Gleitender Durchschnitt Der Kleinsten Fehlerquadrate

Auf der Kleinsten-Quadrate-Schätzung der Restvarianz in dem ersten gleitenden Durchschnittsmodell Zusammenfassung In dem Modell erster Ordnung mit gleitendem Durchschnitt analysieren wir das Verhalten des Schätzers der Varianz des zufälligen Restwertes aus der Methode der kleinsten Quadrate. Dieses Verfahren ist in einigen weit verbreiteten Computerprogrammen enthalten. Wir zeigen durch Simulationen, dass die asymptotischen Formeln für die Bias und die Varianz des Maximum-Likelihood-Schätzers als Approximationen für die Kleinste-Quadrate-Schätzung verwendet werden können, zumindest wenn der Modellparameter weit von der Region der Nicht-Invertierbarkeit entfernt ist. Asymptotische Ergebnisse werden unter Verwendung der ldquolong-Autoregressionrdquo-Idee entwickelt, und dies führt zu einem geschlossenen Ausdruck für die kleinste Quadrate-Schätzfunktion. Dies wird wiederum mit dem Maximum-Likelihood-Schätzer unter Normalität verglichen, und zwar sowohl in seiner exakten als auch in einer angenäherten Version, die durch Approximieren der Matrix im Exponenten der Gaußschen Likelihood-Funktion erhalten wird. Dieser Vergleich wird durch einige numerische Beispiele veranschaulicht. Die Abhängigkeit der Ergebnisse von Vorspannungen von den Werten des Modellparameters wird betont. Schlüsselwörter Bewegliches Durchschnittsmodell Restvarianz Schätzung Least Quadrate Asymptotische Bias Asymptotischer mittlerer quadratischer Fehler Korrespondenzadresse. Facultad de Ciencias Economicas, Inst. De Investigaciones Estadisticas, Universidad Nacional de Tucuman, Casilla de Correo 209, 4000 Tucuman, Argentinien. Copyright-Kopie 1999 Elsevier Science B. V. Alle Rechte vorbehalten. Autoregressive gleitende durchschnittliche Fehlerprozesse (ARMA-Fehler) und andere Modelle, die Lags von Fehlertermen beinhalten, können durch Verwendung von FIT-Anweisungen geschätzt und mit SOLVE-Anweisungen simuliert oder prognostiziert werden. ARMA-Modelle für den Fehlerprozess werden oft für Modelle mit autokorrelierten Residuen verwendet. Mit dem AR-Makro können Modelle mit autoregressiven Fehlerprozessen spezifiziert werden. Mit dem MA-Makro können Modelle mit gleitenden Durchschnittsfehlern angegeben werden. Autoregressive Fehler Ein Modell mit autoregressiven Fehler erster Ordnung, AR (1), hat die Form, während ein AR (2) Fehlerprozess die Form hat und so weiter für Prozesse höherer Ordnung. Beachten Sie, dass die s unabhängig und identisch verteilt sind und einen Erwartungswert von 0 haben. Ein Beispiel für ein Modell mit einer AR (2) - Komponente ist usw. für Prozesse höherer Ordnung. Zum Beispiel können Sie ein einfaches lineares Regressionsmodell mit MA (2) gleitenden Durchschnittsfehlern schreiben, da MA1 und MA2 die gleitenden Mittelwerte sind. Beachten Sie, dass RESID. Y automatisch durch PROC MODEL definiert wird. Die ZLAG-Funktion muss für MA-Modelle verwendet werden, um die Rekursion der Verzögerungen zu verkürzen. Dadurch wird sichergestellt, dass die verzögerten Fehler in der Lag-Priming-Phase bei Null beginnen und keine fehlenden Werte propagieren, wenn Verzögerungsperiodenvariablen fehlen, und stellt sicher, dass die zukünftigen Fehler null sind, anstatt während Simulation oder Prognose fehlen. Einzelheiten zu den Verzögerungsfunktionen finden Sie im Abschnitt Lag Logic. Dieses mit dem MA-Makro geschriebene Modell lautet wie folgt: Allgemeine Form für ARMA-Modelle Das allgemeine ARMA-Verfahren (p, q) hat die folgende Form Ein ARMA-Modell (p, q) kann wie folgt angegeben werden: wobei AR i und MA j repräsentieren Die autoregressiven und gleitenden Durchschnittsparameter für die verschiedenen Verzögerungen. Sie können beliebige Namen für diese Variablen verwenden, und es gibt viele äquivalente Möglichkeiten, die die Spezifikation geschrieben werden könnte. Vektor-ARMA-Prozesse können auch mit PROC MODEL geschätzt werden. Beispielsweise kann ein zweidimensionaler AR (1) - Prozeß für die Fehler der beiden endogenen Variablen Y1 und Y2 wie folgt spezifiziert werden: Konvergenzprobleme mit ARMA-Modellen ARMA-Modelle können schwer abzuschätzen sein. Wenn die Parameterschätzwerte nicht innerhalb des geeigneten Bereichs liegen, wachsen