsfunktion (EDF) für die Normal-, Exponential-, Extremwert-, Logistik-, Chi-Quadrat-, Weibull - oder Gamma-Verteilungen (Kolmogorov-Smirnov, Lilliefors, Cramer-von Mises, Anderson-Darling, Watson). Histogramme, Frequenzpolygone, Kantenfrequenz-Polygone, Histogramme mit mittlerer Verschiebung, CDF-Survivor-Quantil, Quantil-Quantil, Kerndichte, passende theoretische Verteilungen, Boxplots. Scatterplots mit parametrischen und nichtparametrischen Regressionslinien (LOWESS, lokales Polynom), Kernregression (Nadaraya-Watson, lokales lineares, lokales Polynom). Oder Vertrauensellipsen. Zeitreihe Autokorrelation, partielle Autokorrelation, Kreuzkorrelation, Q-Statistik. Granger Kausalität Tests, einschließlich Panel Granger Kausalität. Einheitswurzeltests: Augmented Dickey-Fuller, GLS transformierten Dickey-Fuller, Phillips-Perron, KPSS, Eliot-Richardson-Stock Point Optimal, Ng-Perron sowie Tests für Einheitswurzeln mit Haltepunkten. Kointegrationstests: Johansen, Engle-Granger, Phillips-Ouliaris, Park addierte Variablen und Hansen-Stabilität. Unabhängigkeitstests: Brock, Dechert, Scheinkman und LeBaron Variance Ratio-Tests: Lo und MacKinlay, Kim Wildbootstrap, Wrights Rang, Ranglisten und Sign-Tests. Wald und mehrere Vergleichs-Varianz-Verhältnis-Tests (Richardson und Smith, Chow und Denning). Langzeit-Varianz und Kovarianzberechnung: symmetrische oder einseitige Langzeitkovarianzen mit nichtparametrischem Kernel (Newey-West 1987, Andrews 1991), parametrischer VARHAC (Den Haan und Levin 1997) und vorgefertigter Kernel (Andrews und Monahan 1992) Verfahren. Darüber hinaus unterstützt EViews Andrews (1991) und Newey-West (1994) automatische Bandbreiten-Selektionsmethoden für Kernel-Schätzer und informationskritische Methoden der Lag-Längenauswahl für VARHAC - und Prewhitening-Schätzungen. Panel und Pool Nach-Gruppen - und by-periodische Statistiken und Tests. Wurzeltests: Levin-Lin-Chu, Breitung, Im-Pesaran-Shin, Fisher, Hadri. Kointegrationstests: Pedroni, Kao, Maddala und Wu. Panel in Serie Kovarianzen und Hauptkomponenten. Dumitrescu-Hurlin (2012) Panel Kausalität Tests. Querschnittsabhängigkeitstests. Schätzung Regression Lineare und nichtlineare gewöhnliche kleinste Quadrate (multiple Regression). Lineare Regression mit PDLs auf beliebig vielen unabhängigen Variablen. Robuste Regression. Analytische Derivate für nichtlineare Schätzung. Gewichtete kleinste Quadrate. White und Newey-West robuste Standardfehler. HAC-Standardfehler können unter Verwendung nichtparametrischer Kernel-, parametrischer VARHAC - und prewhitened-Kernelmethoden berechnet werden und erlauben Andrews und Newey-West automatische Bandbreitenauswahlverfahren für Kernelschätzer und auf Informationskriterien basierende Verzögerungslängenauswahlverfahren für VARHAC und eine Voraufhellungsschätzung. Lineare Quantilregression und kleinste absolute Abweichungen (LAD), einschließlich Hubers Sandwich und bootstrapping Kovarianz Berechnungen. Schrittweise Regression mit sieben verschiedenen Auswahlverfahren. Schwellenwertregression einschließlich TAR und SETAR. ARMA und ARMAX Linear Modelle mit autoregressive gleitenden Durchschnitt, saisonale autoregressive und saisonale gleitende durchschnittliche Fehler. Nichtlineare Modelle mit AR - und SAR-Spezifikationen. Schätzung unter Verwendung der Backcasting-Methode von Box und Jenkins, bedingte kleinste Quadrate, ML oder GLS. Fraktionell integrierte ARFIMA Modelle. Instrumental-Variablen und GMM Lineare