Обнаружьте корреляцию среди предикторов и разместите проблемы большого отклонения средства оценки. Это является вторым в серии примеров на регрессии временных рядов, после представления в предыдущем примере.

Выберите экономный набор предикторов с высоким статистическим значением для моделей многофакторной линейной регрессии. Это является пятым в серии примеров на регрессии временных рядов, после представления в предыдущих примерах.

Иллюстрирует использование модели векторного исправления ошибок (VEC) как линейная альтернатива Динамическому стохастическому общему равновесию (DSGE) Сметс-Вутерса макроэкономическая модель и применяет многие методы Сметс-Вутерса к описанию экономики Соединенных Штатов.

Проверяйте, являются ли линейные временные ряды модульным корневым процессом.

Используйте методологию Поля-Jenkins, чтобы выбрать модель ARIMA.

Проверяйте предположения модели на критерий Чоу.

Оцените степень критерия Чоу с помощью симуляции Монте-Карло.

Выберите экономный набор предикторов с высоким статистическим значением для моделей многофакторной линейной регрессии. Это является пятым в серии примеров на регрессии временных рядов, после представления в предыдущих примерах.

Выберите модель ARMA с помощью информационных критериев.

Сравните припадки нескольких условных моделей отклонения с помощью AIC и BIC.

Выберите спецификацию модели в пространстве состояний с лучшей прогнозирующей производительностью с помощью прокручивающегося окна.

Проведите тест отношения правдоподобия, чтобы выбрать количество задержек в модели GARCH.

Подбирайте две конкуренции, условные модели отклонения к данным, и затем сравните их подгонки с помощью теста отношения правдоподобия.

Сравните припадок ограниченной модели с неограниченной моделью путем тестирования, существенно отличается ли градиент функции логарифмической правдоподобности неограниченной модели, оцененной в ограниченных оценках наибольшего правдоподобия (MLEs), от нуля.

Сравните припадок ограниченной модели с неограниченной моделью путем тестирования, существенно отличается ли функция ограничения, выполненная в неограниченных оценках наибольшего правдоподобия (MLEs), от нуля.

Использование отношения правдоподобия, Вальда и тестов множителя Лагранжа. Эти тесты полезны в оценке и оценке ограничений модели и, в конечном счете, выбор модели, которая балансирует часто конкурентоспособные цели соответствия и простоты.

Создайте модель VARMA, и затем преобразуйте ее в чистую модель VAR.

Оцените предположения модели и исследуйте respecification возможности путем исследования серии остаточных значений. Это является шестым в серии примеров на регрессии временных рядов, после представления в предыдущих примерах.

Используйте методологию Поля-Jenkins, чтобы выбрать модель ARIMA.

Осуществите проверки качества подгонки.

Выведите остаточные значения подбиравшей модели ARIMA.

Выведите условные отклонения из подбиравшей условной модели отклонения.

Оцените модели многофакторной линейной регрессии данных временных рядов в присутствии heteroscedastic, или автокоррелировал (несферические) инновации. Это является десятым в серии примеров на регрессии временных рядов, после представления в предыдущих примерах.

Постройте откорректированные полосы уверенности, использующие Newey-западные устойчивые стандартные погрешности.

Измените пропускную способность при оценке содействующей ковариации HAC и сравните оценки по различной пропускной способности и ядрам.

Создайте составное условное среднее значение и модель отклонения.

Создайте модель регрессии по умолчанию с ошибками ARIMA regARIMA.

Создайте модель регрессии с мультипликативными сезонными ошибками ARIMA.

Оцените чувствительность Валового внутреннего продукта (ВВП) США к изменениям в Индексе потребительских цен (CPI) с помощью оценки.

Подбирайте модель регрессии с мультипликативными ошибками ARIMA к данным с помощью оценки.

Чтобы выбрать несезонное авторегрессивное и скользящее среднее значение изолируют полиномиальные степени для модели регрессии с ошибками ARMA, используют Критерий информации о Akaike (AIC).

Постройте откорректированные полосы уверенности, использующие Newey-западные устойчивые стандартные погрешности.

Измените пропускную способность при оценке содействующей ковариации HAC и сравните оценки по различной пропускной способности и ядрам.

Обратитесь к влиятельным выбросам с помощью моделей регрессии с ошибками ARIMA, мешками деревьев регрессии и Байесовой линейной регрессией.