exponentiell gleitende Modellrestriktionen. Die berechneten Residuen für spätere Beobachtungen können sehr groß sein oder überlaufen. Dies kann entweder geschehen, weil falsche Startwerte verwendet wurden oder weil sich die Iterationen von vernünftigen Werten entfernt haben. Bei der Auswahl der Anfangswerte für ARMA-Parameter sollte Sorgfalt angewendet werden. Startwerte von 0,001 für ARMA Parameter in der Regel funktionieren, wenn das Modell die Daten gut und das Problem passt gut konditioniert. Man beachte, dass ein MA-Modell oft durch ein höherwertiges AR-Modell angenähert werden kann und umgekehrt. Dies kann in gemischten ARMA-Modelle in hohen Kollinearität führen, was wiederum kann zu schweren Fehlkonditionierung in den Berechnungen und Instabilität der Parameterschätzungen führen. Wenn Sie Konvergenzprobleme haben, während Sie ein Modell mit ARMA-Fehlerprozessen schätzen, versuchen Sie in Schritten abzuschätzen. Verwenden Sie zunächst eine FIT-Anweisung nur die Strukturparameter mit den ARMA Parameter auf Null (oder zu vernünftigen früheren Schätzungen, wenn verfügbar), die zu schätzen. Verwenden Sie dann eine andere FIT-Anweisung nur die ARMA-Parameter zu schätzen, die strukturellen Parameterwerte aus dem ersten Lauf mit. Da die Werte der Strukturparameter sind wahrscheinlich ihre endgültigen Schätzungen nahe zu sein, könnten die ARMA Parameterschätzungen nun zusammenlaufen. Verwenden Sie schließlich eine andere FIT-Anweisung, um simultane Schätzungen aller Parameter zu erzeugen. Da die Anfangswerte der Parameter jetzt wahrscheinlich ganz nahe an ihre endgültige gemeinsame Schätzungen zu sein, sollten die Schätzungen schnell konvergieren, wenn das Modell für die Daten geeignet ist. AR Anfangsbedingungen Die Anfangsverzögerungen der Fehlerterme von AR (p) - Modellen können auf unterschiedliche Weise modelliert werden. Die autoregressiven Fehlerstartmethoden von SAS / ETS Verfahren unterstützt sind die folgenden: bedingten kleinsten Quadrate (ARIMA und MODEL Verfahren) bedingungslose kleinsten Quadrate (AUTOREG, ARIMA und MODEL Verfahren) Maximum-Likelihood (AUTOREG, ARIMA und MODEL Verfahren) Yule-Walker (AUTOREG Verfahren nur) Hildreth-Lu, die die ersten p Beobachtungen (MODEL Verfahren nur) löscht siehe Kapitel 8, Die AUTOREG Verfahren, um eine Erklärung und Diskussion über die Vorzüge der verschiedenen AR (p) den Startmethoden. Die CLS-, ULS-, ML - und HL-Initialisierungen können mit PROC MODEL durchgeführt werden. Für AR (1) Fehler können diese Initialisierungen wie in Tabelle 18.2 gezeigt erzeugt werden. Diese Verfahren sind in großen Proben äquivalent. Tabelle 18.2 Initialisierungen durchgeführt durch PROC MODELL: AR (1) ERRORS Die anfänglichen Verzögerungen der Fehlerausdrücke von MA (q) - Modellen können auch unterschiedlich modelliert werden. Die folgenden gleitenden durchschnittlichen Fehlerstartparadigmen werden von den ARIMA - und MODEL-Prozeduren unterstützt: unbedingte kleinste Fehlerquadrate bedingte kleinste Fehlerquadrate Die bedingte Methode der kleinsten Fehlerquadrate zur Schätzung der gleitenden durchschnittlichen Fehlerterme ist nicht optimal, da sie das Startproblem ignoriert. Dies verringert die Effizienz der Schätzungen, obwohl sie unverändert bleiben. Die anfänglichen verzögerten Residuen, die sich vor dem Start der Daten erstrecken, werden als 0 angenommen, ihr unbedingter Erwartungswert. Dies führt zu einer Differenz zwischen diesen Residuen und den verallgemeinerten Resten der kleinsten Quadrate für die gleitende durchschnittliche Kovarianz, die im Gegensatz zum autoregressiven Modell durch den Datensatz fortbesteht. Normalerweise konvergiert diese Differenz schnell auf 0, aber für fast nicht-invertierbare gleitende Durchschnittsprozesse ist die Konvergenz ziemlich langsam. Um dieses Problem zu minimieren, sollten Sie viele Daten haben, und die gleitenden Durchschnittsparameter-Schätzungen sollten gut innerhalb des invertiblen Bereichs liegen. Dieses Problem kann auf Kosten des Schreibens eines komplexeren Programms korrigiert werden. Unbedingte Kleinste-Quadrate-Schätzungen für das MA (1) - Prozeß können durch Spezifizieren des Modells wie folgt erzeugt werden: Gleitende Durchschnittsfehler können schwer abgeschätzt werden. Man