Promedio Inicial De Arranque

Bootstrapping mobile media models Recibido: 15 de julio de 1991 Revisado: 15 de febrero de 1992 Citar este artículo como: Corduas, M. J. It. Estadístico. Soc. (1992) 1: 227. doi: 10.1007 / BF02589032 2 Citaciones 73 Descargas Resumen En los últimos años, el método bootstrap se ha extendido a análisis de series de tiempo donde las observaciones están correlacionadas en serie. Las contribuciones se han centrado en el modelo autorregresivo que produce procedimientos alternativos de remuestreo. Por el contrario, aparte de algunas aplicaciones empíricas, se ha prestado muy poca atención a la posibilidad de extender el uso del método bootstrap a modelos de MOV o MAAR mixtos. En este artículo presentamos un nuevo procedimiento bootstrap que puede aplicarse para evaluar las propiedades distributivas de los parámetros de media móvil estimados obtenidos por un enfoque de mínimos cuadrados. Discutimos la metodología y los límites de su uso. Por último, el rendimiento del enfoque bootstrap se compara con el de la alternativa competitiva dada por la simulación de Monte Carlo. Palabras clave bootstrap series de tiempo Moving Average models Investigación apoyada parcialmente por CNR y MURST. Referencias Burg J. (1975), Análisis espectral de entropía máxima, Ph. D. Disertar . Universidad de Stanford, Departamento de Geofísica. Chatterjee S. (1986), Bootstrapping ARMA modelos: algunas simulaciones, IEEE Transactions on System, Man amp Cybernetics. 16, 294299. CrossRef Google Scholar Corduas, M. (1990), Approcci alternativi per it ricampionamento nei modelli Autoregressivi, Atti della XXXV Riunione Scientifica SIS. Padova, 2, 6168. Google Scholar Efron B. (1979), métodos Bootstrap: otra mirada a jackknife. Anales de Estadísticas. 7, 126. MATH MathSciNet Google Etudiante de Google Efron B. (1982), The jackknife, el bootstrap y otros planes de remuestreo, SIAMCBMS Monograph 38, Philadelphia. Efron B. Tibshirani R. (1986), métodos de Bootstrap para intervalos de confianza de errores estándar y otras medidas de precisión estadística. Ciencia Estadística. 1, 5477. MathSciNet Google Scholar Freedman D. (1984). En las estimaciones de mínimos cuadrados de dos etapas de bootstrapping en modelos lineales estacionarios, Annals of Statistics. 12, 827842. MATH MathSciNet Google Académico Hannan E. J. Rissanen J. (1982), Estimación recursiva de orden media móvil autorregresiva mixta, Biometrika. 69, 8194. MATH CrossRef MathSciNet Estudiante de Google Hannan E. J. Kavalieris L. (1984), Método para la estimación de la media móvil autorregresiva. Biometrika. 72, 273280. CrossRef MathSciNet Google Académico Koreisha S. Pukkila T. (1990), Un enfoque generalizado de mínimos cuadrados para la estimación de modelos de media móvil autorregresiva, Journal of Time Series Analysis. 2, 139151. MathsciNet Google Scholar Knsch H. R. (1989), El jackknife y el bootstrap para observaciones estacionarias generales, Annals of Statistics. 17, 12171241. MATH MathSciNet Google Académico Liu R. Y. Singh K. (1988), Moviendo bloques jackknife y bootstrap captura de dependencia débil, Informe Técnico. Departamento de Estadística, Universidad de Rutgers. Tjostheim D. Paulsen J. (1983), sesgo de algunas estimaciones de series de tiempo de uso común, Biometrika. 48, 197199. MathSciNet Google Scholar White H. (1984), Teoría asintótica para los econometristas. Academic Press, Orlando (CA). Google Scholar Información sobre los derechos de autor Societa Italiana di Statistica 1992 Autores y afiliaciones Marcella Corduas 1 2 1. Centro de especialización y ricerca Portici (Italia) 2. Universit di Napoli Federico II Napoli Italia Acerca del artículo ISSN 1121-9130 ISSN 1613-981X Nombre del editor Springer-VerlagBootstrapping Parámetros auto-regresivos y de media móvil Estimaciones de parámetros del proceso vectorial de orden infinito Efstathios Paparoditis Universidad de Chipre, Nicosia, Chipre Recibido el 27 de septiembre de 1994. Disponible en línea el 24 de abril de 2002. revisado Septiembre 1995 Resumen Consideramos una serie cronológica multivariada rdimensional Yt T Z que es generada por un proceso autorregresivo de vector de orden infinito. Se demuestra que un procedimiento de arranque que funciona mediante la generación de repeticiones de series de