Предскажите модель регрессии с ARIMA (3,1,2) прогноз ошибок и симулируйте.

Предскажите мультипликативный сезонный прогноз использования модели ARIMA.

Предскажите модель регрессии с ошибками ARIMA и проверяйте робастность предсказуемости модели.

Настройте Байесовую модель линейной регрессии для эффективной следующей выборки с помощью гамильтонова сэмплера Монте-Карло.

Улучшите Цепь Маркова выборка Монте-Карло для следующей оценки и вывода Байесовой модели линейной регрессии.

Обратитесь к влиятельным выбросам с помощью моделей регрессии с ошибками ARIMA, мешками деревьев регрессии и Байесовой линейной регрессией.

Выполните выбор переменной с помощью Байесовой регрессии лассо.

Реализуйте стохастический поисковый выбор переменной (SSVS), Байесов метод выбора переменной.

Создайте условную модель отклонения для ежедневных обменных курсов валюты Дойчмарки/Британского фунта.

Создайте составное условное среднее значение и модель отклонения.

Оцените составное условное среднее значение и модель отклонения.

Выведите условные отклонения из подбиравшей условной модели отклонения.

Подбирайте две конкуренции, условные модели отклонения к данным, и затем сравните их подгонки с помощью теста отношения правдоподобия.

Сравните припадки нескольких условных моделей отклонения с помощью AIC и BIC.

Симулируйте условную модель отклонения.

Симулируйте от процесса GARCH с и не задавая преддемонстрационные данные.

Симулируйте ответы и условные отклонения от составного условного среднего значения и модели отклонения.

Предскажите обменный курс валюты Дойчмарки/Британского фунта с помощью подбиравшей условной модели отклонения.

Предскажите ответы и условные отклонения от составного условного среднего значения и модели отклонения.

Создайте условную модель отклонения для ежедневных обменных курсов валюты Дойчмарки/Британского фунта.

Создайте составное условное среднее значение и модель отклонения.

Оцените составное условное среднее значение и модель отклонения.

Выведите условные отклонения из подбиравшей условной модели отклонения.

Подбирайте две конкуренции, условные модели отклонения к данным, и затем сравните их подгонки с помощью теста отношения правдоподобия.

Сравните припадки нескольких условных моделей отклонения с помощью AIC и BIC.

Симулируйте условную модель отклонения.

Симулируйте ответы и условные отклонения от составного условного среднего значения и модели отклонения.

Предскажите обменный курс валюты Дойчмарки/Британского фунта с помощью подбиравшей условной модели отклонения.

Предскажите ответы и условные отклонения от составного условного среднего значения и модели отклонения.

Сравните основанные на симуляции прогнозы с прогнозами MMSE оценить смещение.

Создайте условную модель отклонения для ежедневных обменных курсов валюты Дойчмарки/Британского фунта.

Создайте составное условное среднее значение и модель отклонения.

Подбирайте две конкуренции, условные модели отклонения к данным, и затем сравните их подгонки с помощью теста отношения правдоподобия.

Оцените составное условное среднее значение и модель отклонения.

Выведите условные отклонения из подбиравшей условной модели отклонения.

Смоделируйте риск рынка гипотетического глобального портфеля фондового индекса с методом симуляции Монте-Карло с помощью t связки и Теории экстремума (EVT) Студента. Процесс сначала извлекает отфильтрованные остаточные значения от каждого, возвращают ряд с асимметричной моделью GARCH, затем создает демонстрационную крайнюю кумулятивную функцию распределения (CDF) каждого актива с помощью Гауссовой оценки ядра во внутренней части и оценки обобщенного распределения Парето (GPD) для верхних и более низких хвостов. T связка Студента является затем подходящей к данным и используемая, чтобы вызвать корреляцию между симулированными остаточными значениями каждого актива. Наконец, симуляция оценивает Подверженный риску значения (VaR) гипотетического глобального портфеля акции по одному горизонту месяца.

Симулируйте условную модель отклонения.

Симулируйте от процесса GARCH с и не задавая преддемонстрационные данные.

Симулируйте ответы и условные отклонения от составного условного среднего значения и модели отклонения.

Сгенерируйте прогнозы MMSE из модели GJR.

Предскажите обменный курс валюты Дойчмарки/Британского фунта с помощью подбиравшей условной модели отклонения.

