Эконометрическое моделирование

Выбор модели

Вероятностная модель временных рядов необходима для большого разнообразия аналитических целей, включая вывод регрессии, прогнозирование и симуляцию Монте-Карло. При выборе модели стремитесь находить самую экономную модель, которая соответственно описывает данные. Простую модель легче оценить, предсказать, и интерпретировать.

Справка Specification tests вы идентифицируете одно или несколько семейств модели, которые могли правдоподобно описать генерирующийся процесс данных.
Справка Model comparisons вы сравниваете припадок конкурирующих моделей со штрафами за сложность.
Проверки Goodness-of-fit помогают вам оценить соответствие в выборке своей модели, проверить, что все предположения модели содержат и оценивают из выборки производительность прогноза.

Выбор модели является итеративным процессом. Когда проверки качества подгонки предполагают, что предположениям модели не удовлетворяют — или прогнозирующая производительность модели не является удовлетворительной — рассматривают корректировки модели внесения. Дополнительные тесты спецификации, сравнения модели и справка проверок качества подгонки ведут этот процесс.

Функции Econometrics Toolbox

Моделирование вопросов	Функции	Связанные функции
Какова размерность моей переменной отклика?	Условное среднее значение и модели отклонения, модели регрессии с ошибками ARIMA и Байесовы модели линейной регрессии в этом тулбоксе для моделирования одномерных данных дискретного времени. Отдельные модели доступны для многомерных данных дискретного времени, таковы как модели VAR и VEC. Модели в пространстве состояний поддерживают одномерные или многомерные переменные отклика.	`arima` `bayeslm` `egarch` `egcitest` `dssm` `garch` `gjr` `jcontest` `regARIMA` `ssm` `varm`
Действительно ли мои временные ряды являются стационарными?	Тесты стационарности доступны. Если ваши данные не являются стационарными, рассмотрите преобразование ваших данных. Стационарность является основой многих моделей временных рядов. Или, рассмотрите использование неустановившейся модели ARIMA, если существует доказательство модульного корня в ваших данных.	`arima` `i10test` `kpsstest` `lmctest`
Мои временные ряды имеют модульный корень?	Модульные корневые тесты доступны. Данные в пользу модульного корня свидетельствуют, что ваши данные являются стационарным различием. Вы можете различие ряд с модульным корнем, пока это не является стационарным, или смоделируйте его с помощью неустановившейся модели ARIMA.	`adftest` `arima` `i10test` `pptest` `vratiotest`
Как я могу обработать сезонные эффекты?	Вы можете deseasonalize (в сезон настраивают), ваши данные. Используйте сезонные фильтры или модели регрессии, чтобы оценить сезонный компонент. Сезонные модели ARIMA используют сезонное дифференцирование, чтобы удалить сезонные эффекты. Можно также включать сезонные задержки, чтобы смоделировать сезонную автокорреляцию (и аддитивным образом и мультипликативно).	`arima` `regARIMA`
Мои данные автокоррелируются?	Демонстрационная автокорреляция и частичные автокорреляционные функции помогают идентифицировать автокорреляцию. Проведите Q-тест Ljung-поля, чтобы протестировать автокорреляции в нескольких задержках совместно. Если автокорреляция присутствует, рассмотрите использование условной средней модели. Для моделей регрессии с автокоррелироваными ошибками рассмотрите использование FGLS или средств оценки HAC. Если ошибочная структура модели является моделью ARIMA, рассмотрите использование модели регрессии с ошибками ARIMA.	`arima` `autocorr` `fgls` `hac` `lbqtest` `parcorr` `regARIMA`
Что, если мои данные являются heteroscedastic (кластеризация энергозависимости выставок)?	Поиск автокорреляции в ряду квадрата остатка является одним способом обнаружить условное выражение heteroscedasticity. Тест ДУГИ Энгла оценивает доказательство против пустого указателя независимых инноваций в пользу альтернативы модели ARCH. К условному выражению модели heteroscedasticity, рассмотрите использование условной модели отклонения. Для моделей регрессии, которые показывают heteroscedastic ошибки, рассмотрите использование FGLS или средств оценки HAC.	`archtest` `egarch` `fgls` `garch` `gjr` `hac`
Существует ли альтернатива Гауссову инновационному распределению для данных с эксцессом выше нормального?	Можно использовать распределение t Студента, чтобы смоделировать более толстые хвосты, чем Распределение Гаусса (избыточный эксцесс). Можно задать инновационное распределение t для всего условного среднего значения и моделей отклонения и ошибочных моделей ARIMA в Econometrics Toolbox™. Можно оценить степени свободы распределения t наряду с другими параметрами модели.	`arima` `egarch` `garch` `gjr` `regARIMA`
Как я решаю между несколькими подгонками модели?	Можно сравнить вложенные модели с помощью misspecification тесты, такие как тест отношения правдоподобия, тест Вальда или тест множителя Лагранжа. Информационные критерии, такие как AIC или BIC, сравнивают подгонку модели со штрафом за сложность.	`aicbic` `lmtest` `lratiotest` `waldtest`
У меня есть два или больше временных рядов, которые являются cointegrated?	Тесты коинтеграции Йохансена и Энгла-Грейнджера оценивают доказательство коинтеграции. Рассмотрите использование модели VEC для моделирования многомерного, cointegrated ряд. Также рассмотрите коинтеграцию при регрессировании временных рядов. Если существующий, это может ввести побочные эффекты регрессии.	`egcitest` `jcitest` `jcontest`
Что, если я хочу включать переменные предикторы?	ARIMAX, VARX, модели регрессии с ошибками ARIMA и Байесовы модели линейной регрессии доступны в этом тулбоксе. Модели в пространстве состояний поддерживают данные о предикторе.	`arima` `bayeslm` `dssm` `ssm` `regARIMA` `varm`
Что, если я хочу реализовать регрессию, но классические линейные предположения модели не могут применяться?	Модели регрессии с ошибками ARIMA доступны в этом тулбоксе. Регресс надежно с помощью FGLS или средств оценки HAC. Используйте Байесовую линейную регрессию. Для серии примеров на методах регрессии временных рядов, которые иллюстрируют общие принципы и задачи в моделировании регрессии временных рядов, смотрите Примеры Econometrics Toolbox. Для большего количества опций регрессии см. документацию Statistics and Machine Learning Toolbox™.	`bayeslm` `fgls` `hac` `mvregress` `regARIMA`
Что, если наблюдения за динамическим процессом включают погрешность измерения?	Стандартное, линейное моделирование пространства состояний доступно в этом тулбоксе.	`dssm` `ssm`

Документация