tiempo a través de un estimado fino k-orden vector vector autorregresivo proceso (k a una tasa adecuada con el tamaño de la muestra) proporciona asintóticamente válidas aproximaciones a la distribución conjunta de la creciente conjunto de estimación autorregresiva coeficientes Y al correspondiente conjunto de coeficientes de media móvil estimados (respuestas impulsivas). Palabras clave bootstrap parámetro estimaciones infinito orden vector autoregressions coeficientes autorregresivos móvil coeficientes medios AMS 1990 clasificaciones de los sujetos: primaria 62M10, 62E20, 62G09 secundaria 62P20. Copyright 1996 Academic Press. Todos los derechos reservados. Citar artículos () de Joel L. Horowitz - In Handbook of Econometrics. 2001. El bootstrap es un método para estimar la distribución de un estimador o estadística de prueba mediante el muestreo de los datos. Corresponde al tratamiento de los datos como si fueran la población con el fin de evaluar la distribución del interés. Bajo condiciones de regularidad suave, el arranque produce una a. El bootstrap es un método para estimar la distribución de un estimador o estadística de prueba mediante el muestreo de los datos. Corresponde al tratamiento de los datos como si fueran la población con el fin de evaluar la distribución del interés. Bajo condiciones de regularidad suave, el arranque proporciona una aproximación a la distribución de un estimador o estadística de prueba que es al menos tan precisa como la de Wolfgang Hrdle, Joel Horowitz, Jens-peter Kreiss - Statist Internacional. Revisión. 2003. El bootstrap es un método para estimar la distribución de un estimador o estadística de prueba mediante el muestreo de los datos o un modelo estimado a partir de los datos. Los métodos disponibles para implementar el bootstrap y la precisión de las estimaciones de bootstrap dependen de si los datos son una muestra aleatoria. El bootstrap es un método para estimar la distribución de un estimador o estadística de prueba mediante el muestreo de los datos o un modelo estimado a partir de los datos. Los métodos que están disponibles para implementar el bootstrap y la precisión de las estimaciones de arranque dependen de si los datos son una muestra aleatoria de una distribución o una serie de tiempo. Este trabajo se refiere a la aplicación de la bootstrap a los datos de series de tiempo cuando uno no tiene un modelo paramétrico de dimensión finita que reduce el proceso de generación de datos a un muestreo aleatorio independiente. Revisamos los métodos que se han propuesto para implementar el bootstrap en esta situación y discutimos la precisión de estos métodos con relación a las aproximaciones asintóticas de primer orden. Sostenemos que los métodos para implementar el bootstrap con datos de series de tiempo no son tan bien entendidos como los métodos para los datos que se muestrean al azar de una distribución. Además, el rendimiento del bootstrap medido por la tasa de convergencia de los errores de estimación tiende a ser peor con series de tiempo que con muestras aleatorias. Este es un problema importante para la investigación aplicada porque las aproximaciones asintóticas de primer orden son a menudo inexactas y engañosas con datos de series de tiempo y muestras de los tamaños encontrados en las aplicaciones. Llegamos a la conclusión de que hay una necesidad de más investigación en la aplicación de la serie bootstrap a tiempo, y describimos algunos de los importantes problemas sin resolver. Por Ke-li Xu, Peter C. B. Phillips. 2007. Modelos autoregresivos estables de orden finito conocido se consideran con diferencias de martingala, errores escalados por una función no paramétrica no paramétrica variable en el tiempo que genera heterogeneidad. Un caso especial importante implica un cambio estructural en la varianza del error, pero en la mayoría de los casos prácticos el patrón. Modelos autoregresivos estables de orden finito conocido se consideran con diferencias de martingala, errores escalados por una función no paramétrica no paramétrica variable en el tiempo que genera heterogeneidad. Un caso especial importante implica un cambio estructural en la varianza del error, pero en la mayoría de los casos prácticos se desconoce el patrón de cambio de varianza con el tiempo y puede