Séries Chronologiques Mobiles Stata

() Et ses limitations Statarsquos la commande la plus évidente pour calculer des moyennes mobiles est la fonction de ma () d'egen. Étant donné une expression, il crée une moyenne mobile de cette expression. Par défaut, la valeur 3. doit être impaire. Cependant, comme l 'entrée manuelle indique, egen, ma () ne peut pas être combiné avec varlist:. Et, pour cette seule raison, elle n'est pas applicable aux données des groupes spéciaux. En tout cas, il se trouve en dehors de l'ensemble des commandes spécifiquement écrites pour les séries chronologiques, voir les séries temporelles pour plus de détails. Autres approches Pour calculer les moyennes mobiles pour les données de panel, il y a au moins deux choix. Les deux dépendent de l'ensemble de données ayant été tsset à l'avance. Cela vaut vraiment la peine de le faire: non seulement vous pouvez vous épargner à plusieurs reprises en spécifiant variable de panneau et variable de temps, mais Stata se comporte intelligemment compte tenu des lacunes dans les données. 1. Écrivez votre propre définition à l'aide de la génération en utilisant des opérateurs de série chronologique tels que L. et F.. Donner la définition de la moyenne mobile comme argument à une déclaration generate. Si vous faites cela, vous n'êtes naturellement pas limité aux moyennes mobiles pondérées (non pondérées) également pondérées calculées par egen, ma (). Par exemple, des moyennes mobiles à pondération égale à trois périodes seraient données par et certains poids peuvent être facilement spécifiés: Vous pouvez bien sûr spécifier une expression telle que log (myvar) au lieu d'un nom de variable tel que myvar. Un avantage majeur de cette approche est que Stata fait automatiquement la bonne chose pour les données de panel: les valeurs de départ et de retard sont élaborées au sein des panneaux, tout comme la logique dicte qu'ils devraient l'être. L'inconvénient le plus notable est que la ligne de commande peut être assez longue si la moyenne mobile implique plusieurs termes. Un autre exemple est une moyenne mobile unilatérale fondée uniquement sur les valeurs précédentes. Cela pourrait être utile pour générer une anticipation adaptative de ce qu'une variable sera fondée uniquement sur l'information à ce jour: que pourrait-on prévoir pour la période en cours sur la base des quatre dernières valeurs, en utilisant un système de pondération fixe (un délai de 4 périodes pourrait être Surtout utilisé avec les séries trimestrielles). 2. Utilisez egen, filter () de SSC Utilisez le filtre de fonction egen écrit () de l'ensemble egenmore sur SSC. Dans Stata 7 (mis à jour après le 14 novembre 2001), vous pouvez installer ce paquet après par lequel l'aide egenmore indique des détails sur filter (). Les deux exemples ci-dessus seraient rendus (dans cette comparaison, l'approche de génération est peut-être plus transparente, mais nous verrons un exemple du contraire dans un instant). Les retards sont un numlist. Les conducteurs sont des retards négatifs: dans ce cas, -11 se dilate à -1 0 1 ou conduit 1, retard 0, décalage 1. Les coefficients, un autre nombre, multiplient les éléments retardés ou principaux correspondants: dans ce cas, ces éléments sont F1.myvar . Myvar et L1.myvar. L'effet de l'option de normalisation consiste à mettre à l'échelle chaque coefficient par la somme des coefficients de telle sorte que coef (1 1 1) normalise soit équivalent à des coefficients de 13 13 13 et coef (1 2 1) normaliser équivaut à des coefficients de 14 12 14 Vous devez spécifier non seulement les décalages, mais aussi les coefficients. Parce que egen, ma () fournit le cas également pondéré, la raison principale pour egen, filter () est de soutenir le cas pondéré inégalement, pour lequel vous devez spécifier des coefficients. On pourrait également dire que l'obligation faite aux utilisateurs de spécifier des coefficients est un peu plus de pression sur eux pour penser à quels coefficients ils veulent. La principale justification pour des poids égaux est, nous devinons, la simplicité, mais