sollte erwägen, eine AR (p) - Näherung für den gleitenden Durchschnitt zu verwenden. Ein gleitender Durchschnitt kann in der Regel durch einen autoregressiven Prozess gut approximiert werden, wenn die Daten nicht geglättet oder differenziert sind. Das AR-Makro Das SAS-Makro AR erzeugt Programmieranweisungen für PROC MODEL für autoregressive Modelle. Das AR-Makro ist Teil der SAS / ETS-Software, und es sind keine speziellen Optionen erforderlich, um das Makro zu verwenden. Das autoregressive Verfahren kann auf die strukturellen Gleichungsfehler oder auf die endogenen Reihen selbst angewendet werden. Das AR-Makro kann für folgende Arten von Autoregression verwendet werden: uneingeschränkte Vektorautoregression beschränkte Vektorautoregression Univariate Autoregression Um den Fehlerterm einer Gleichung als autoregressiven Prozess zu modellieren, verwenden Sie die folgende Anweisung nach der Gleichung: Angenommen, Y ist eine Linearen Funktion von X1, X2 und einem AR (2) Fehler. Sie würden dieses Modell wie folgt schreiben: Die Aufrufe zu AR müssen nach allen Gleichungen kommen, auf die sich der Prozess bezieht. Der vorhergehende Makroaufruf AR (y, 2) erzeugt die in der LIST-Ausgabe in Abbildung 18.58 gezeigten Anweisungen. Abbildung 18.58 LIST Optionsausgabe für ein AR (2) - Modell Die PRED-Präfixvariablen sind temporäre Programmvariablen, die verwendet werden, so dass die Verzögerungen der Residuen die korrekten Residuen sind und nicht die, die durch diese Gleichung neu definiert werden. Beachten Sie, dass dies den Aussagen entspricht, die explizit im Abschnitt Allgemeine Formulare für ARMA-Modelle beschrieben sind. Sie können die autoregressiven Parameter auch bei ausgewählten Verzögerungen auf Null setzen. Wenn Sie zum Beispiel autoregressive Parameter in den Lags 1, 12 und 13 wünschen, können Sie die folgenden Anweisungen verwenden: Diese Anweisungen erzeugen die in Abbildung 18.59 dargestellte Ausgabe. Abbildung 18.59 LIST-Option Ausgang für ein AR-Modell mit Lags bei 1, 12 und 13 Die MODEL-Prozedurauflistung der kompilierten Programmcode-Anweisung als Parsed PRED. yab x1 c x2 RESID. y PRED. y - ACTUAL. y ERROR. y PRED. Y - y OLDPRED. y PRED. y yl1 ZLAG1 (y - perdy) yl12 ZLAG12 (y - perdy) yl13 ZLAG13 (y - perdy) RESID. y PRED. y - ACTUAL. y ERROR. y PRED. y - y Es gibt Variationen der Methode der bedingten Kleinste-Quadrate, je nachdem, ob Beobachtungen am Anfang der Serie zum Aufwärmen des AR-Prozesses verwendet werden. Die AR-bedingte Methode der kleinsten Quadrate verwendet standardmäßig alle Beobachtungen und nimmt Nullen für die Anfangsverzögerungen autoregressiver Terme an. Wenn Sie die M-Option verwenden, können Sie anfordern, dass AR die unbedingte Methode der kleinsten Fehlerquadrate (ULS) oder Maximum-Likelihood (ML) anwendet. Zum Beispiel, Diskussionen dieser Methoden wird im Abschnitt AR Anfangsbedingungen zur Verfügung gestellt. Unter Verwendung der Option MCLS n können Sie anfordern, dass die ersten n Beobachtungen verwendet werden, um Schätzungen der anfänglichen autoregressiven Verzögerungen zu berechnen. In diesem Fall beginnt die Analyse mit der Beobachtung n 1. Beispielsweise können Sie mit dem AR-Makro ein autoregressives Modell an die endogene Variable anstelle des Fehlerterms über die Option TYPEV anwenden. Wenn Sie beispielsweise die fünf letzten Lags von Y der Gleichung im vorherigen Beispiel hinzufügen möchten, können Sie AR verwenden, um die Parameter und die Lags mit den folgenden Anweisungen zu generieren: Die obigen Anweisungen erzeugen die in Abbildung 18.60 dargestellte Ausgabe. Abbildung 18.60 LIST Option Ausgang für ein AR-Modell von Y Dieses Modell prognostiziert Y als lineare Kombination von X1, X2, einem Intercept und den Werten von Y in den letzten fünf Perioden. Unrestricted Vector Autoregression Um die Fehlerausdrücke eines Gleichungssystems als vektorautoregressiven Prozess zu modellieren, verwenden Sie die folgende Form des AR-Makros nach den Gleichungen: Der Name des Prozessnamens ist ein beliebiger Name, den Sie für AR verwenden, um Namen für den autoregressiven Namen zu verwenden Werden. Mit dem AR-Makro können Sie verschiedene AR-Prozesse für verschiedene Sätze von Gleichungen modellieren, indem Sie für jeden Satz