implicar cambios en puntos discretos desconocidos en el tiempo, evolución continua o combinaciones de ambos. Este artículo desarrolla estimadores basados ​​en el núcleo de las varianzas residuales y estimadores de mínimos cuadrados adaptativos asociados (ALS) de los coeficientes autorregresivos. Se demuestra que son asintóticamente eficientes, teniendo la misma distribución límite que los cuadrados mínimos generalizados no factibles (GLS). Las comparaciones del procedimiento eficiente y los mínimos cuadrados ordinarios (OLS) revelan que los mínimos cuadrados pueden ser extremadamente ineficientes en algunos casos, mientras que casi óptimos en otros. Las simulaciones muestran que cuando los mínimos cuadrados funcionan bien, los estimadores adaptativos tienen un desempeño comparativamente bueno, mientras que cuando los mínimos cuadrados funcionan mal, los nuevos estimadores logran mayores ganancias de eficiencia. Aks y pruebas de estacionariedad. Diario de Negocios y Estadísticas Económicas 21 (4), 510-31. 5 Carroll, R. J. 1982. Adaptación para la heteroscedasticidad en modelos lineales. Annals of Statistics 10, 1224 - 1233. -6 - Cavaliere, G. 2004a. Prueba de estacionariedad bajo un cambio de varianza permanente. Economics Letters 82, 403 - 408. 7 Cavaliere, G. 2004b. Pruebas de raíz unitaria con cambios de varianza que varían en el tiempo. R. Econométrica de Michael Sherman - Revista de Planificación Estadística e Inferencia. 1998. Existen dos enfoques principales para el submuestreo de datos dependientes: modelo basado y modelo libre. En el primero, la estructura de dependencia se modela en términos de unos pocos parámetros desconocidos y errores independientes. En este último la serie observada se divide en bloques, y estos bloques se utilizan para captur. Existen dos enfoques principales para el submuestreo de datos dependientes: modelo basado y modelo libre. En el primero, la estructura de dependencia se modela en términos de unos pocos parámetros desconocidos y errores independientes. En este último la serie observada se divide en bloques, y estos bloques se utilizan para capturar la dependencia en la serie original. Es razonable suponer que el enfoque basado en modelos es superior bajo el modelo correcto e inferior bajo especificación errónea del modelo correcto. Formalizamos este equilibrio entre la eficiencia y la robustez y examinamos cómo se desarrolla en la clase de modelos de media móvil auto-regresiva. Michael Sherman es Profesor Asistente en el Departamento de Estadística de la Universidad AampampM de Texas, College Station, TX 1: INTRODUCCIÓN Hay dos enfoques principales para el submuestreo de secuencias dependientes: Modelo basado y modelo libre. En el enfoque basado en modelo la dependencia. N entonces se bootstrap, y pseudo series de tiempo se pueden formar a partir del modelo estimado. Algunos ejemplos de este enfoque de la literatura son los casos de autorregresión (Bose, 1988), media móvil (-Bose, 1990-), modelos dinámicos lineales (Freedman, 1984), intervalos de predicción (Thombs, 1990) (Basawa et al., 1989) y la autorregresión inestable (Datta, 1996). En el modelo de enfoque libre th. Por Andrés M. Alonso, Juan Romo. Ya se han propuesto varias técnicas para volver a muestrear datos dependientes. En este trabajo utilizamos técnicas de valores perdidos para modificar los bloques en movimiento jackknife y bootstrap. Más específicamente, consideramos los bloques de observaciones suprimidas en el jackknife de bloques como datos faltantes que son reco. Ya se han propuesto varias técnicas para volver a muestrear datos dependientes. En este trabajo utilizamos técnicas de valores perdidos para modificar los bloques en movimiento jackknife y bootstrap. Más específicamente, consideramos los bloques de observaciones suprimidas en el jackknife de bloques como datos faltantes que son recuperados por estimaciones de valores faltantes que incorporan la estructura de dependencia de observación. Por lo tanto, se estima la varianza de una estadística como una varianza de muestra ponderada de la estadística evaluada en una serie completa. Se establece la consistencia de la varianza y los estimadores de distribución de la media muestral. También aplicamos el enfoque de valores faltantes al bootstrap de bloques, incluyendo algunas observaciones faltantes entre dos bloques consecutivos y se demuestra la consistencia de la varianza y los estimadores de distribución de la media de la muestra. Finalmente, se presentan los resultados de un extenso estudio de Monte Carlo para evaluar el desempeño de estos métodos para tamaños finitos de muestras, mostrando que nuestra propuesta proporciona estimaciones de varianza para varias series de series de tiempo con menor cuadrado medio de error que los procedimientos anteriores. 