Evisualización Media De Modelos En Movimiento

8.4 Modelos de media móvil En lugar de utilizar valores pasados ​​de la variable de pronóstico en una regresión, un modelo de media móvil utiliza errores de pronóstico anteriores en un modelo similar a la regresión. Y c e teta teta e dots theta e, donde et es ruido blanco. Nos referimos a esto como un modelo MA (q). Por supuesto, no observamos los valores de et, por lo que no es realmente regresión en el sentido usual. Observe que cada valor de yt puede considerarse como una media móvil ponderada de los últimos errores de pronóstico. Sin embargo, se mueve modelos de promedio no debe confundirse con el movimiento suavizado promedio discutimos en el capítulo 6. Un modelo de media móvil se utiliza para la predicción de valores futuros mientras se mueve suavizado promedio se utiliza para estimar la tendencia-ciclo de los valores del pasado. Figura 8.6: Dos ejemplos de datos de modelos de media móvil con diferentes parámetros. A la izquierda: MA (1) con y t 20e t 0.8e t-1. Derecha: MA (2) con y t e t - e t-1 0.8e t-2. En ambos casos, e t es el ruido blanco normalmente distribuido con media cero y varianza uno. La Figura 8.6 muestra algunos datos de un modelo MA (1) y un modelo MA (2). Al cambiar los parámetros theta1, dots, thetaq, se obtienen diferentes patrones de series temporales. Al igual que con los modelos autorregresivos, la varianza del término de error y sólo cambiará la escala de la serie, no los patrones. Es posible escribir cualquier modelo estacionario AR (p) como un modelo MA (infty). Por ejemplo, mediante la sustitución repetida, podemos demostrar esto para un AR (1) Modelo: comenzar yt amp amp phi1y et phi1 (phi1y e) et amp phi12y phi1 E et amp phi13y phi12e phi1 E et amptext extremo provisto -1 lt lt phi1 1, el valor de phi1k se hará más pequeño a medida que k sea mayor. Así que finalmente obtenemos yt et phi1 e phi12 e phi13 e cdots, un proceso MA (infty). El resultado inverso se cumple si imponemos algunas limitaciones a los parámetros de MA. Entonces el modelo MA se llama inversible. Es decir, que podemos escribir cualquier proceso de MA (q) invertible como un proceso de AR (infty). Los modelos invertibles no son simplemente para permitirnos convertir de los modelos de MA a los modelos de AR. También tienen algunas propiedades matemáticas que los hacen más fáciles de usar en la práctica. Las restricciones de invertibilidad son similares a las restricciones de estacionariedad. Para un modelo MA (1): -1lttheta1lt1. Para un modelo MA (2): -1lttheta2lt1, theta2theta1 gt-1, theta1-theta2 lt 1. Condiciones más complicadas se mantienen para qge3. Una vez más, R se encargará de estas limitaciones al estimar los modelos. Visión general: Gestión de datos Parte 3: Gestión sofisticada de datos Las poderosas herramientas analíticas sólo son útiles si usted puede trabajar fácilmente con sus datos. EViews ofrece la más amplia gama de herramientas de gestión de datos disponibles en cualquier software econométrico. Desde su extensa biblioteca de operaciones matemáticas, estadística, de fecha, cadena y series temporales y funciones, hasta un completo soporte para datos numéricos, de caracteres y de fechas, EViews ofrece las características de manejo de datos que usted espera de software estadístico moderno. Extensa biblioteca de funciones EViews incluye una extensa biblioteca de funciones para trabajar con datos. Además de las funciones matemáticas y trigonométricas estándar, EViews proporciona funciones para estadística descriptiva, estadística acumulativa y móvil, estadísticas por grupo, funciones especiales, operaciones especializadas de fecha y hora, archivos de trabajo, mapa de valores y cálculos financieros. EViews también proporciona generadores de números aleatorios (Knuth, LEcuyer o Mersenne-Twister), funciones de densidad y funciones de distribución acumulativa para dieciocho distribuciones diferentes. Pueden usarse para generar series nuevas o para calcular expresiones escalares y de matriz. EViews ofrece una extensa biblioteca de funciones. Manejo sofisticado de expresiones Las herramientas poderosas de EView para el manejo de expresiones significan que usted puede usar expresiones virtualmente dondequiera que usted usaría una serie. No hay que crear nuevas variables para trabajar con el logaritmo de Y, el promedio móvil de W, o la relación de X a Y (o cualquier otra expresión válida). En su lugar, puede utilizar la expresión en el cálculo de estadísticas descriptivas, como parte de una ecuación o especificación de modelo, o en la construcción de gráficos. Cuando se pronostica utilizando una ecuación con una expresión para la variable dependiente, EViews (si es posible) le permitirá pronosticar la variable dependiente subyacente y ajustará el intervalo de confianza estimado en consecuencia. Por ejemplo, si la variable dependiente se especifica como LOG (G), puede elegir predecir el registro o el nivel de G, y calcular el intervalo de confianza apropiado, posiblemente asimétrico. Trabajar directamente con expresiones en lugar de variables. Enlaces, fórmulas y valores Mapas Los objetos de enlace permiten crear series que enlazan con datos contenidos en otros