unterschiedliche Prozessnamen verwenden. Der Prozessname stellt sicher, dass die verwendeten Variablennamen eindeutig sind. Verwenden Sie für den Prozess einen kurzen Prozessname-Wert, wenn Parameter-Schätzwerte in einen Ausgabedatensatz geschrieben werden sollen. Das AR-Makro versucht, Parameternamen zu erstellen, die kleiner oder gleich acht Zeichen sind, aber diese wird durch die Länge des Prozessnamens begrenzt. Die als Präfix für die AR-Parameternamen verwendet wird. Der Variablenlistenwert ist die Liste der endogenen Variablen für die Gleichungen. Beispielsweise wird angenommen, dass Fehler für die Gleichungen Y1, Y2 und Y3 durch einen autoregressiven Prozess der zweiten Ordnung erzeugt werden. Sie können die folgenden Aussagen verwenden, die für Y1 und ähnlichen Code für Y2 und Y3 erzeugen: Für Vektorprozesse kann nur die Methode der bedingten kleinsten Quadrate (MCLS oder MCLS n) verwendet werden. Sie können auch das gleiche Formular mit Einschränkungen verwenden, dass die Koeffizientenmatrix bei ausgewählten Verzögerungen 0 ist. Zum Beispiel verwenden die folgenden Aussagen einen Vektorprozess der dritten Ordnung auf die Gleichungsfehler, wobei alle Koeffizienten bei Verzögerung 2 auf 0 beschränkt sind und die Koeffizienten bei den Verzögerungen 1 und 3 unbeschränkt sind: Sie können die drei Reihen Y1Y3 als vektorautoregressiven Prozess modellieren In den Variablen statt in den Fehlern, indem Sie die Option TYPEV verwenden. Wenn Sie Y1Y3 als Funktion von vergangenen Werten von Y1Y3 und einigen exogenen Variablen oder Konstanten modellieren möchten, können Sie mit AR die Anweisungen für die Lag-Terme erzeugen. Schreiben Sie eine Gleichung für jede Variable für den nichtautoregressiven Teil des Modells und rufen Sie dann AR mit der Option TYPEV auf. Zum Beispiel kann der nichtautoregressive Teil des Modells eine Funktion von exogenen Variablen sein, oder es können Abfangparameter sein. Wenn es keine exogenen Komponenten für das Vektorautoregressionsmodell gibt, die keine Abschnitte enthalten, dann weisen Sie jeder der Variablen Null zu. Es muss eine Zuordnung zu jeder der Variablen vorhanden sein, bevor AR aufgerufen wird. Dieses Beispiel modelliert den Vektor Y (Y1 Y2 Y3) als eine lineare Funktion nur seines Werts in den vorherigen zwei Perioden und einen Weißrauschenfehlervektor. Das Modell hat 18 (3 3 3 3) Parameter. Syntax des AR-Makros Es gibt zwei Fälle der Syntax des AR-Makros. Wenn Einschränkungen für einen Vektor-AR-Prozess nicht benötigt werden, hat die Syntax des AR-Makros die allgemeine Form, die ein Präfix für AR spezifiziert, das beim Konstruieren von Namen von Variablen zum Definieren des AR-Prozesses verwendet werden soll. Wenn der Endolist nicht angegeben wird, ist die endogene Liste standardmäßig der Name. Der der Name der Gleichung sein muss, auf die der AR-Fehlerprozess angewendet werden soll. Der Name darf nicht länger als 32 Zeichen sein. Ist die Reihenfolge des AR-Prozesses. Gibt die Liste der Gleichungen an, auf die der AR-Prozess angewendet werden soll. Wenn mehr als ein Name gegeben wird, wird ein unbeschränkter Vektorprozess mit den strukturellen Residuen aller Gleichungen erzeugt, die als Regressoren in jeder der Gleichungen enthalten sind. Wenn nicht angegeben, verwendet endolist standardmäßig den Namen. Gibt die Liste der Verzögerungen an, zu denen die AR-Terme hinzugefügt werden sollen. Die Koeffizienten der Terme, die nicht aufgelistet sind, werden auf 0 gesetzt. Alle aufgelisteten Lags müssen kleiner oder gleich nlag sein. Und es dürfen keine Duplikate vorhanden sein. Wenn nicht angegeben, wird die Verzögerungsliste standardmäßig auf alle Verzögerungen 1 bis nlag gesetzt. Gibt die zu implementierende Schätzmethode an. Gültige Werte von M sind CLS (bedingte Schätzungen der kleinsten Quadrate), ULS (unbedingte Schätzungen der kleinsten Quadrate) und ML (Maximum Likelihood Estimates). MCLS ist die Voreinstellung. Nur MCLS ist erlaubt, wenn mehr als eine Gleichung angegeben wird. Die ULS - und ML-Methoden werden für AR-AR-Modelle von AR nicht unterstützt. Dass das AR-Verfahren auf die endogenen Variablen anstelle der strukturellen Residuen der Gleichungen angewendet werden soll. Eingeschränkte Vektorautoregression Sie können