des poids égaux ont de mauvaises propriétés de domaine fréquentiel, pour ne citer qu'une seule considération. Le troisième exemple ci-dessus pourrait être l'un ou l'autre est à peu près aussi compliqué que l'approche générer. Il ya des cas où egen, filter () donne une formulation plus simple que generate. Si vous voulez un filtre binomial à neuf termes, que les climatologues trouvent utile, il semble peut-être moins horrible et plus facile à obtenir que, tout comme avec l'approche generate, egen, filter () fonctionne correctement avec les données du panneau. En fait, comme indiqué ci-dessus, cela dépend du jeu de données ayant été tsset à l'avance. Une astuce graphique Après avoir calculé vos moyennes mobiles, vous voudrez probablement regarder un graphique. La commande tsgraph utilisateur-écrit est intelligente au sujet des ensembles de données de tsset. Installez-le dans un Stata 7 à jour par ssc inst tsgraph. Qu'en est-il sous-ensemble avec si aucun des exemples ci-dessus ne font usage de restrictions si. En fait, egen, ma () ne permettra pas si elle doit être spécifiée. Occasionnellement, les gens veulent utiliser si lors du calcul des moyennes mobiles, mais son utilisation est un peu plus compliquée qu'il est habituellement. Qu'attendriez-vous d'une moyenne mobile calculée avec if. Identifions deux possibilités: Faible interprétation: Je ne veux pas voir de résultats pour les observations exclues. Interprétation forte: Je ne veux même pas que vous utilisiez les valeurs pour les observations exclues. Voici un exemple concret. Supposons que, comme conséquence de certaines conditions if, les observations 1-42 sont incluses, mais pas les observations 43 sur. Mais la moyenne mobile de 42 dépendra, entre autres choses, de la valeur d'observation 43 si la moyenne s'étend vers l'arrière et vers l'avant et est de longueur au moins 3, et elle dépendra également de certaines des observations 44 dans certaines circonstances. Notre conjecture est que la plupart des gens iraient pour l'interprétation faible, mais si cela est correct, egen, filter () ne supporte pas si soit. Vous pouvez toujours ignorer ce que vous donrsquot voulez ou même définir des valeurs indésirables à manquer par la suite en utilisant remplacer. Une note sur les résultats manquants aux extrémités de la série Puisque les moyennes mobiles sont des fonctions de lags et de leads, egen, ma () produit manquant où les lags et les leads n'existent pas, au début et à la fin de la série. Une option nomiss oblige à calculer des moyennes mobiles plus courtes et non centralisées pour les queues. En revanche, ni générer ni egen, filter () ne, ou permet, quelque chose de spécial pour éviter les résultats manquants. Si l'une des valeurs requises pour le calcul est manquante, ce résultat est manquant. Il appartient aux utilisateurs de décider si et quelle chirurgie corrective est requise pour de telles observations, vraisemblablement après avoir examiné l'ensemble de données et en considérant toute science sous-jacente qui peut être mise en jeu. Moyennes de déplacement Moyennes mobiles Avec des ensembles de données conventionnels la valeur moyenne est souvent la première , Et l'une des statistiques les plus utiles et les plus sommaires à calculer. Lorsque les données sont sous la forme d'une série chronologique, la moyenne en série est une mesure utile, mais ne reflète pas la nature dynamique des données. Les valeurs moyennes calculées sur des périodes court-circuitées, soit précédant la période courante, soit centrées sur la période courante, sont souvent plus utiles. Parce que ces valeurs moyennes vont varier, ou se déplacer, à mesure que la période courante se déplace du temps t 2, t 3, etc., on les appelle des moyennes mobiles (Mas). Une moyenne mobile simple est (typiquement) la moyenne non pondérée de k valeurs antérieures. Une moyenne mobile exponentiellement pondérée est essentiellement la même qu'une moyenne mobile simple, mais avec des contributions à la moyenne pondérée par leur proximité à l'heure actuelle. Parce qu'il n'y a pas une seule, mais