archivos de trabajo o páginas de archivos de trabajo. Los enlaces permiten combinar datos en diferentes frecuencias o combinar la combinación de datos de una página de resumen en una página individual de tal manera que los datos se actualizan dinámicamente cada vez que cambian los datos subyacentes. De forma similar, dentro de un archivo de trabajo, se pueden asignar fórmulas a series de datos de modo que las series de datos se recalculan automáticamente cada vez que se modifican los datos subyacentes. Las etiquetas de valor (por ejemplo, QuotHighquot, quotMedquot, quotLowquot, correspondiente a 2, 1, 0) se pueden aplicar a series numéricas o alfa para que los datos categóricos se puedan mostrar con etiquetas significativas. Las funciones integradas le permiten trabajar con los valores subyacentes o asignados al realizar cálculos. Los enlaces se pueden utilizar para la conversión de frecuencia dinámica o fusión. Estructuras de datos y tipos EViews puede manejar estructuras de datos complejas, incluyendo datos periódicos e irregulares, datos de sección transversal con identificadores de observación y datos de panel fechados y sin fecha. Además de los datos numéricos, un archivo de trabajo EViews también puede contener datos alfanuméricos (cadena de caracteres) y series que contienen fechas, todo lo cual puede manipularse utilizando una extensa biblioteca de funciones. EViews también proporciona una amplia gama de herramientas para trabajar con conjuntos de datos (archivos de trabajo), datos que incluyen la capacidad de combinar series por criterios complejos de combinación de fósforos y procedimientos de archivo de trabajo para cambiar la estructura de sus datos: unirse, anexar, subconjunto, redimensionar, ordenar y Remodelar (apilado y desenfile). Los archivos de trabajo de EViews pueden ser altamente estructurados. Enterprise Edition Soporte para ODBC, FAME TM. DRIBase y Haver Analytics Bases de datos Como parte de EViews Enterprise Edition (una opción de coste adicional sobre EViews Standard Edition), se proporciona soporte para el acceso a datos contenidos en bases de datos relacionales (a través de controladores ODBC) ya bases de datos en una variedad de formatos propietarios utilizados Por datos comerciales y proveedores de bases de datos. Open Database Connectivity (ODBC) es un estándar compatible con muchos sistemas de bases de datos relacionales, incluyendo Oracle, Microsoft SQL Server e IBM DB2. EViews le permite leer o escribir tablas completas de bases de datos ODBC, o crear un nuevo workfile a partir de los resultados de una consulta SQL. EViews Enterprise Edition también admite el acceso a bases de datos de formato FAME TM (tanto locales como basadas en servidores) Global Insights DRIPro y bancos de datos DRIBase, bases de datos Haver Analytics DLX, Datastream, FactSet y Moodys Economy. La interfaz de la base de datos EViews familiar y fácil de usar se ha extendido a estos formatos de datos para que pueda trabajar con bases de datos extranjeras tan fácilmente como las bases de datos nativas EView. Conversión de frecuencia Cuando importa datos de una base de datos o de otra página de archivo de trabajo o de archivo de trabajo, se convierte automáticamente a la frecuencia de su proyecto actual. EViews ofrece muchas opciones para la conversión de frecuencia, e incluye soporte para la conversión de datos diarios, semanales o de frecuencia irregular. Series se le puede asignar un método de conversión preferido, lo que le permite utilizar diferentes métodos para diferentes series sin tener que especificar el método de conversión cada vez que se accede a una serie. Incluso puede crear enlaces para que las series de datos convertidos con frecuencia se recalculen automáticamente cada vez que se modifican los datos subyacentes. Especifique una conversión automática específica de serie o seleccione un método específico. Para la información de las ventas envíe por correo electrónico por favor saleseviews Para la ayuda técnica por favor email supporteviews Incluya por favor su número de serie con toda la correspondencia del email. Aunque los métodos ad hoc de suavización exponencial (ES) se han empleado durante muchas décadas, los recientes desarrollos metodológicos han incorporado estos modelos en un marco de modelo dinámico no lineal moderno. Hyndman, Koehler, et al. (2002, A State Space Framework for Automatic Forecasting Using Exponential Smoothing Methods, International Journal of Forecasting, 18, 439454) describen el marco del ETS (E rror-T rend-Sasonal o E xponen T ial S moothing) Clase de métodos ES y ofrece una base teórica para el análisis de estos modelos utilizando cálculos de verosimilitud basada en el espacio de estado, con apoyo para la selección de modelos y el cálculo de errores estándar previstos. En particular, el marco ETS abarca los modelos estándar ES (por ejemplo, los métodos de Holt y HoltWinters y los métodos multiplicativos), de modo que proporciona una base teórica para lo que anteriormente era una colección de enfoques ad hoc. EViews 8 proporciona el suavizado exponencial de ETS como un procedimiento incorporado. A continuación se muestra un ejemplo de uso de ETS en EViews. Para ilustrar la