steuern, welche Parameter in den Prozess eingeschlossen werden, wobei die Parameter auf 0 begrenzt werden, die Sie nicht einschließen. Verwenden Sie zuerst AR mit der Option DEFER, um die Variablenliste zu deklarieren und die Dimension des Prozesses zu definieren. Verwenden Sie dann zusätzliche AR-Aufrufe, um Ausdrücke für ausgewählte Gleichungen mit ausgewählten Variablen an ausgewählten Verzögerungen zu generieren. Zum Beispiel sind die erzeugten Fehlergleichungen wie folgt: Dieses Modell besagt, daß die Fehler für Y1 von den Fehlern sowohl von Y1 als auch von Y2 (aber nicht von Y3) bei beiden Verzögerungen 1 und 2 abhängen und daß die Fehler für Y2 und Y3 davon abhängen Die vorherigen Fehler für alle drei Variablen, aber nur bei Verzögerung 1. AR-Makro-Syntax für eingeschränkten Vektor-AR Eine alternative Verwendung von AR ist es, Einschränkungen für einen Vektor-AR-Prozess durch Aufruf von AR mehrmals aufzuerlegen, um verschiedene AR-Terme und Lags für verschiedene festzulegen Gleichungen. Der erste Aufruf hat die allgemeine Form spezifiziert ein Präfix für AR zu verwenden, bei der Konstruktion von Namen von Variablen benötigt, um den Vektor AR-Prozess zu definieren. Gibt die Reihenfolge des AR-Prozesses an. Gibt die Liste der Gleichungen an, auf die der AR-Prozess angewendet werden soll. Gibt an, dass AR den AR-Prozess nicht generieren soll, sondern auf weitere Informationen warten soll, die in späteren AR-Aufrufen für denselben Namenwert angegeben sind. Die nachfolgenden Anrufe haben die allgemeine Form ist die gleiche wie im ersten Aufruf. Spezifiziert die Liste der Gleichungen, auf die die Spezifikationen in diesem AR-Aufruf angewendet werden sollen. Nur Namen, die im Endolistenwert des ersten Aufrufs für den Namenswert angegeben sind, können in der Liste der Gleichungen in eqlist erscheinen. Spezifiziert die Liste der Gleichungen, deren verzögerte strukturelle Residuen als Regressoren in die Gleichungen in eqlist aufgenommen werden sollen. Nur Namen im Endolisten des ersten Aufrufs für den Namenswert können in varlist erscheinen. Wenn nicht angegeben, wird varlist standardmäßig Endolist. Gibt die Liste der Verzögerungen an, zu denen die AR-Terme hinzugefügt werden sollen. Die Koeffizienten der Terme, die nicht aufgelistet sind, werden auf 0 gesetzt. Alle aufgelisteten Verzögerungen müssen kleiner oder gleich dem Wert von nlag sein. Und es dürfen keine Duplikate vorhanden sein. Wenn nicht angegeben, verwendet laglist standardmäßig alle Verzögerungen 1 bis nlag. Das MA-Makro Das SAS-Makro MA generiert Programmieranweisungen für PROC MODEL für gleitende Durchschnittsmodelle. Das MA-Makro ist Teil der SAS / ETS-Software, und es sind keine speziellen Optionen erforderlich, um das Makro zu verwenden. Der gleitende Mittelwertfehlerprozeß kann auf die strukturellen Gleichungsfehler angewendet werden. Die Syntax des MA-Makros entspricht dem AR-Makro, außer es gibt kein TYPE-Argument. Wenn Sie die kombinierten MA - und AR-Makros verwenden, muss das Makro MA dem AR-Makro folgen. Die folgenden SAS / IML-Anweisungen erzeugen einen ARMA-Fehlerprozeß (1, (1 3)) und speichern ihn im Datensatz MADAT2. Die folgenden PROC MODEL-Anweisungen werden verwendet, um die Parameter dieses Modells unter Verwendung der maximalen Wahrscheinlichkeitsfehlerstruktur zu schätzen: Die Schätzungen der durch diesen Durchlauf erzeugten Parameter sind in Abbildung 18.61 dargestellt. Abbildung 18.61 Schätzungen aus einem ARMA-Prozess (1, (1 3)) Es gibt zwei Fälle der Syntax für das MA-Makro. Wenn Beschränkungen für einen Vektor-MA-Prozess nicht erforderlich sind, hat die Syntax des MA-Makros die allgemeine Form, die ein Präfix für MA vorgibt, das beim Konstruieren von Namen von Variablen verwendet wird, die benötigt werden, um den MA-Prozess zu definieren, und ist der Standard-Endolist. Ist die Reihenfolge des MA-Prozesses. Spezifiziert die Gleichungen, auf die das MA-Verfahren angewendet werden soll. Wenn mehr als ein Name angegeben wird, wird die CLS-Schätzung für den Vektorprozess verwendet. Gibt die Verzögerungen an, zu denen die MA-Bedingungen hinzugefügt werden sollen. Alle aufgelisteten Verzögerungen müssen kleiner oder gleich nlag sein. Und es dürfen keine Duplikate vorhanden sein. Wenn