toute une série de moyennes mobiles pour une série donnée, l'ensemble de Mas peut être tracé sur des graphes, analysé comme une série et utilisé dans la modélisation et la prévision. Une gamme de modèles peut être construite à l'aide de moyennes mobiles, et ce sont connus sous le nom de modèles MA. Si ces modèles sont combinés avec des modèles autorégressifs (AR), les modèles composites résultants sont connus sous le nom de modèles ARMA ou ARIMA (le I est pour intégré). Moyennes mobiles simples Comme une série temporelle peut être considérée comme un ensemble de valeurs, t 1,2,3,4, n la moyenne de ces valeurs peut être calculée. Si l'on suppose que n est assez grand, et on choisit un entier k qui est beaucoup plus petit que n. Nous pouvons calculer un ensemble de moyennes de bloc, ou moyennes mobiles simples (d'ordre k): Chaque mesure représente la moyenne des valeurs de données sur un intervalle de k observations. Notons que la première MA possible d'ordre k gt0 est celle de t k. De façon plus générale, nous pouvons supprimer l'indice supplémentaire dans les expressions ci-dessus et écrire: Ceci indique que la moyenne estimée au temps t est la moyenne simple de la valeur observée au temps t et aux précédentes étapes k -1. Si des poids sont appliqués qui diminuent la contribution des observations qui sont plus éloignées dans le temps, la moyenne mobile est dite exponentiellement lissée. Les moyennes mobiles sont souvent utilisées comme une forme de prévision, la valeur estimée pour une série au temps t 1, S t1. Est prise comme MA pour la période allant jusqu'au temps t compris. par exemple. L'estimation d'aujourd'hui est basée sur une moyenne des valeurs antérieures enregistrées jusqu'à et y compris hier (pour les données quotidiennes). Les moyennes mobiles simples peuvent être considérées comme une forme de lissage. Dans l'exemple illustré ci-dessous, l'ensemble de données sur la pollution atmosphérique présenté dans l'introduction à ce sujet a été complété par une ligne de 7 jours de moyenne mobile (MA), affichée ici en rouge. Comme on peut le voir, la ligne MA permet de lisser les pics et les creux dans les données et peut être très utile pour identifier les tendances. La formule de calcul de référence standard signifie que les premiers k -1 points de données n'ont pas de valeur MA, mais ensuite les calculs s'étendent jusqu'au point de données final de la série. Une des raisons de calculer des moyennes mobiles simples de la manière décrite est qu'il permet de calculer les valeurs pour tous les intervalles de temps entre le temps tk et le temps présent, et Comme une nouvelle mesure est obtenue pour le temps t 1, la MA pour le temps t 1 peut être ajoutée à l'ensemble déjà calculé. Cela fournit une procédure simple pour les jeux de données dynamiques. Cependant, cette approche présente certains problèmes. Il est raisonnable de soutenir que la valeur moyenne au cours des 3 dernières périodes, par exemple, devrait être située à l'instant t -1, et non pas au temps t. Et pour une MA sur un nombre pair de périodes, il devrait être situé au point médian entre deux intervalles de temps. Une solution à cette question est d'utiliser des calculs de MA centrés, dans lesquels la MA à l'instant t est la moyenne d'un ensemble symétrique de valeurs autour de t. Malgré ses avantages évidents, cette approche n'est généralement pas utilisée car elle exige que des données soient disponibles pour des événements futurs, ce qui peut ne pas être le cas. Dans les cas où l'analyse est entièrement d'une série existante, l'utilisation de Mas centrée peut être préférable. Les moyennes mobiles simples peuvent être considérées comme une forme de lissage, en supprimant certaines composantes à haute fréquence d'une série chronologique et en mettant en évidence (mais non en supprimant) les tendances d'une manière similaire à la notion générale de filtrage numérique. En effet, les moyennes mobiles sont une forme de filtre linéaire. Il est possible d'appliquer un calcul de la moyenne mobile à une série qui a déjà été lissée, c'est-à-dire