Les modèles ARIMA sont, en théorie, la classe la plus générale de modèles pour la prévision d'une série temporelle qui peut être rendue 8220stationnaire8221 par différenciation (si nécessaire), peut-être En conjonction avec des transformations non linéaires telles que l'abattage ou le dégonflage (si nécessaire). Une variable aléatoire qui est une série temporelle est stationnaire si ses propriétés statistiques sont toutes constantes dans le temps. Une série stationnaire n'a pas de tendance, ses variations autour de sa moyenne ont une amplitude constante, et elle se balance d'une manière cohérente. C'est-à-dire que ses schémas de temps aléatoires à court terme ont toujours la même signification statistique. Cette dernière condition signifie que ses autocorrélations (corrélations avec ses propres écarts précédents par rapport à la moyenne) restent constantes dans le temps, ou de manière équivalente, que son spectre de puissance reste constant dans le temps. Une variable aléatoire de cette forme peut être considérée (comme d'habitude) comme une combinaison de signal et de bruit, et le signal (si l'on est apparent) pourrait être un modèle de réversion moyenne rapide ou lente, ou oscillation sinusoïdale, ou alternance rapide de signe , Et il pourrait également avoir une composante saisonnière. Un modèle ARIMA peut être considéré comme un 8220filter8221 qui essaie de séparer le signal du bruit, et le signal est ensuite extrapolé dans l'avenir pour obtenir des prévisions. L'équation de prévision d'ARIMA pour une série temporelle stationnaire est une équation linéaire (c'est-à-dire de type régression) dans laquelle les prédicteurs sont constitués par des décalages de la variable dépendante et / ou des décalages des erreurs de prévision. Valeur prédite de Y une constante et / ou une somme pondérée d'une ou plusieurs valeurs récentes de Y et / ou d'une somme pondérée d'une ou plusieurs valeurs récentes des erreurs. Si les prédicteurs se composent uniquement de valeurs décalées de Y. il s'agit d'un modèle autoregressif pur (8220 auto-régressé8221), qui est juste un cas particulier d'un modèle de régression et qui pourrait être équipé d'un logiciel de régression standard. Par exemple, un modèle autorégressif de premier ordre (8220AR (1) 8221) pour Y est un modèle de régression simple dans lequel la variable indépendante est juste Y retardée d'une période (LAG (Y, 1) dans Statgraphics ou YLAG1 dans RegressIt). Si certains des prédicteurs sont des retards des erreurs, un modèle ARIMA, il n'est pas un modèle de régression linéaire, car il n'y a aucun moyen de spécifier 8220last période8217s error8221 comme une variable indépendante: les erreurs doivent être calculées sur une période à période de base Lorsque le modèle est adapté aux données. Du point de vue technique, le problème de l'utilisation d'erreurs retardées comme prédicteurs est que les prédictions du modèle 8217 ne sont pas des fonctions linéaires des coefficients. Même s'ils sont des fonctions linéaires des données passées. Ainsi, les coefficients dans les modèles ARIMA qui incluent des erreurs retardées doivent être estimés par des méthodes d'optimisation non linéaires (8220hill-climbing8221) plutôt que par la simple résolution d'un système d'équations. L'acronyme ARIMA signifie Auto-Regressive Integrated Moving Average. Les Lags de la série stationnaire dans l'équation de prévision sont appelés termes contingentoréducteurs, les retards des erreurs de prévision sont appelés quotmoving averagequot terms et une série temporelle qui doit être différenciée pour être stationnaire est dite être une version quotintegratedquot d'une série stationnaire. Les modèles de Random-Walk et de tendance aléatoire, les modèles autorégressifs et les modèles de lissage exponentiel sont des cas particuliers de modèles ARIMA. Un modèle ARIMA non saisonnier est classé comme un modèle quotARIMA (p, d, q), où: p est le nombre de termes autorégressifs, d