nicht angegeben, wird die Verzögerungsliste standardmäßig auf alle Verzögerungen 1 bis nlag gesetzt. Gibt die zu implementierende Schätzmethode an. Gültige Werte von M sind CLS (bedingte Schätzungen der kleinsten Quadrate), ULS (unbedingte Schätzungen der kleinsten Quadrate) und ML (Maximum Likelihood Estimates). MCLS ist die Voreinstellung. Nur MCLS ist erlaubt, wenn mehr als eine Gleichung im Endolisten angegeben ist. MA-Makro-Syntax für eingeschränkte Vektorbewegungsmittel Eine alternative Verwendung von MA ist es, Beschränkungen für einen Vektor-MA-Prozeß durch Aufruf von MA mehrere Male aufzuerlegen, um verschiedene MA-Terme und Verzögerungen für verschiedene Gleichungen anzugeben. Der erste Aufruf hat die allgemeine Form spezifiziert ein Präfix für MA, um beim Erstellen von Namen von Variablen für die Definition der Vektor-MA-Prozess zu verwenden. Spezifiziert die Reihenfolge des MA-Prozesses. Spezifiziert die Liste der Gleichungen, auf die das MA-Verfahren angewendet werden soll. Spezifiziert, daß MA nicht den MA-Prozeß erzeugen soll, sondern auf weitere Informationen, die in späteren MA-Aufrufen für denselben Namenwert spezifiziert werden, wartet. Die nachfolgenden Anrufe haben die allgemeine Form ist die gleiche wie im ersten Aufruf. Spezifiziert die Liste der Gleichungen, auf die die Spezifikationen in diesem MA-Aufruf angewendet werden sollen. Spezifiziert die Liste der Gleichungen, deren verzögerte strukturelle Residuen als Regressoren in die Gleichungen in eqlist aufgenommen werden sollen. Spezifiziert die Liste der Verzögerungen, bei denen die MA-Bedingungen hinzugefügt werden sollen.4.2 Least-Quadrate-Schätzung In der Praxis haben wir natürlich eine Sammlung von Beobachtungen, aber wir kennen die Werte von beta0 und beta1 nicht. Diese müssen aus den Daten geschätzt werden. Wir nennen diese Anpassung eine Linie durch die Daten. Es gibt viele Möglichkeiten für beta0 und beta1, wobei jede Wahl eine andere Zeile ergibt. Das Verfahren der kleinsten Quadrate bietet eine Möglichkeit, beta0 und beta1 effektiv zu wählen, indem die Summe der quadratischen Fehler minimiert wird. Das heißt, wir wählen die Werte von beta0 und beta1, die die Summe N varepsiloni2 Summe N (yi - beta0 - beta1xi) 2 minimieren. Unter Verwendung des mathematischen Kalküls kann gezeigt werden, dass die resultierenden Schätzer der kleinsten Quadrate sind, wobei bar der Mittelwert der x-Beobachtungen ist und bar der Mittelwert der y-Beobachtungen ist. Die geschätzte Linie wird als Regressionsgerade bezeichnet und ist in Abbildung 4.2 dargestellt. Wir nehmen an, dass es eine wahre Linie gibt, die mit ybeta0beta1x bezeichnet wird (in Abbildung 4.2 als gestrichelte grüne Linie dargestellt, aber wir kennen keine Beta0 und Beta1, so dass wir diese Linie nicht für die Prognose verwenden können (Die feste purpurne Linie in Abbildung 4.2) Die Regressionslinie wird für die Prognose verwendet Für jeden Wert von x können wir einen entsprechenden Wert von y mit Hut 0hat 1x prognostizieren Die aus den beobachteten x-Werten erhalten werden, werden als gepaßte Werte bezeichnet. Wir schreiben diese als Hut mit der Häufigkeit i1, dots, N. Jeder Hut i ist der Punkt der Regressionsgeraden, der der Beobachtung xi entspricht Die Residuen haben einige nützliche Eigenschaften, darunter die folgenden zwei: Als Ergebnis dieser Eigenschaften ist es klar, dass der Durchschnitt von & egr; Die Residuen sind Null und die Korrelation zwischen den Residuen und den Beobachtungen für die Prädiktorvariable ist ebenfalls gleich Null.8.4 Verschieben von Durchschnittsmodellen Anstatt vergangene Werte der Prognosedatei in einer Regression zu verwenden, verwendet ein gleitendes Durchschnittsmodell vergangene Prognosefehler in einer Regression-ähnlichen Modell. Y c et the theta e dots theta e, wobei et weißes Rauschen ist. Wir bezeichnen dies als MA (q) - Modell. Natürlich haben wir nicht beobachten die Werte von et, so ist es nicht wirklich Regression im üblichen Sinne. Beachten Sie, dass jeder Wert von yt gedacht als ein gewichteter gleitender Durchschnitt der letzten Prognosefehler werden kann. Allerdings sollten durchschnittlich Modelle bewegen sich nicht zu verwechseln mit einer durchschnittlichen Glättung bewegen wir