Предскажите ответы и условные отклонения от составного условного среднего значения и модели отклонения.

Протестируйте нулевую гипотезу, что нет никаких cointegrating отношений среди ряда ответа, составляющего многомерную модель.

Оцените, имеют ли многомерные временные ряды несколько cointegrating отношений с помощью теста Йохансена.

Сравните подходы Йохансена и Энгла-Грейнджера к анализу коинтеграции.

Проведите тесты на cointegrating векторах.

Проведите тесты на скоростях корректировки.

Вычислите и интерпретируйте ранг коинтеграции модели VEC.

Оцените параметры модели VEC.

Произведите оценки наибольшего правдоподобия коэффициентов модели VEC в условиях ограничений ранга на cointegrating матрицу.

Создайте 3D модель VAR (4) неизвестными параметрами с помощью varm и кратким синтаксисом. Затем этот пример показывает, как настроить параметры созданной модели с помощью записи через точку.

Создайте 3D модель VAR (4) неизвестными параметрами с помощью varm и рукописным синтаксисом. Затем этот пример показывает, как настроить параметры созданной модели с помощью записи через точку.

Симулируйте данные из известной модели VAR, затем подбирайте модель VAR к симулированным данным.

Оцените модель VAR, состоявшую из индекса потребительских цен и уровня безработицы.

Включайте внешние предикторы в модель VAR, чтобы оценить компонент регрессии наряду со всеми другими параметрами.

Реализуйте модель оценки финансовых активов (CAPM) с помощью среды модели Econometrics Toolbox™ VAR.

Анализируйте модель VAR.

Создайте модель VARMA, и затем преобразуйте ее в чистую модель VAR.

Сгенерируйте импульсные характеристики шока процентной ставки на действительном GDP.

Продемонстрируйте различия между ортогональными и обобщенными функциями импульсной характеристики.

Предскажите темпы роста CPI, данные известные значения уровня безработицы с помощью симуляции Монте-Карло.

Воспроизведите результаты, симулируют фильтр использования.

Оцените многомерную модель временных рядов, которая содержит изолированные эндогенные и внешние переменные, и симулируйте ответы.

Сгенерируйте прогнозы из модели VAR с помощью симуляции Монте-Карло.

Сгенерируйте прогнозы с ошибочными оценками.

Предскажите ответы, данные одновременную информацию о других значениях ответа в горизонте прогноза.

Иллюстрирует использование модели векторного исправления ошибок (VEC) как линейная альтернатива Динамическому стохастическому общему равновесию (DSGE) Сметс-Вутерса макроэкономическая модель и применяет многие методы Сметс-Вутерса к описанию экономики Соединенных Штатов.

Сгенерируйте импульсные характеристики из модели VEC.

Сгенерируйте Монте-Карло и прогнозы MMSE из модели VEC.

Визуализируйте структуру и эволюцию модели Цепи Маркова при помощи dtmc функций построения графика.

Работа с данными о переходе из эмпирического массива количеств состояния, и создает дискретную цепь Маркова (dtmc) модель, характеризующая изменения состояния. Для каждой четверти в 1857–2019, пример категоризирует состояние экономики США как испытание рецессии или расширения при помощи исторических периодов рецессии, заданных Национальным бюро экономических исследований (NBER). Затем пример формирует эмпирическую матрицу перехода путем подсчета переходов от четверти к четверти экономического состояния.

Вычислите стационарное распределение Цепи Маркова, оцените ее смешивание времени и определите, является ли цепь эргодической и приводимой.

Сравните предполагаемые времена смешивания нескольких Цепей Маркова с отличными структурами.

Программно и визуально идентифицируйте классы в Цепи Маркова.

Сгенерируйте и визуализируйте случайные обходы через Цепь Маркова.

Вычислите и визуализируйте перераспределения состояния, которые показывают эволюцию детерминированных распределений состояния в зависимости от времени от начального распределения.

После финансового кризиса 2 008, дополнительные инструкции платежеспособности были наложены на многие финансовые фирмы, делая больший акцент на оценке рынка и считая обязательств. Многие фирмы, особенно страховые компании и пенсионные фонды, составляют аннуитетные договоры и берут долгосрочную ответственность, которая призывает, чтобы сложные подходы смоделировали и предсказали кривые доходности.