2 de Stanislav Anatolyev. 2002. Se estudia el rendimiento de la inferencia bootstrap en muestras pequeñas en un modelo de predicción lineal de horizonte corto. La evidencia de simulación muestra que el bootstrap residual funciona bien incluso en situaciones donde se espera que la estructura no IID de las innovaciones de Wold contaminen la inferencia. Pequeña dist. Se estudia el rendimiento de la inferencia bootstrap en muestras pequeñas en un modelo de predicción lineal de horizonte corto. La evidencia de simulación muestra que el bootstrap residual funciona bien incluso en situaciones donde se espera que la estructura no IID de las innovaciones de Wold contaminen la inferencia. Las pequeñas distorsiones causadas por la presencia de una fuerte heterocedasticidad condicional son parcialmente eliminadas por el bootstrap salvaje, mientras que el uso de cualquiera de las variaciones del bloque de arranque con factores de corrección es más problemático debido a la necesidad de seleccionar una longitud de bloque y además es computacional Más intensivo. Por autores desconocidos. En un modelo autoregresivo simple con errores correlacionados en serie, se evalúan las distorsiones de tamaño resultantes del arranque residual cuando la innovación de Wold es se. En un modelo autorregresivo simple con errores correlacionados en serie, se evalúan las distorsiones de tamaño resultantes del arranque residual cuando la innovación de Wold es dependiente en serie y por lo tanto Se espera que contaminen la inferencia. Pequeñas distorsiones causadas por la presencia de fuerte heterocedasticidad condicional u otras no linealidades pueden ser eliminadas en parte por el uso del bootstrap salvaje. Es el IID bajo la DGP (4), pero no es bajo los DGPs (5), (6) o (7). 4 Re-muestreo Bootstrap En el bootstrap residual se resample la innovación Wold en el error tratado como un proceso IID (-Bose 1990-, Kreiss y Franke 1992). Después de los residuos et, t 1,. T se calculan 5, se restablecen las estimaciones de las innovaciones Wold t, t 1,. T de la siguiente manera. Calculamos una estimación de. Por Nalini Ravishanker, Lilian S.-Y. Wu, Dipak K. Dey. Los bloqueos atípicos contemporáneos (aditivos o reasignaciones) causados ​​por eventos especiales ocurren frecuentemente en series de tiempo de negocio repetidas. Cuando las series temporales tienen una fuerte dependencia entre series, las técnicas de estimación de la contracción proporcionan estimaciones mejoradas de los parámetros del modelo de series temporales y del ou. Los bloqueos atípicos contemporáneos (aditivos o reasignaciones) causados ​​por eventos especiales ocurren frecuentemente en series de tiempo de negocio repetidas. Cuando las series temporales tienen una fuerte dependencia entre series, las técnicas de estimación de la contracción proporcionan mejores estimaciones de los parámetros del modelo de serie temporal y del bloque de valores atípicos. Una estimación bootstrap de la matriz de covarianza del vector de magnitudes atípicas nos permite incorporar la dependencia y obtener las estimaciones de encogimiento. 1 Introducción La industria estadounidense se caracteriza por un cambio constante. Las empresas introducen nuevos productos y se reorganizan. En este entorno de cambio constante, los datos históricos sobre los cuales se basan las previsiones suelen ser cortos, que generalmente no tienen más de tres o cuatro años de datos mensuales. Con frecuencia, las empresas se organizan en unidades o divisiones más pequeñas y se dispone de series de datos cortas para cada división, lo que conduce a un conjunto de series temporales repetidas. Por ejemplo, en IBM, la división está en términos de áreas geográficas y. Por Seongman Moon, Carlos Velasco. Página principal del diario: elsevier / locate / jeconom.