uns in Kapitel 6. Ein gleitender Durchschnitt Modell diskutiert wird für die Vorhersage zukünftiger Werte verwendet, während gleitenden Durchschnitt Glättung zur Abschätzung des Trend-Zyklus von früheren Werten verwendet wird. Abbildung 8.6: Zwei Beispiele von Daten aus gleitenden Durchschnitt Modelle mit unterschiedlichen Parametern. Links: MA (1) mit yt 20e t 0,8e t-1. Rechts: MA (2) mit y t e t - e t-1 0,8e t-2. In beiden Fällen ist e t normalerweise weißes Rauschen mit Mittelwert Null und Varianz eins verteilt. Abbildung 8.6 zeigt einige Daten aus einem MA (1) - Modell und einem MA (2) - Modell. Das Ändern der Parameter theta1, dots, thetaq führt zu unterschiedlichen Zeitreihenmustern. Wie bei autoregressive Modelle, wird die Varianz des Fehlerterms et nur den Maßstab der Serie ändern, nicht die Muster. Es ist möglich, jedes stationäre AR (p) - Modell als MA (infty) - Modell zu schreiben. Zum Beispiel wiederholte Substitution, können wir dies für ein AR (1) Modell zeigen: begin yt amp phi1y et amp PHI1 (phi1y e) et amp phi12y phi1 e et amp phi13y phi12e phi1 e et amptext Ende bereitgestellt -1 lt phi1 lt 1 wird der Wert von phi1k kleiner, wenn k größer wird. So schließlich erhalten wir yt et phi1 e phi12 e phi13 e cdots, MA (infty) Prozess. Das umgekehrte Ergebnis gilt, wenn wir den MA-Parametern einige Einschränkungen auferlegen. Dann wird das MA-Modell invertierbar. Das heißt, dass wir alle invertierbaren MA (q) Prozess als AR (infty) Prozess schreiben können. Invertible Modelle sind nicht einfach, damit wir von MA-Modellen auf AR-Modelle umwandeln können. Sie haben auch einige mathematische Eigenschaften, die sie in der Praxis einfacher zu verwenden. Die Invertibilitätsbedingungen sind den stationären Einschränkungen ähnlich. Für ein MA (1) Modell: -1lttheta1lt1. Für ein MA (2) - Modell: -1lttheta2lt1, theta2theta1 gt-1, theta1 - theta2 lt 1. Kompliziertere Bedingungen gelten für qge3. Wieder wird R kümmern sich um diese Einschränkungen bei der Schätzung der Modelle. Mean Reversion: Modern Day Moving Averages Autor: GunjanDuaa Oktober 04, 2012 Moving-Durchschnitte sind einer der am häufigsten verwendeten Indikatoren in technischen Analyse-Studien. Was begann mit dem einfachen gleitenden Durchschnitt und dann in Richtung exponentiellen gleitenden Durchschnitt hat im Laufe der Zeit und dem Aufkommen der Computer-programmierten Software haben Techniker zu experimentieren und kommen mit neuen Arten von Daten Berechnung. DEFINITION Die mittlere Reversion deutet darauf hin, dass die Vermögenspreise sich letztlich auf den Mittelwert oder den Durchschnitt vor der Trendwiederaufnahme oder Trendwende umkehren werden, es kann aber sein, dass die Preise bis zu dem Durchschnitt, Ist dies ein Prozess, auf dem viele Handelssysteme basieren, auf denen Handlungen vorgenommen werden, wenn die jüngsten Ergebnisse von ihren historischen Durchschnittswerten abweichen. MODERNE BEWEGLICHE VERGLEICHUNGEN Einfache gleitende Durchschnitte werden noch von vielen aber mit Zeit und einer Anforderung verwendet, um den Preis anders zu bestimmen, der für neue Gedanken und neue Mittel gebildet wird. In diesem Artikel werde ich erklären, neuere gleitende Durchschnitte, die mit der Zeit und Notwendigkeit entwickelt haben. DOUBLE EXPONENTIAL (DEMA) UND TRIPLE (TEMA) Ein gleitender Durchschnitt ist eine glatte Kurvenlinie, die die visuelle Bestätigung der längerfristigen Tendenz eines Durchschnitts liefert, wobei es sich um nachlaufende Indikatoren handelt, bei denen schnellere gleitende Mittelwerte abgehackt sind und längerfristige Durchschnittswerte glatter sind Verringern die Zeitverzögerung diese modifizierten exponentiellen Durchschnitte wurden gedacht. Sie werden für die Bereitstellung von Signalen in Crossover - oder Trendfindung früher als andere gleitende Mittelwerte verwendet. (EMA) EMA EMA (EMA) EMA (EMA) EMA EMA (EMA) EMA (EMA) EMA (EMA) EMA (EMA) EMA (EMA) EMEA - EMA (EMA) (Schließen - EMA (1)) N Die Glättungsperiode. Diagramm 1 hat gleitende mittlere Kreuzung, zeigt es eindeutig, daß TEMA Signal das frühste gefolgt von DEMA und dann einfachem bewegendem Durchschnitt gibt. So ist die Verzögerung reduziert und wir können den Trend früher eingeben. DISPLACED MOVING AVERAGE (DispMA) Ein DispMA ist ein gleitender Durchschnitt, der um ein bestimmtes Zeitintervall vorwärts oder rückwärts eingestellt werden kann. Verschiebung der Moving Average Backward, um in den langfristigen Trend zu bleiben, wird es eine verzögerte Wirkung Verschiebung der gleitenden Durchschnitt nach vorne, um einen rechtzeitigen Ausgang, wenn der Zähler Trend entwickelt, wird es eine führende Wirkung zu schaffen. Das Ziel der DisMA ist es, plötzliche whipsaws, die in der Regel kommen in den reifen Trend oder News verwandten Ereignissen zu vermeiden, wird die Verschiebung weniger Anzahl von falschen Signalen verursachen. Die üblichen Verschiebung Ebenen sind 3 Tage bis 5 Tage vor oder zurück. Es kann für die Suche nach Unterstützung und Widerstände oder als Crossover-Signal verwendet werden und auch sehr nützlich in zyklischen Studien. Abbildung 2 zeigt, dass je länger gleitenden Durchschnitt platziert nach vorn hält uns im Trend, während die kürzeren gleitenden Durchschnitt, die nach hinten platziert hilft uns, eine rechtzeitige Ausfahrt zu bekommen. GEWICHTTES BEWEGENDES DURCHSCHNITT (WMA) Werfen wir einen Blick auf eine andere Art von gleitendem Durchschnitt. Das Ziel der WMA ist es, die Verzögerung wegzunehmen und den Empfindlichkeitsfaktor gegenüber dem Preis zu erhöhen. Der gewichtete gleitende Durchschnitt ist der gewichtete Durchschnitt der letzten n Preise, wobei die Gewichtung um 1 mit jedem vorherigen Preis sinkt. (N - 1) Pn - 1) ((n - 2) Pn - 2) (n - (n - 1)) Pn - (n - 1) n (n - 1). (n - (n - 1)).) WMA schneller auf Preisänderungen reagiert, weil es mehr Wert auf die jüngsten Kursbewegungen legt auf diese Weise zeigt es die Tendenz schneller als mit dem einfachen gleitenden Durchschnitt verglichen. Least-Squares gleitenden Durchschnitt Diese gleitende Durchschnitt manchmal auch als Endpunkt Moving Average. es basiert auf der linearen Regression, sondern geht noch einen Schritt nach vorn durch Schätzung, was passiert wäre, wenn die Regressionslinie fortgesetzt, so dass es in Reaktion auf Trends und Spek die Trends früher als im Vergleich zu anderen Moving Averages. sein Gebrauch wird hauptsächlich als Crossover-Signal mit sich selbst oder mit anderen gleitenden Durchschnitt oder als Kauf darüber oder darunter mit dem Preis zu bewegen oder Verkaufssignal verwendet werden. In Abbildung 3 haben wir drei plotten Moving Averages in einem Diagramm die erste Least Square Durchschnitt bewegen (grün) auch als Endpunkt gleitenden Durchschnitt genannt. die roten Kreise den Preisanstieg über dem Durchschnitt zeigt Veränderung zeigen in Trend oder Endpunkt Trend nach oben und unten hilft dem zu beenden Position oder nehmen Sie den gegenteiligen Handel. Die anderen beiden sind WMA (dicke violett) und EMA (gestrichelte rot), die Berechnung der beiden Mittelwerte nahezu gleich, aber in WMA mehr Gewicht auf den aktuellen Preis angegeben ist, so zeigt es, dass WMA näher ist im Vergleich zum Preis EMA WILDERS MOVING MITTELWERT Wie der Name schon sagt dies von Welles Wilder die große Techniker, dessen Arbeiten Relative Strength Index (RSI), Average Directional Index (ADX) erstellt wurde. Parabolischer Sar und mittlerer True Range (ATR). Dies wird manchmal als die modifizierte gleitende Durchschnitt das Ziel ist es, die Preisbewegungen, um die Preisentwicklung zu identifizieren genannt. Wilder EMA Preis heute K EMA gestern (1-k) Wo k 1 / N, N Anzahl der Perioden der Formel EMA ähnlich ist, die zwei Parameter hat, eine Zeitreihe und einen Blick zurück Zeit und es gibt eine glatte Linie. Preisaufenthalt und Abschluss über dem Durchschnitt wird als Aufwärtstrend und darunter als Abwärtstrend bezeichnet. Diagramm 4 zeigt zwei Mittelwerte unter Wilders-Berechnung. Je länger gleitenden Durchschnitt kann für den Kauf auf Dip für Trendbestimmung und kürzer für den Handel verwendet werden und auf Aufstieg zu verkaufen. Crossover bietet Trading-Signale, aber mit einer Verzögerung. RISING EQUITY CRUVE Fast jeder nutzt gleitende Durchschnittswerte in den Kursentwicklungen, diese neueren gleitenden Durchschnitte helfen Händler, Tendenzen besser zu erfassen und ein feineres Handelssystem zu entwickeln, um Markttrends besser nachgeben zu können und eine steigende Eigenkapitalkurve zu erhalten.