est le nombre de différences non saisonnières nécessaires pour la stationnarité, et q est le nombre d'erreurs de prévision retardées dans L'équation de prédiction. L'équation de prévision est construite comme suit. En premier lieu, y désigne la différence d ème de Y. ce qui signifie: Notez que la deuxième différence de Y (le cas d2) n'est pas la différence de 2 périodes. Au contraire, c'est la première différence de la première différence. Qui est l'analogue discret d'une seconde dérivée, c'est-à-dire l'accélération locale de la série plutôt que sa tendance locale. En termes de y. L'équation de prévision générale est: Ici, les paramètres de la moyenne mobile (9528217s) sont définis de sorte que leurs signes soient négatifs dans l'équation, suivant la convention introduite par Box et Jenkins. Certains auteurs et logiciels (y compris le langage de programmation R) les définissent de sorte qu'ils ont des signes plus à la place. Lorsque les nombres réels sont branchés dans l'équation, il n'y a pas d'ambiguïté, mais il est important de savoir quelle convention votre logiciel utilise lorsque vous lisez la sortie. Souvent, les paramètres y sont indiqués par AR (1), AR (2), 8230 et MA (1), MA (2), 8230, etc. Pour identifier le modèle ARIMA approprié pour Y. vous commencez par déterminer l'ordre de différenciation D) le besoin de stationner la série et de supprimer les caractéristiques brutes de la saisonnalité, peut-être en conjonction avec une transformation de stabilisation de la variance telle que l'abattage ou le dégonflage. Si vous vous arrêtez à ce point et que vous prédisez que la série différenciée est constante, vous avez simplement mis en place une marche aléatoire ou un modèle de tendance aléatoire. Cependant, la série stationnaire peut toujours avoir des erreurs autocorrélées, ce qui suggère qu'un certain nombre de termes AR (p 8805 1) et / ou certains termes MA (q 8805 1) sont également nécessaires dans l'équation de prévision. Le processus de détermination des valeurs de p, d et q qui sont les meilleurs pour une série temporelle donnée sera discuté dans des sections ultérieures des notes (dont les liens sont en haut de cette page), mais un aperçu de certains des types Des modèles non saisonniers ARIMA qui sont couramment rencontrés est donné ci-dessous. ARIMA (1,0,0) modèle autorégressif de premier ordre: si la série est stationnaire et autocorrélée, peut-être peut-elle être prédite comme un multiple de sa propre valeur précédente, plus une constante. L'équation de prévision dans ce cas est 8230 qui est Y régressée sur elle-même décalée d'une période. Il s'agit d'un 8220ARIMA (1,0,0) constant8221 modèle. Si la moyenne de Y est nulle, alors le terme constant ne sera pas inclus. Si le coefficient de pente 981 1 est positif et inférieur à 1 dans l'amplitude (il doit être inférieur à 1 dans l'amplitude si Y est stationnaire), le modèle décrit le comportement de réverbération moyen dans lequel la valeur de la prochaine période doit être prédite 981 fois Loin de la valeur moyenne de cette période. Si 981 1 est négatif, il prédit un comportement de réversion moyenne avec l'alternance des signes, c'est-à-dire qu'il prédit également que Y sera inférieur à la moyenne de la période suivante si elle est supérieure à la moyenne de cette période. Dans un modèle autorégressif du second ordre (ARIMA (2,0,0)), il y aurait un terme Y t-2 sur la droite aussi, et ainsi de suite. En fonction des signes et des grandeurs des coefficients, un modèle ARIMA (2,0,0) pourrait décrire un système dont la réversion moyenne se fait d'une manière oscillatoire sinusoïdale, comme le mouvement d'une masse sur un ressort soumis à des chocs aléatoires . Randonnée aléatoire ARIMA (0,1,0): Si la série Y n'est pas stationnaire, le modèle le plus simple possible est un modèle de marche aléatoire, qui peut être considéré comme un cas limite d'un modèle AR (1) dans lequel le modèle autorégressif Coefficient