estimación y la suavización utilizando un modelo de ETS, se pronostican los arranques mensuales de viviendas (HS) para el período 1985m011988m12. Estos datos se proporcionan en el archivo de trabajo hs. wf1. Utilizaremos el modelo de error multiplicativo, tendencia aditiva y modelo multiplicativo estacional (M, A, M) para estimar parámetros utilizando datos de 1959m011984m12 y para suavizar y pronosticar para 1985m11988m12. Primero, cargue el archivo de trabajo, abra la serie HS y seleccione Suavizado Pro / Exponencial / Suavizado Exponencial ETS. Cambie los menús desplegables Especificación del modelo a (M, A, M), establezca el ejemplo de estimación en 1959 1984 o 1959m01 1984m12, establezca el punto final Pronóstico en 1988m04 y deje los valores restantes en sus valores predeterminados. Cuando hace clic en Aceptar. EViews estima el modelo ETS, muestra los resultados y guarda los resultados suavizados en la serie HSSM en el archivo de trabajo. Los resultados se dividen en cuatro partes. La primera parte de la tabla muestra los ajustes empleados en el procedimiento ETS, incluyendo la muestra utilizada para la estimación y el estado de estimación. Aquí vemos que hemos estimado un modelo (M, A, M) utilizando datos de 1959 a 1984, y que el estimador convergió, pero con algunos parámetros a los valores límite. La siguiente sección de la tabla muestra los parámetros de suavizado (,,) y los estados iniciales x 0 (l 0. B 0. S 0. S -1. Obsérvese la presencia de los valores cero de límite para y, que indican que los componentes estacionales y de tendencia no cambian de sus valores iniciales. La parte inferior del resultado de la tabla contiene estadísticas resumidas para el procedimiento de estimación: La mayoría de estas estadísticas se explican por sí mismas. La probabilidad de registro compacta reportada es simplemente el valor de log-verosimilitud ausente de las constantes no esenciales, y se proporciona para facilitar la comparación con los resultados obtenidos de otras fuentes. Para fines de comparación, puede ser útil considerar el modelo ETS obtenido mediante la selección de modelos. Para realizar la selección del modelo, complete el cuadro de diálogo como antes, pero configure cada uno de los menús desplegables Especificación del modelo en Auto. Tenga en cuenta que en la configuración predeterminada, el mejor modelo se seleccionará utilizando el Criterio de información de Akaike. A continuación, haga clic en la ficha Opciones y establezca las opciones de visualización para mostrar el pronóstico y todos los elementos de la descomposición en Múltiples gráficos y para producir gráficos y tablas para las comparaciones de previsión y verosimilitud de todos los modelos considerados por la selección del modelo procedimiento. Haga clic en Aceptar para realizar el suavizado. Dado que EViews producirá varios tipos de salida para el procedimiento, los resultados se mostrarán en un carrete: El panel de salida izquierdo le permite seleccionar la salida que desea mostrar. Simplemente haga clic en la salida que desee visualizar o utilice la barra de desplazamiento en el lado derecho de la ventana para pasar de la salida a la salida. El resultado de la estimación contiene la especificación, el suavizado estimado y los parámetros iniciales, y las estadísticas de resumen. La parte superior de la salida muestra que el modelo ETS de criterio de información de Akaike seleccionado es una especificación (M, N, M), con la estimación del parámetro de suavizado de nivel 0.72 y el parámetro estacional 0 estimado en el límite. Las estadísticas de resumen indican que esta especificación es superior al modelo anterior (M, A, M), sobre la base de los tres criterios de información y el error medio cuadrático medio, aunque la probabilidad es menor y el SSR y el RMSE son ambos Ligeramente superior en el modelo seleccionado. Al hacer clic en el gráfico de comparación AIC en el carrete, vemos los resultados para todos los modelos candidatos: Tenga en cuenta que el modelo seleccionado (M, N, M) y el original (M, A, M) están entre las cinco especificaciones con AIC relativamente bajo valores. El gráfico de comparación de pronósticos muestra las previsiones para los modelos candidatos: El gráfico muestra tanto las últimas observaciones de las previsiones de la muestra como las previsiones fuera de la muestra para cada una de las posibles especificaciones ETS. Además, nuestros ajustes de pantalla ETS elegidos produjeron tanto la tabla de verosimilitud que contiene los valores reales de probabilidad y Akaike para cada especificación, como la tabla de comparación de pronósticos, que presenta un subconjunto de los valores mostrados en el gráfico. Por último, el spool contiene un gráfico múltiple que contiene los valores reales y previstos de HS durante el período de estimación y pronóstico, junto con la descomposición de la serie en el nivel y los componentes estacionales. Para la información de las ventas envíe por correo electrónico por favor saleseviews Para la ayuda técnica por favor email supporteviews Incluya por favor su número de serie con toda la correspondencia del email. Para obtener más información de contacto, consulte nuestra página Acerca de.