und nichtlineare zweistufige kleinste squaresinstrumental Variablen (2SLSIV) und generalisierte Methode der Moments (GMM) Schätzung. Lineare und nichtlineare 2SLSIV-Schätzung mit AR - und SAR-Fehlern. Limited Information Maximum Likelihood (LIML) und K-Klasse Schätzung. Breite Palette von GMM-Gewichtungsmatrix-Spezifikationen (White, HAC, User-provided) mit Kontrolle über die Gewichtsmatrix-Iteration. Die GMM-Schätzoptionen umfassen eine kontinuierliche Aktualisierung (CUE) und eine Vielzahl von neuen Standardfehleroptionen, einschließlich Windmeijer-Standardfehlern. IVGMM spezifische Diagnosen umfassen Instrument Orthogonality Test, einen Regressor Endogeneity Test, einen Weak Instrument Test und einen GMM spezifischen Breakpoint Test. ARCHGARCH GARCH (p, q), EGARCH, TARCH, Komponente GARCH, Power ARCH, Integriertes GARCH. Die lineare oder nichtlineare mittlere Gleichung kann ARCH - und ARMA-Terme umfassen, sowohl die Mittel - als auch die Varianzgleichungen erlauben exogene Variablen. Normal, Schüler t und generalisierte Fehlerverteilungen. Bollerslev-Wooldridge robuste Standardfehler. In - und Out-of-Prognosen der bedingten Varianz und der mittleren und permanenten Komponenten. Begrenzte abhängige Variable Modelle Binäre Logit, Probit und Gompit (Extremwert). Bestellt Logit, Probit und Gompit (Extremwert). Zensierte und trunkierte Modelle mit normalen, logistischen und extremen Wertfehlern (Tobit, etc.). Count-Modelle mit Poisson-, negativen Binomial - und Quasi-Maximum-Likelihood-Spezifikationen (QML). Heckman Auswahlmodelle. HuberWhite robuste Standardfehler. Count-Modelle unterstützen generalisierte lineare Modelle oder QML-Standardfehler. Hosmer-Lemeshow und Andrews Goodness-of-Fit-Test für binäre Modelle. Einfache Einsparung von Ergebnissen (einschließlich verallgemeinerter Residuen und Farbverläufe) zu neuen EViews Objekten zur weiteren Analyse. Eine allgemeine GLM-Schätzmaschine kann verwendet werden, um mehrere dieser Modelle abzuschätzen, wobei die Möglichkeit besteht, robuste Kovarianzen einzuschließen. Panel DataPooled Zeitreihen, Querschnittsdaten Lineare und nichtlineare Schätzungen mit additivem Querschnitt und periodischen oder zufälligen Effekten. Wahl der quadratischen unvoreingenommene Schätzer (QUEs) für Komponentenabweichungen in zufälligen Effektenmodellen: Swamy-Arora, Wallace-Hussain, Wansbeek-Kapteyn. 2SLSIV Schätzung mit Querschnitt und Periodenfixe oder zufällige Effekte. Schätzung mit AR-Fehlern unter Verwendung nichtlinearer Kleinstquadrate auf einer transformierten Spezifikation Verallgemeinerte kleinste Fehlerquadrate, generalisierte 2SLSIV-Schätzung, GMM-Schätzung, die Querschnitts - oder Perioden-heteroskedastische und korrelierte Spezifikationen erlaubt. Lineare dynamische Panel Datenschätzung mit ersten Differenzen oder orthogonalen Abweichungen mit Perioden-spezifische Instrumente (Arellano-Bond). Panel Serielle Korrelationstests (Arellano-Bond). Robuste Standardfehlerberechnungen beinhalten sieben Typen von robusten White - und Panel-korrigierten Standardfehlern (PCSE). Prüfung von Koeffizientenbeschränkungen, weggelassenen und redundanten Variablen, Hausman-Test für korrelierte Zufallseffekte. Levin-Lin-Chu, Breitung, Im-Pesaran-Shin, Fisher-Tests mit ADF - und PP-Tests (Maddala-Wu, Choi), Hadri. Panel-Kointegrationsschätzung: Vollständig modifizierte OLS (FMOLS, Pedroni 2000) oder Dynamic Ordinary Least Squares (DOLS, Kao und Chaing 2000, Mark und Sul 