est égal à 1, c'est-à-dire une série à réversion moyenne infiniment lente. L'équation de prédiction pour ce modèle peut s'écrire: où le terme constant est le changement moyen de période à période (c'est-à-dire la dérive à long terme) dans Y. Ce modèle pourrait être adapté comme un modèle de régression sans interception dans lequel La première différence de Y est la variable dépendante. Comme il comprend une différence non saisonnière et un terme constant, il est classé en tant que modèle de type ARIMA (0,1,0) avec constant. quot Le modèle aléatoire-sans-dérive serait un ARIMA (0,1, 0) modèle sans modèle constant autorimétrique ARIMA (1,1,0) différencié: Si les erreurs d'un modèle de marche aléatoire sont autocorrélées, peut-être le problème peut-il être fixé en ajoutant un décalage de la variable dépendante à l'équation de prédiction - - c'est à dire En faisant régresser la première différence de Y sur elle-même décalée d'une période. Cela donnerait l'équation de prédiction suivante: qui peut être réarrangée à. Ceci est un modèle autorégressif de premier ordre avec un ordre de différenciation non saisonnière et un terme constant - c'est-à-dire. Un modèle ARIMA (1,1,0). ARIMA (0,1,1) sans lissage exponentiel simple constant: Une autre stratégie pour corriger les erreurs autocorrélées dans un modèle de marche aléatoire est suggérée par le modèle de lissage exponentiel simple. Rappelons que pour certaines séries temporelles non stationnaires (par exemple celles qui présentent des fluctuations bruyantes autour d'une moyenne variable lentement), le modèle de marche aléatoire n'obtient pas une moyenne mobile des valeurs passées. En d'autres termes, plutôt que de prendre l'observation la plus récente comme la prévision de la prochaine observation, il est préférable d'utiliser une moyenne des dernières observations afin de filtrer le bruit et de mieux estimer la moyenne locale. Le modèle de lissage exponentiel simple utilise une moyenne mobile exponentiellement pondérée des valeurs passées pour obtenir cet effet. L'équation de prédiction pour le modèle de lissage exponentiel simple peut être écrite en un certain nombre de formes mathématiquement équivalentes. Dont l'une est la forme dite de correction d'erreur 8221, dans laquelle la prévision précédente est ajustée dans la direction de l'erreur qu'elle a faite: Comme e t-1 Y t-1 - 374 t-1 par définition, ceci peut être réécrit comme : Qui est une équation de prévision ARIMA (0,1,1) sans constante avec 952 1 1 - 945. Cela signifie que vous pouvez ajuster un lissage exponentiel simple en le spécifiant comme un modèle ARIMA (0,1,1) sans Constante, et le coefficient MA (1) estimé correspond à 1-moins-alpha dans la formule SES. Rappelons que dans le modèle SES, l'âge moyen des données dans les prévisions de 1 période à venir est de 1 945. ce qui signifie qu'elles auront tendance à être en retard par rapport aux tendances ou aux points de retournement d'environ 1 945 périodes. Il s'ensuit que l'âge moyen des données dans les prévisions à 1 période d'un modèle ARIMA (0,1,1) sans modèle constant est de 1 (1 - 952 1). Ainsi, par exemple, si 952 1 0.8, l'âge moyen est 5. Alors que 952 1 approche de 1, le modèle ARIMA (0,1,1) sans constante devient une moyenne mobile à très long terme et 952 1 Approche 0, il devient un modèle aléatoire-marche-sans-dérive. Dans les deux modèles précédents décrits ci-dessus, le problème des erreurs autocorrélées dans un modèle de marche aléatoire a été fixé de deux manières différentes: en ajoutant une valeur décalée de la série différenciée À l'équation ou en ajoutant une valeur décalée de l'erreur de prévision. Quelle approche est la meilleure Une règle de base pour cette situation, qui sera discutée plus en détail plus tard, est que l'autocorrélation positive est le mieux traitée en ajoutant un terme AR au modèle et l'autocorrélation négative est généralement mieux traitée en ajoutant un Terme MA. Dans