lisser ou filtrer une série déjà lissée. Par exemple, avec une moyenne mobile de l'ordre 2, nous pouvons la considérer comme étant calculée en utilisant des poids, de sorte que la MA à x 2 0,5 x 1 0,5 x 2. De même, la MA à x 3 0,5 x 2 0,5 x 3. Si nous Appliquer un deuxième niveau de lissage ou de filtrage, on a 0,5 x 2 0,5 x 3 0,5 (0,5 x 1 0,5 x 2) 0,5 (0,5 x 2 0,5 x 3) 0,25 x 1 0,5 x 2 0,25 x 3 c'est-à-dire le filtrage à 2 étages Processus (ou convolution) a produit une moyenne mobile symétrique pondérée variable, avec des poids. Les convolutions multiples peuvent produire des moyennes mobiles pondérées assez complexes, dont certaines ont été trouvées particulièrement utiles dans des domaines spécialisés, comme dans les calculs d'assurance-vie. Les moyennes mobiles peuvent être utilisées pour supprimer des effets périodiques si elles sont calculées avec la longueur de la périodicité comme étant connue. Par exemple, avec des données mensuelles, les variations saisonnières peuvent souvent être supprimées (si tel est l'objectif) en appliquant une moyenne mobile symétrique de 12 mois avec tous les mois pondérés également, sauf le premier et le dernier qui sont pondérés par 12. C'est parce qu'il y aura Être de 13 mois dans le modèle symétrique (temps actuel, t. - 6 mois). Le total est divisé par 12. Des procédures similaires peuvent être adoptées pour toute périodicité bien définie. Moyennes mobiles pondérées exponentiellement (EWMA) Avec la formule de la moyenne mobile simple: toutes les observations sont également pondérées. Si on appelle ces poids égaux, alpha t. Chacun des k poids serait égal à 1 k. Donc la somme des poids serait 1, et la formule serait: Nous avons déjà vu que les applications multiples de ce processus se traduisent par des poids variant. Avec des moyennes mobiles exponentiellement pondérées, la contribution à la valeur moyenne des observations qui sont plus éloignées dans le temps est délibérée réduite, ce qui met l'accent sur les événements plus récents (locaux). Essentiellement, on introduit un paramètre de lissage, 0lt alpha lt1, et on révise la formule à: Une version symétrique de cette formule serait de la forme: Si les poids dans le modèle symétrique sont sélectionnés comme les termes des termes de l'expansion binomiale, (1212) 2q. Ils additionneront 1, et comme q devient grand, approchera la distribution normale. C'est une forme de pondération du noyau, avec le Binomial agissant comme la fonction du noyau. La convolution à deux étages décrite dans la sous-section précédente est précisément cet arrangement, avec q 1, donnant les poids. Dans le lissage exponentiel il est nécessaire d'utiliser un ensemble de poids qui somme à 1 et qui réduisent en taille géométriquement. Les poids utilisés sont typiquement de la forme: Pour montrer que ces poids sont égaux à 1, considérons l'expansion de 1 comme une série. Nous pouvons écrire et développer l'expression entre parenthèses en utilisant la formule binomiale (1-x) p. Où x (1-) et p -1, ce qui donne: Ceci fournit alors une forme de moyenne mobile pondérée de la forme: Cette somme peut être écrite comme une relation de récurrence: ce qui simplifie considérablement le calcul et évite le problème que le régime de pondération Doit être strictement infini pour les poids à la somme de 1 (pour les petites valeurs de alpha, ce n'est généralement pas le cas). La notation utilisée par les différents auteurs varie. Certains utilisent la lettre S pour indiquer que la formule est essentiellement une variable lissée et écrivent: alors que la littérature théorique de contrôle utilise souvent Z plutôt que S pour les valeurs exponentiellement pondérées ou lissées (voir par exemple Lucas et Saccucci, 1990, LUC1 , Et le site Web du NIST pour plus de détails et exemples travaillés). Les formules citées ci-dessus découlent du travail de Roberts (1959, ROB1), mais Hunter (1986, HUN1) utilise une expression de la forme: qui peut être plus appropriée pour être utilisée dans certaines procédures de contrôle. Avec alpha 1, l'estimation moyenne est simplement