2003). Pooled Mean Group (PMG) geschätzt. Verallgemeinerte lineare Modelle Normal, Poisson, Binomial, Negativ Binomial, Gamma, Invers Gaussian, Exponentielle Mena, Power Mean, Binomial Squared Familien. Identität, Log, Log-Komplement, Logit, Probit, Log-Log, kostenlos Log-Log, Inverse, Leistung, Macht Odds Ratio, Box-Cox, Box-Cox Odds Ratio Link-Funktionen. Vorherige Varianz und Frequenzbewertung. Fixed, Pearson Chi-Sq, Abweichung und benutzerdefinierte Dispersion Spezifikationen. Unterstützung für QML-Schätzung und - Tests. Quadratische Hill Climbing, Newton-Raphson, IRLS - Fisher Scoring und BHHH Schätzalgorithmen. Ordentliche Koeffizientenkovarianzen, die unter Verwendung des erwarteten oder beobachteten Hessischen oder des äußeren Produkts der Gradienten berechnet wurden. Robuste Kovarianz Schätzungen mit GLM, HAC oder HuberWhite Methoden. Einzelne Gleichung Kointegrierende Regression Unterstützung von drei voll effizienten Schätzmethoden, Vollständig modifizierte OLS (Phillips und Hansen 1992), Canonical Cointegration Regression (Park 1992) und Dynamic OLS (Saikkonen 1992, Stock und Watson 1993, Engle und Granger (1987) sowie Phillips und Ouliaris (1990) Residualtests, Hansens (1992b) Instabilitätstest und Parks (1992) fügten Variablentests hinzu Flexible Spezifikation des Trends und der deterministischen Regressoren in der Gleichung und der Kointegrationsregressoren Spezifikation Vollständige Schätzung langfristiger Abweichungen für FMOLS und CCR Automatische oder feste Verzögerungsauswahl für DOLS-Verzögerungen und - Leads und für Langzeit-Varianz-Whitening-Regression Rescaled OLS und robuste Standardfehlerberechnungen für DOLS Benutzerdefinierte Maximum Likelihood Verwenden Sie Standard-EViews-Reihenausdrücke, um die Log-Likelihood-Beiträge zu beschreiben. Beispiele für multinomiale und bedingte Logit-, Box-Cox-Transformationsmodelle, Ungleichgewichts-Switching-Modelle, Probit-Modelle mit heteroskedastischen Fehlern, verschachteltes Logit, Heckman-Probenselektion und Weibull-Hazard-Modelle. Gleichungssysteme Lineare und nichtlineare Schätzung. Least Quadrate, 2SLS, gewichtete Gleichung Schätzung, Scheinbar Unrelated Regression und Three-Stage Least Squares. GMM mit Weiß - und HAC-Gewichtungsmatrizen. AR-Schätzung unter Verwendung von nichtlinearen kleinsten Quadraten auf einer transformierten Spezifikation. Vollständige Informationen Maximum Likelihood (FIML). Schätzen Sie die Strukturfaktoren in VARs, indem Sie kurz - oder langfristige Einschränkungen vorschreiben. Bayessche VARs. Impulsantwortfunktionen in verschiedenen tabellarischen und grafischen Formaten mit analytisch berechneten Standardfehlern oder nach Monte Carlo Methoden. Impulsantwort-Schocks, berechnet aus Cholesky-Faktorisierung, Ein-Einheits - oder Ein-Standard-Abweichungsresten (ignorierende Korrelationen), generalisierte Impulse, strukturelle Faktorisierung oder eine benutzerdefinierte Vektormatrixform. Implizieren und testen Sie lineare Einschränkungen der Kointegrationsbeziehungen und Korrekturkoeffizienten in VEC-Modellen. Betrachten oder erzeugen Kointegrationsbeziehungen aus geschätzten VEC-Modellen. Umfangreiche Diagnostik einschließlich: Granger-Kausalitätstests, Joint-Lag-Ausschluss-Tests, Lag-Längenkriterienbewertung, Korrelogramme, Autokorrelation, Normalitäts - und Heteroskedastitätstests, Kointegrationstests, andere multivariate Diagnostik. Multivariate ARCH Bedingte Konstante Korrelation (p, q), Diagonale VECH (p, q), Diagonale BEKK (p, q) mit asymmetrischen Ausdrücken. Umfangreiche Parametrierung für die Diagonal-VECHs-Koeffizientenmatrix. Exogene Variablen, die in den Mittel - und Varianzgleichungen nichtlineare und AR-Terme in den mittleren Gleichungen erlaubt sind. Bollerslev-Wooldridge robuste Standardfehler. Normal oder Studenten t multivariate Fehlerverteilung Eine Auswahl analytischer oder (schneller oder langsamer) numerischer Ableitungen. (Analysis-Derivate nicht verfügbar für einige komplexe Modelle.) Generieren Sie Kovarianz, Varianz oder Korrelation in verschiedenen tabellarischen und grafischen Formaten aus geschätzten ARCH-Modelle. State Space Kalman-Filteralgorithmus zur Schätzung von benutzerdefinierten Einzel - und Multiequationsstrukturmodellen. Exogene Variablen in der Zustandsgleichung und vollständig parametrisierte Varianzangaben. Generieren Sie schrittweise, gefilterte oder geglättete Signale, Zustände und Fehler. Beispiele umfassen zeitveränderliche Parameter, multivariate ARMA und quasilikelihood stochastische Volatilitätsmodelle. Testen und Auswerten Tatsächliche, gepaßte, Restplots. Wald-Tests für lineare und nichtlineare Koeffizienten-Beschränkungen Vertrauens-Ellipsen, die den gemeinsamen Vertrauensbereich von zwei beliebigen Funktionen geschätzter Parameter zeigen. Andere Koeffizientendiagnostik: standardisierte Koeffizienten und Koeffizientenelastizitäten, Konfidenzintervalle, Varianzinflationsfaktoren, Koeffizientenvarianzzerlegungen. Ausgelassene und redundante Variablen LR-Tests, residuale und quadratische Restkorrelogramme und Q-Statistiken, Rest-Serienkorrelation und ARCH-LM-Tests. Weiß, Breusch-Heide, Godfrey, Harvey und Glejser Heteroskedastizitätstests. Stabilitätsdiagnostik: Chow-Breakpoint - und Prognosetests, Quartett-Andrews unbekannter Breakpoint-Test, Bai-Perron-Breakpoint-Tests, Ramsey-RESET-Tests, OLS-rekursive Schätzungen, Einflussstatistiken, ARMA-Gleichungsdiagnose: Graphen oder Tabellen der inversen Wurzeln des AR - und MA-charakteristischen Polynoms, Vergleichen des theoretischen (geschätzten) Autokorrelationsmusters mit dem tatsächlichen Korrelationsmuster für die Strukturreste, Anzeige der ARMA-Impulsantwort auf einen Innovationsschock und die ARMA-Frequenz Spektrum. Einfache Einsparung von Ergebnissen (Koeffizienten, Koeffizienten-Kovarianzmatrizen, Residuen, Gradienten usw.) an EViews-Objekte zur weiteren Analyse. Siehe auch Schätzung und Systeme von Gleichungen für zusätzliche spezielle Prüfverfahren. Prognose und Simulation In - oder out-of-sample statische oder dynamische Prognose aus geschätzten Gleichungsobjekten mit Berechnung des Standardfehlers der Prognose. RMSE, MAE, MAPE, Theil Inequality Koeffizient und Proportionen State-of-the-Art Modellierungswerkzeuge für multiple Gleichungsvorhersage und multivariate Simulation. Modellgleichungen können in Text oder als Links zur automatischen Aktualisierung bei Neuschätzung eingegeben werden. Zeigen Sie die Abhängigkeitsstruktur oder die endogenen und exogenen Variablen Ihrer Gleichungen an. Gauss-Seidel, Broyden und Newton Modelllöser für nicht-stochastische und stochastische Simulation. Nicht-stochastische Forward-Lösung für Modell konsistente Erwartungen lösen. Stochasitc Simulation kann bootstrapped Residuen verwenden. Lösen Sie Steuerprobleme, so dass endogene Variable ein benutzerdefiniertes Ziel erreicht. Ausgereifte Gleichungsnormierung, Add-Faktor und Override-Unterstützung. Verwalten und vergleichen