les séries économiques et économiques, l'autocorrélation négative apparaît souvent comme un artefact de différenciation. (En général, la différenciation réduit l'autocorrélation positive et peut même provoquer un basculement de l'autocorrélation positive à négative.) Ainsi, le modèle ARIMA (0,1,1), dans lequel la différenciation est accompagnée d'un terme MA, est plus souvent utilisé qu'un Modèle ARIMA (1,1,0). ARIMA (0,1,1) avec lissage exponentiel simple et constant avec croissance: En implémentant le modèle SES en tant que modèle ARIMA, vous gagnez en fait une certaine souplesse. Tout d'abord, le coefficient de MA (1) estimé peut être négatif. Cela correspond à un facteur de lissage supérieur à 1 dans un modèle SES, ce qui n'est généralement pas autorisé par la procédure de montage du modèle SES. Deuxièmement, vous avez la possibilité d'inclure un terme constant dans le modèle ARIMA si vous le souhaitez, afin d'estimer une tendance moyenne non nulle. Le modèle ARIMA (0,1,1) avec constante a l'équation de prédiction: Les prévisions à une période de ce modèle sont qualitativement similaires à celles du modèle SES, sauf que la trajectoire des prévisions à long terme est typiquement un (Dont la pente est égale à mu) plutôt qu'une ligne horizontale. ARIMA (0,2,1) ou (0,2,2) sans lissage exponentiel linéaire constant: Les modèles de lissage exponentiel linéaire sont des modèles ARIMA qui utilisent deux différences non saisonnières en conjonction avec des termes MA. La seconde différence d'une série Y n'est pas simplement la différence entre Y et elle-même retardée par deux périodes, mais plutôt c'est la première différence de la première différence - i. e. Le changement de la variation de Y à la période t. Ainsi, la deuxième différence de Y à la période t est égale à (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. Une seconde différence d'une fonction discrète est analogue à une dérivée seconde d'une fonction continue: elle mesure la quotation ou la quotcurvature dans la fonction à un moment donné. Le modèle ARIMA (0,2,2) sans constante prédit que la seconde différence de la série est égale à une fonction linéaire des deux dernières erreurs de prévision: qui peuvent être réarrangées comme: où 952 1 et 952 2 sont les MA (1) et MA (2) coefficients. Il s'agit d'un modèle de lissage exponentiel linéaire général. Essentiellement le même que le modèle Holt8217s, et le modèle Brown8217s est un cas spécial. Il utilise des moyennes mobiles exponentiellement pondérées pour estimer à la fois un niveau local et une tendance locale dans la série. Les prévisions à long terme de ce modèle convergent vers une droite dont la pente dépend de la tendance moyenne observée vers la fin de la série. ARIMA (1,1,2) sans lissage exponentiel linéaire à tendance amortie constante. Ce modèle est illustré dans les diapositives accompagnant les modèles ARIMA. Il extrapole la tendance locale à la fin de la série, mais l'aplatit à des horizons de prévision plus longs pour introduire une note de conservatisme, une pratique qui a un soutien empirique. Voir l'article sur Quest pourquoi la Tendance amortie travaille par Gardner et McKenzie et l'article de Golden Rulequot par Armstrong et al. Pour plus de détails. Il est généralement conseillé de s'en tenir à des modèles dans lesquels au moins l'un de p et q n'est pas supérieur à 1, c'est-à-dire ne pas essayer d'adapter un modèle tel que ARIMA (2,1,2), car cela entraînera vraisemblablement une surfaçon Et quotcommon-factorquot qui sont discutés plus en détail dans les notes sur la structure mathématique des modèles ARIMA. Implémentation de la feuille de calcul: Les modèles ARIMA tels que ceux décrits ci-dessus sont faciles à mettre en œuvre sur une feuille de calcul. L'équation de prédiction est simplement une équation linéaire qui fait référence aux valeurs passées des séries temporelles originales et des valeurs passées des erreurs. Ainsi, vous pouvez