sa valeur mesurée (ou la valeur de la donnée précédente). Avec 0,5, l'estimation est la moyenne mobile simple des mesures actuelles et précédentes. Dans les modèles de prévision, la valeur, S t. Est souvent utilisée comme estimation ou valeur de prévision pour la période de temps suivante, c'est-à-dire comme l'estimation pour x à l'instant t 1. On a ainsi: Ceci montre que la valeur de prévision à l'instant t 1 est une combinaison de la moyenne mobile exponentielle précédente Plus un composant qui représente l'erreur de prédiction pondérée, epsilon. À l'instant t. En supposant qu'une série chronologique est donnée et qu'une prévision est nécessaire, une valeur pour alpha est requise. Ceci peut être estimé à partir des données existantes en évaluant la somme des erreurs de prédiction au carré obtenues avec des valeurs variables d'alpha pour chaque t 2,3. La première estimation étant la première valeur de données observée, x 1. Dans les applications de contrôle, la valeur de alpha est importante dans la mesure où elle est utilisée dans la détermination des limites de contrôle supérieure et inférieure et affecte la longueur de parcours moyenne (ARL) attendue Avant que ces limites de contrôle ne soient rompues (sous l'hypothèse que la série temporelle représente un ensemble de variables indépendantes, aléatoires, identiquement distribuées et de variance commune). Dans ces circonstances, la variance de la statistique de contrôle est (Lucas et Saccucci, 1990): les limites de contrôle sont habituellement fixées en tant que multiples fixes de cette variance asymptotique, par ex. - 3 fois l'écart-type. Si l'alpha 0,25, par exemple, et les données surveillées sont supposées avoir une distribution normale, N (0,1), en contrôle, les limites de contrôle seront - 1,134 et le processus atteindra une ou l'autre limite en 500 étapes en moyenne. Lucas et Saccucci (1990 LUC1) dérivent les ARL pour une large gamme de valeurs alpha et sous diverses hypothèses en utilisant des procédures de chaîne de Markov. Ils tabulent les résultats, y compris la fourniture d'ARL lorsque la moyenne du processus de contrôle a été décalée par un multiple de l'écart-type. Par exemple, avec un décalage de 0,5 avec l'alpha 0,25, l'ARL est inférieur à 50 pas de temps. Les approches décrites ci-dessus sont appelées lissage exponentiel simple. Comme les procédures sont appliquées une fois à la série chronologique, puis des analyses ou des processus de contrôle sont effectués sur les données lissées résultantes. Si l'ensemble de données inclut une tendance et / ou des composantes saisonnières, un lissage exponentiel à deux ou trois étapes peut être appliqué comme moyen d'enlever ces effets (explicitement la modélisation) (voir la section Prévision ci-dessous et l'exemple travaillé NIST). CHA1 Chatfield C (1975) L'analyse des séries chronologiques: théorie et pratique. Chapman et Hall, Londres HUN1 Hunter J S (1986) La moyenne mobile exponentiellement pondérée. J of Quality Technology, 18, 203-210 LUC1 Lucas J M, Saccucci M S (1990) Systèmes de contrôle de la moyenne mobile pondérée exponentiellement: propriétés et améliorations. Technometrics, 32 (1), 1-12 ROB1 Roberts S W (1959) Tests de carte de contrôle basés sur des moyennes mobiles géométriques. Technometrics, 1, 239-250Introduction à la série chronologique Utilisation de Stata Stata Les eBooks de presse sont lus en utilisant la plate-forme reg de VitalSource Bookshelf. Bookshelf est gratuit et vous permet d'accéder à votre eBook Stata Press à partir de votre ordinateur, smartphone, tablette ou eReader. Comment accéder à votre eBook 2) Une fois connecté, cliquez sur échanger dans le coin supérieur droit. Entrez votre code eBook. Votre code eBook sera dans votre e-mail de confirmation de commande sous le titre eBooks. 