ecmnstd

Стандартные погрешности для среднего значения и ковариации неполных данных

Описание

пример

[StdMean,StdCovar] = ecmnstd(Data,Mean,Covariance) вычисляет стандартные погрешности для среднего значения и ковариации неполных данных.

Используйте ecmnstd после оценки среднего значения и ковариации Data с ecmnmle. Если средние и отличные элементы ковариации обработаны как параметр θ по оценке наибольшего правдоподобия полных данных, то, когда количество отсчетов увеличивается, θ достигает асимптотической нормальности, таким образом что

θE[θ]N(0,I1(θ)),

где E [θ] является средним значением, и I (θ) является матрицей информации о Фишере.

С недостающими данными Гессиан H (θ) является хорошим приближением для получения информации о Фишере (который может только быть аппроксимирован, когда данные отсутствуют).

пример

[StdMean,StdCovar] = ecmnstd(___,Method) добавляет дополнительный аргумент для Method.

Примеры

свернуть все

В этом примере показано, как вычислить стандартные погрешности для среднего значения и ковариации неполных данных в течение пяти лет ежедневных данных о совокупном доходе для 12 запасов компьютерной технологии с шестью оборудованием и шестью компаниями-разработчиками программного обеспечения

load ecmtechdemo.mat

Период времени для этих данных расширяет с 19 апреля 2000 до 18 апреля 2005. Шестым запасом в Активах является Google (GOOG), который начал торговать 19 августа 2004. Так, все возвращается, до 20 августа 2004 отсутствуют и представленные как NaNs. Кроме того, Amazon (AMZN) имел несколько дней с отсутствующими значениями, рассеянными в течение прошлых пяти лет.

[ECMMean, ECMCovar] = ecmnmle(Data)
ECMMean = 12×1

    0.0008
    0.0008
   -0.0005
    0.0002
    0.0011
    0.0038
   -0.0003
   -0.0000
   -0.0003
   -0.0000
      ⋮

ECMCovar = 12×12

    0.0012    0.0005    0.0006    0.0005    0.0005    0.0003    0.0005    0.0003    0.0006    0.0003    0.0005    0.0006
    0.0005    0.0024    0.0007    0.0006    0.0010    0.0004    0.0005    0.0003    0.0006    0.0004    0.0006    0.0012
    0.0006    0.0007    0.0013    0.0007    0.0007    0.0003    0.0006    0.0004    0.0008    0.0005    0.0008    0.0008
    0.0005    0.0006    0.0007    0.0009    0.0006    0.0002    0.0005    0.0003    0.0007    0.0004    0.0005    0.0007
    0.0005    0.0010    0.0007    0.0006    0.0016    0.0006    0.0005    0.0003    0.0006    0.0004    0.0007    0.0011
    0.0003    0.0004    0.0003    0.0002    0.0006    0.0022    0.0001    0.0002    0.0002    0.0001    0.0003    0.0016
    0.0005    0.0005    0.0006    0.0005    0.0005    0.0001    0.0009    0.0003    0.0005    0.0004    0.0005    0.0006
    0.0003    0.0003    0.0004    0.0003    0.0003    0.0002    0.0003    0.0005    0.0004    0.0003    0.0004    0.0004
    0.0006    0.0006    0.0008    0.0007    0.0006    0.0002    0.0005    0.0004    0.0011    0.0005    0.0007    0.0007
    0.0003    0.0004    0.0005    0.0004    0.0004    0.0001    0.0004    0.0003    0.0005    0.0006    0.0004    0.0005
      ⋮

Оценивать удар ошибки расчета и, в частности, эффект недостающих данных, ecmnstd использования вычислить стандартные погрешности. Несмотря на то, что возможно оценить стандартные погрешности и для среднего значения и для ковариации, стандартные погрешности для одних только средних оценок обычно являются основными количествами интереса.

StdMeanF = ecmnstd(Data,ECMMean,ECMCovar,'fisher')
StdMeanF = 12×1

    0.0010
    0.0014
    0.0010
    0.0009
    0.0011
    0.0013
    0.0009
    0.0006
    0.0009
    0.0007
      ⋮

Вычислите стандартные погрешности, которые используют сгенерированную данными матрицу Гессиана (который составляет возможную потерю информации из-за недостающих данных) с опцией 'hessian'.

StdMeanH = ecmnstd(Data,ECMMean,ECMCovar,'hessian')
StdMeanH = 12×1

    0.0010
    0.0014
    0.0010
    0.0009
    0.0011
    0.0021
    0.0009
    0.0006
    0.0009
    0.0007
      ⋮

Различие в стандартных погрешностях показывает увеличение неопределенности в оценке ожидаемых доходов актива из-за недостающих данных. Просмотреть различия:

Assets
Assets = 1x12 cell
  Columns 1 through 6

    {'AAPL'}    {'AMZN'}    {'CSCO'}    {'DELL'}    {'EBAY'}    {'GOOG'}

  Columns 7 through 12

    {'HPQ'}    {'IBM'}    {'INTC'}    {'MSFT'}    {'ORCL'}    {'YHOO'}

StdMeanH'
ans = 1×12

    0.0010    0.0014    0.0010    0.0009    0.0011    0.0021    0.0009    0.0006    0.0009    0.0007    0.0010    0.0012

StdMeanF'
ans = 1×12

    0.0010    0.0014    0.0010    0.0009    0.0011    0.0013    0.0009    0.0006    0.0009    0.0007    0.0010    0.0012

StdMeanH' - StdMeanF'
ans = 1×12
10-3 ×

   -0.0000    0.0021   -0.0000   -0.0000   -0.0000    0.7742   -0.0000   -0.0000   -0.0000   -0.0000   -0.0000   -0.0000

Эти два актива с недостающими данными, AMZN и GOOG, являются единственными активами, чтобы разойтись во мнениях из-за недостающей информации.

Входные параметры

свернуть все

Данные в виде NUMSAMPLES- NUMSERIES матрица с NUMSAMPLES выборки NUMSERIES- размерный случайный вектор. Отсутствующие значения обозначаются NaNs.

Типы данных: double

Параметр наибольшего правдоподобия оценивает для среднего значения Data использование алгоритма ECM в виде NUMSERIES- 1 вектор-столбец.

Параметр наибольшего правдоподобия оценивает для ковариации Data использование алгоритма ECM в виде NUMSERIES- NUMSERIES матрица.

(Необязательно) Метод оценки для вычислений стандартной погрешности в виде вектора символов. Методы оценки:

  • 'hessian' — Гессиан наблюдаемой отрицательной функции логарифмической правдоподобности. Этот метод рекомендуется, поскольку результирующие стандартные погрешности включают неопределенность увеличения из-за недостающих данных. В частности, стандартные погрешности, вычисленные с Гессианом, обычно больше, чем стандартные погрешности, вычисленные с матрицей информации о Фишере.

  • 'fisher' — Матрица информации о Фишере.

Типы данных: char

Выходные аргументы

свернуть все

Стандартные погрешности оценок для каждого элемента Mean вектор, возвращенный как NUMSERIES- 1 вектор-столбец.

Стандартные погрешности оценок для каждого элемента Covariance матрица, возвращенная как NUMSERIES- NUMSERIES матрица.

Представлено до R2006a
Для просмотра документации необходимо авторизоваться на сайте