configurer une table de prévision ARIMA en stockant les données dans la colonne A, la formule de prévision dans la colonne B et les erreurs (données moins les prévisions) dans la colonne C. La formule de prévision dans une cellule typique de la colonne B serait tout simplement Une expression linéaire se référant aux valeurs dans les lignes précédentes des colonnes A et C, multipliée par les coefficients AR ou MA appropriés stockés dans les cellules ailleurs sur la feuille de calcul. Evises 9.5 Liste des fonctions EViews offre une vaste gamme de fonctionnalités puissantes pour la gestion des données, L'analyse, la prévision et la simulation, la présentation des données et la programmation. Bien que nous ne puissions pas énumérer tout, la liste suivante donne un aperçu des fonctionnalités importantes d'EViews: Gestion de données de base Numérique, alphanumérique (chaîne) et étiquettes de valeur de la série de date. Bibliothèque étendue d'opérateurs et fonctions statistiques, mathématiques, date et chaîne. Langage puissant pour la manipulation d'expressions et la transformation de données existantes à l'aide d'opérateurs et de fonctions. Les échantillons et les exemples d'objets facilitent le traitement sur des sous-ensembles de données. Prise en charge de structures de données complexes, y compris des données datées régulières, des données datées irrégulières, des données transversales avec des identificateurs d'observation, des données datées et non datées. Fichiers de travail multipage. Les bases de données natives EView disponibles sur les disques fournissent des fonctionnalités de requêtes puissantes et une intégration avec les fichiers de travail EViews. Convertir des données entre EViews et divers formats de tableur, statistiques et bases de données, y compris (mais sans s'y limiter): les fichiers Microsoft Access et Excel (y compris. XSLX et. XLSM), les fichiers Gauss Dataset, les fichiers SAS Transport, Des fichiers Stata, du texte ASCII brut ou des fichiers binaires, des bases de données HTML ou ODBC et des requêtes (le support ODBC est fourni uniquement dans Enterprise Edition). Prise en charge OLE pour relier la sortie EViews, y compris les tableaux et les graphiques, à d'autres packages, y compris Microsoft Excel, Word et Powerpoint. Prise en charge OLEDB pour la lecture des fichiers de travail et des bases de données EViews à l'aide de clients OLEDB ou de programmes personnalisés. Soutien aux bases de données FRED (Federal Reserve Economic Data). Enterprise Edition pour les bases de données Global Insight DRIPro et DRIBase, Haver Analytics DLX, FAME, EcoWin, Bloomberg, EIA, CEIC, Datastream, FactSet et Moodys Economy. Le complément Microsoft Excel EViews vous permet de lier ou d'importer des données à partir de fichiers de travail et de bases de données EViews dans Excel. Le support de glisser-déplacer pour lire des données suffit de déposer des fichiers dans EViews pour la conversion automatique et le lien des données étrangères dans le format de fichier de travail EViews. Des outils puissants pour créer de nouvelles pages de workfile à partir des valeurs et des dates des séries existantes. Fusionner les fichiers de travail de fusion, de jointure, d'ajout, de sous-ensemble, de redimensionnement, de tri et de remodelage (empilement et désempilement). Conversion de fréquence automatique facile à utiliser lors de la copie ou de la liaison de données entre des pages de fréquence différente. La conversion de fréquence et la fusion de concordance prennent en charge la mise à jour dynamique chaque fois que les données sous-jacentes changent. Mise à jour automatique des séries de formules qui sont recalculées automatiquement chaque fois que les données sous-jacentes changent. Facile à utiliser la conversion de fréquence: il suffit de copier ou de lier des données entre les pages de fréquence différente. Outils pour le rééchantillonnage et la génération de nombres