3) Le livre électronique sera ajouté à votre bibliothèque. Vous pouvez ensuite télécharger Bookshelf sur d'autres périphériques et synchroniser votre bibliothèque pour afficher le livre électronique. Bookshelf est disponible sur les éléments suivants: Bookshelf en ligne est disponible en ligne à partir de n'importe quel ordinateur connecté à Internet en accédant à online. vitalsourceusernew. PC Bookshelf est disponible pour Windows 788.110 (32 et 64 bits). Téléchargez le logiciel Bookshelf sur votre bureau afin que vous puissiez consulter vos eBooks avec ou sans accès Internet. IOS Bookshelf est disponible pour iPad, iPhone et iPod touch. Téléchargez l'application mobile Bookshelf à partir de la boutique iTunes. Android Bookshelf est disponible pour les téléphones et tablettes Android fonctionnant sous 4.0 (Ice Cream Sandwich) et plus tard. Téléchargez l'application mobile Bookshelf à partir du Google Play Store. Kindle Fire Bookshelf est disponible pour Kindle Fire 2, HD et HDX. Téléchargez l'application mobile Bookshelf depuis le Kindle Fire App Store. Mac Bookshelf est disponible pour Mac OS X 10.8 ou version ultérieure. Téléchargez le logiciel Bookshelf sur votre bureau afin que vous puissiez consulter vos eBooks avec ou sans accès Internet. Bookshelf vous permet d'avoir 2 ordinateurs et 2 appareils mobiles activés à un moment donné. J'ai été étonné de la façon VitalSource de présenter les livres. Tout semble parfaitement composé, mais pourtant vous pouvez feuilleter le livre de la même façon que vous ferait traverser une très longue page Web dans votre navigateur Web. Et le meilleur de tous, chaque fois que j'ai ma tablette avec moi, mes livres sont juste un coup de main loin. Mdash Michael Mitchell Statisticien principal au USC Childrens Data Network. Auteur de quatre livres de Stata Press et ancien consultant statistique de l'UCLA qui a conçu et conçu le site Web UCLA Statistical Consulting Resources. Politique de retour pour les eBooks Les eBooks de Stata Press sont non remboursables et non remboursables. Commentaire du groupe technique Stata Introduction à la série chronologique Utilisation de Stata. Par Sean Becketti, fournit un guide pratique pour travailler avec des données de séries chronologiques à l'aide de Stata et fera appel à un large éventail d'utilisateurs. Les nombreux exemples, explications concises qui mettent l'accent sur l'intuition et des conseils utiles basés sur les décennies d'expérience de l'auteur en utilisant des méthodes chronologiques font le livre perspicace non seulement pour les utilisateurs universitaires mais aussi pour les praticiens dans l'industrie et le gouvernement. Le livre est approprié à la fois pour les nouveaux utilisateurs Stata et pour les utilisateurs expérimentés qui sont nouveaux à l'analyse des séries chronologiques. Le chapitre 1 fournit une introduction légère mais rapide à Stata, mettant en évidence toutes les fonctionnalités que l'utilisateur doit connaître pour commencer à utiliser Stata pour l'analyse des séries chronologiques. Le chapitre 2 est une mise à jour rapide de la régression et des tests d'hypothèses et définit des concepts clés tels que le bruit blanc, l'autocorrélation et les opérateurs de retard. Le chapitre 3 commence la discussion des séries chronologiques, en utilisant des techniques de moyenne mobile et HoltndashWinters pour lisser et prévoir les données. Becketti introduit également les concepts de tendances, de cyclicité et de saisonnalité et montre comment ils peuvent être extraits d'une série. Le chapitre 4 se concentre sur l'utilisation de ces méthodes pour la prévision et illustre comment les hypothèses concernant les tendances et les cycles sous-tendant les différentes techniques de moyenne mobile et HoltndashWinters affectent les prévisions produites. Bien que ces techniques soient parfois négligées dans d'autres livres de séries chronologiques, elles sont faciles à mettre en œuvre, peuvent être appliquées à de nombreuses séries rapidement, produisent souvent des prévisions tout aussi bonnes que des techniques plus compliquées, et Becketti souligne, ont l'avantage distinct d'être facilement Expliqué aux collègues et aux décideurs politiques qui ne possèdent pas de données statistiques. Les chapitres 5 à 8 englobent des modèles de séries chronologiques à une seule équation. Le chapitre 5 se