Sie mehrere Lösungsszenarien mit verschiedenen Sätzen von Annahmen. Eingebaute Modellansichten und - prozeduren zeigen Simulationsergebnisse in grafischer oder tabellarischer Form an. Graphen und Tabellen Zeilen, Punkte, Flächen, Balken, Spikes, saisonale, Kuchen, xy-Linien, Scatterplots, Boxplots, Fehlerbalken, High-Low-Open-Close und Area-Band. Leistungsstarke, einfach zu bedienende kategorische und summarische Graphen. Automatische Aktualisierung von Graphen, die als Basisdatenänderung aktualisiert werden. Beobachtungsinfo und Werteanzeige, wenn Sie den Cursor über einen Punkt in der Grafik bewegen. Histogramme, durchschnittlich verschobene Historien, Frequenzpolyone, Kantenfrequenzpolygone, Kastenplots, Kerndichte, passende theoretische Verteilungen, Boxplots, CDF, Überlebender, Quantil, Quantil-Quantil. Scatterplots mit beliebigen Kombinationen parametrischer und nichtparametrischer Kernel (Nadaraya-Watson, lokales lineares, lokales Polynom) und benachbarten LOWESS-Regressionslinien oder Vertrauensellipsen. Interaktive Point-and-Click - oder Befehls-basierte Anpassung. Umfangreiche Anpassung von Grafikhintergrund, Rahmen, Legenden, Achsen, Skalierung, Linien, Symbolen, Text, Schattierung, Fading, mit verbesserten Grafikvorlagen-Features. Tabelle Anpassung mit Kontrolle über Zelle Schriftart Gesicht, Größe und Farbe, Zellhintergrundfarbe und - grenzen, Verschmelzung und Annotation. Kopieren und Einfügen von Graphen in andere Windows-Anwendungen oder Speichern von Graphen als reguläre Windows - oder erweiterte Metadaten, gekapselte PostScript-Dateien, Bitmaps, GIFs, PNGs oder JPGs. Kopieren und Einfügen von Tabellen in eine andere Anwendung oder Speichern in einer RTF-, HTML - oder Textdatei. Verwalten von Graphen und Tabellen zusammen in einem Spool-Objekt, mit dem Sie mehrere Ergebnisse und Analysen in einem Objekt anzeigen können Kommandos und Programmierung Objektorientierte Befehlssprache bietet Zugriff auf Menüpunkte. Batch-Ausführung von Befehlen in Programmdateien. Schleife und Zustand Verzweigung, Subroutine und Makro-Verarbeitung. String und String Vektorobjekte für die Stringverarbeitung. Umfangreiche Bibliothek von String - und String-Listen-Funktionen. Umfangreiche Matrixunterstützung: Matrixmanipulation, Multiplikation, Inversion, Kronecker-Produkte, Eigenwertlösung und Singulärwertzerlegung. Externe Schnittstelle und Add-Ins EViews Unterstützung des COM-Automatisierungsservers, so dass externe Programme oder Skripte EViews starten oder steuern, Daten übertragen und EViews-Befehle ausführen können. EViews bietet eine COM-Automation-Client-Support-Anwendung für MATLAB - und R-Server, so dass EViews verwendet werden kann, um die Anwendung zu starten oder zu steuern, Daten zu übertragen oder Befehle auszuführen. Das Excel-Add-In von EViews bietet eine einfache Schnittstelle zum Abrufen und Verknüpfen von Microsoft Excel (2000 und höher) zu in EViews-Workfiles und - Datenbanken gespeicherten Serien - und Matrixobjekten. Die EViews Add-Ins-Infrastruktur bietet nahtlosen Zugriff auf benutzerdefinierte Programme mit dem Standard-EViews-Befehl, Menü und Objektschnittstelle. Laden und installieren Sie vordefinierte Add-Ins von der EViews-Website. Home ÜberKontakt Für Verkaufsinformationen bitte email saleseviews Für technischen Support mailen Sie bitte Supportsviews Bitte geben Sie Ihre Seriennummer mit allen E-Mail-Korrespondenz ein. Weitere Kontaktinformationen finden Sie auf unserer Seite.