concentre sur l'analyse de régression en présence de perturbations autocorrélées et détaille diverses approches qui peuvent être utilisées lorsque tous les régresseurs sont strictement exogènes, mais que les erreurs sont autocorrélées lorsque l'ensemble des régresseurs inclut une variable dépendante retardée et des erreurs indépendantes. Ensemble de régresseurs comprend une variable dépendante retardée et des erreurs autocorrélées. Le chapitre 6 décrit le modèle ARIMA et la méthode BoxndashJenkins, et le chapitre 7 applique ces techniques pour développer un modèle basé sur ARIMA du PIB des États-Unis. Le chapitre 7 en particulier fera appel aux praticiens parce qu'il va étape par étape à travers un exemple du monde réel: voici ma série, maintenant comment puis-je m'y adapter un modèle ARIMA Chapitre 8 est un résumé autonome de la modélisation ARCHGARCH. Dans la dernière partie du livre, Becketti discute des modèles à équations multiples, en particulier les VAR et les VEC. Le chapitre 9 se concentre sur les modèles VAR et illustre tous les concepts clés, y compris la spécification du modèle, la causalité de Granger, les analyses d'impulsion-réponse et la prévision, en utilisant un modèle simple des modèles économiques VAR de l'économie américaine. Le chapitre 10 présente une analyse des séries temporelles non stationnaire. Après avoir décrit les tests de non-stationnarité et de racine unitaire, Becketti navigue magistralement dans le lecteur à travers la tâche souvent confuse de spécifier un modèle de VEC, en utilisant un exemple basé sur les salaires de construction à Washington, DC et les états environnants. Le chapitre 11 conclut. Sean Becketti est un vétéran de l'industrie financière avec trois décennies d'expérience dans les universitaires, le gouvernement et l'industrie privée. Il était un développeur de Stata à ses débuts, et il a été rédacteur en chef du Stata Technical Bulletin. Le précurseur du Stata Journal. Entre 1993 et ​​1996. Il a été un utilisateur Stata régulier depuis sa création, et il a écrit beaucoup de commandes de la première série chronologique dans Stata. Introduction aux séries temporelles Utilisation de Stata. Par Sean Becketti, est un guide de première qualité, basé sur des exemples, pour l'analyse et la prévision des séries chronologiques à l'aide de Stata. Il peut servir à la fois de référence pour les praticiens et d'un manuel supplémentaire pour les étudiants des cours de statistique appliquée. Table des matières Voir la table des matières gtgt Liste des figures 1 Juste assez Stata 1.1 Mise en route 1.1.1 Action en premier, explication plus tard 1.1.2 Maintenant quelques explications 1.1.3 Navigation dans l'interface 1.1.4 La gestalt de Stata 1.1.5 Les parties De Stata speech 1.2 Tout savoir sur les données 1.3 Regarder les données 1.4 Statistiques 1.4.1 Notions de base 1.4.2 Estimation 1.5 Cotes et limites 1.6 Faire une date 1.6.1 Comment bien paraître 1.6.2 Transformateurs 1.7 Dater les dates et les variables de la date 1.8 Perspectives 2 Statistiques assez justes 2.1 Variables aléatoires et leurs moments 2.2 Tests d'hypothèses 2.3 Régression linéaire 2.3.1 Ordre des moindres carrés 2.3.2 Variables instrumentales 2.3.3 FGLS 2.4 Modèles à équations multiples 2.5 Série chronologique 2.5.1 Bruit blanc, autocorrélation et stationnarité 2.5. 2 modèles ARMA 3 Filtrage des séries chronologiques 3.1 Préparation à l'analyse d'une série temporelle 3.1.1 Questions pour tous types de données Comment sont définies les variables Quelle est la relation entre les données et le phénomène d'intérêt Qui a compilé les données Quels processus ont généré Données 3.1.2 Questions spécifiquement pour les séries chronologiques Quelle est la fréquence de mesure Les données sont-elles corrigées des variations saisonnières Les données sont-elles révisées 3.2 Les quatre composantes d'une série chronologique Tendance Cycle Saisonnière 3.3 Quelques filtres simples 3.3.1 Lissage d'une tendance 3.3.2 Lissage d'un cycle 3.3.3 Lissage d'un schéma saisonnier 3.3.4 Lissage des données réelles 3.4 Filtres supplémentaires 3.4.1 ma: Moyennes mobiles pondérées 3.4.2 EWMA exponentielles: EWMAs dexponentielles: Moyennes mobiles à double exponentielle 3.4.3 HoltndashWinters lisses hwinters: HoltndashWinters lisses Sans composante saisonnière: HoltndashWinters smoothers incluant une composante saisonnière 3.5 Points à retenir 4 Une première passe à la prévision 4.1 Principes fondamentaux de la prévision 4.1.1 Types de prévisions 4.1.2 Mesure de la qualité d'une prévision 4.1.3 Éléments d'une prévision 4.2 Filtres qui Prévisions 4.2.1 Prévisions basées sur les EWMA 4.2.2 Prévision d'une série de tendances avec une composante saisonnière 4.3 Points à retenir 4.4 Perspectives 5 Perturbations autocorrélées 5.1.1 Exemple: taux hypothécaires 5.2 Modèles de régression avec perturbations autocorrélées 5.2.1 Autocorrélation de premier ordre 5.2 .2 Exemple: Taux hypothécaires (suite) 5.3 Essais pour l'autocorrélation 5.3.1 Autres essais 5.4 Estimation avec des données autocorrélées de premier ordre 5.4.1 Modèle 1: Régresseurs strictement exogènes et perturbations autocorrélées La stratégie OLS La stratégie de transformation La stratégie FGLS Comparaison de Estimations du modèle 5.4.2 Modèle 2: Variable dépendante retardée et iid Erreurs 5.4.3 Modèle 3: Une variable dépendante retardée avec des erreurs AR (1) La stratégie de transformation La stratégie IV 5.5 Estimation de l'équation du taux hypothécaire 5.6 Points à retenir 6 Modèles univariés de séries chronologiques 6.1 Le processus linéaire général 6.2 Polynômes de Lag: Prestidigitation 6.3 Le modèle ARMA 6.4 Stationarité et invertibilité 6.5 Que peuvent faire les modèles ARMA 6.6 Points à retenir 6.7 Perspectives 7 Modélisation d'une série chronologique 7.1 Préparation à la modélisation d'une série chronologique 7.2 L'approche BoxndashJenkins 7.3 Spécification d'un modèle ARMA 7.3.1 Etape 1: Induire la stationnarité (ARMA devient ARIMA) 7.3.2 Etape 2: Prendre soin de vos prsquos et qrsquos 7.4 Estimation 7.5 Recherche d'anomalies: Vérification du diagnostic des modèles 7.5.1 Suralimentation 7.5.2 Tests des résidus 7.6 Prévision avec modèles ARIMA 7.7 Comparaison des prévisions 7.8 Points à retenir 7.9 Qu'avons-nous appris jusqu'à présent 7.10 Perspectives 8 Volatilité variable dans le temps 8.1 Exemples de volatilité variable dans le temps 8.2 ARCH: Un modèle de volatilité variable dans le temps 8.3 Extensions du modèle ARCH 8.3.1 GARCH: Limiter l'ordre Du modèle 8.3.2 Autres extensions Réponses asymétriques à ldquonewsrdquo Les variations de la volatilité affectent la moyenne de la série observable Erreurs non normales Cotes et extrémités 8.4 Points à retenir 9 Modèles de séries chronologiques multiples 9.1 Autorégressions vectorielles 9.1.1 Trois types de VAR 9.2 A VAR De la macroéconomie américaine 9.2.1 Utilisation de Stata pour estimer un VAR de forme réduite 9.2.2 Test d'un VAR pour la stationnarité Évaluation d'une prévision de VAR 9.3 Whorsquos sur le premier 9.3.1 Corrélations croisées 9.3.2 Résumé des relations temporelles dans un VAR Granger causalité Comment Imposer l'ordre FEVDs Utilisation de Stata pour calculer IRFs et FEVDs 9.4.1 Exemples d'un SVAR à court terme 9.4.2 Exemples d'un SVAR à long terme 9.5 Points à retenir 9.6 Perspectives 10 Modèles de séries temporelles non stationnaires 10.1 Tendances et racines unitaires 10.2 Test Pour les racines unitaires 10.3 Cointégration: recherche d'une relation à long terme 10.4 Relations de cingestion et VECM 10.4.1 Composantes déterministes dans le VECM 10.5 De ​​l'intuition au VECM: Un exemple Étape 1: Confirmer la racine unitaire Étape 2: Identifier le nombre de retards Étape Étape 5: Test de stabilité et résidus de bruit blanc Étape 6: Examen des implications du modèle sur le caractère raisonnable 10,6 Points à retenir 10,7 Perspectives 11 Observations finales 11,1 Comprendre tout ce qui se passe 11.2 Qu'est-ce qui nous a manqué 11.2.1 Thèmes de séries chronologiques avancées 11.2.2 Autres fonctionnalités de série chronologique Stata Outils et utilitaires de gestion de données Modèles univariés Modèles multivariés