aléatoires pour la simulation. Génération de nombres aléatoires pour 18 fonctions de distribution différentes utilisant trois générateurs de nombres aléatoires différents. Prise en charge de l'accès aux unités de cloud computing, vous permettant d'ouvrir et d'enregistrer le fichier directement sur les comptes Dropbox, OneDrive, Google Drive et Box. Gestion des données sur les séries chronologiques Prise en charge intégrée du traitement des données de dates et de séries chronologiques (régulières et irrégulières). Soutien aux données communes de fréquence régulière (annuelle, semestrielle, trimestrielle, mensuelle, bimensuelle, quinzaine, dix jours, hebdomadaire, tous les jours - semaine de 5 jours, tous les jours - semaine de 7 jours). Prise en charge de données haute fréquence (intraday), permettant des fréquences d'heures, de minutes et de secondes. En outre, il existe un certain nombre de fréquences régulières moins fréquentes, y compris les fréquences pluriannuelles, bimestrielles, quinquennales, dix jours et quotidiennes avec une plage de jours de la semaine. Fonctions et opérateurs de séries chronologiques spécialisées: décalages, différences, différences logarithmiques, moyennes mobiles, etc. Conversion de fréquences: diverses méthodes haut-bas et bas à haut. Lissage exponentiel: simple, double, Holt-Winters et lissage ETS. Outils intégrés pour la régression du blanchiment. Filtrage Hodrick-Prescott. Filtrage passe-bande (Fréquence): Baxter-King, Christiano-Fitzgerald filtres asymétriques à longueur fixe et échantillons complets. Ajustement saisonnier: Recensement X-13, X-12-ARIMA, TramoSeats, moyenne mobile. Interpolation pour remplir les valeurs manquantes dans une série: Linear, Log-Linear, Spline Catmull-Rom, Spline Cardinal. Statistiques Résumés des données de base résumés par groupe. Tests de l'égalité: tests t, ANOVA (équilibré et non équilibré, avec ou sans variance hétéroscédastique), Wilcoxon, Mann-Whitney, Chi-carré médian, Kruskal-Wallis, van der Waerden, test F, Siegel-Tukey, Bartlett , Levene, Brown-Forsythe. Table de concordance en un sens avec des mesures d'association (Coefficient de Phi, Coefficients de Coefficient V, Coefficient de Contingence) et tests d'indépendance (Chi-Carré de Pearson, Ratio de Vraisemblance G2). Analyse de covariance et de corrélation incluant Pearson, Spearman rang-ordre, Kendalls tau-a et tau-b et analyse partielle. Analyse des composantes principales, y compris les parcelles d'éboulis, les biplots et les parcelles de chargement, et les calculs pondérés des scores des composantes. L'analyse factorielle permet de calculer les mesures d'association (y compris la covariance et la corrélation), les estimations d'unicité, les estimations de la charge factorielle et les scores des facteurs, ainsi que les diagnostics d'estimation et la rotation des facteurs en utilisant l'une de plus de 30 méthodes orthogonales et obliques différentes. (EDF) pour les distributions Normale, Exponentielle, Valeur Extrême, Logistique, Chi-carré, Weibull ou Gamma (Kolmogorov-Smirnov, Lilliefors, Cramer-von Mises, Anderson-Darling, Watson). Histogrammes, Polygones de Fréquence, Polygones de Fréquence de Fréquence, Histogrammes Moyens Modifiés, Quantile-survivant de CDF, Quantile-Quantile, densité de noyau, distributions théoriques ajustées, Diagrammes de dispersion avec lignes de régression paramétriques et non paramétriques (LOWESS, polynôme local), régression du noyau (Nadaraya-Watson, local linéaire, polynôme local). Ou des ellipses de confiance. Autocorrélation de séries chronologiques, autocorrélation partielle, corrélation croisée, statistiques Q. Granger, y compris la causalité de Granger. Tests de racine unitaire: Dickey-Fuller augmenté, Dickey-Fuller transformé par GLS, Phillips-Perron, KPSS, Eliot-Richardson-Point de stock Optimal, Ng-Perron, ainsi que des tests de racines unitaires avec des points d'arrêt. Essais de coïntégration: Johansen, Engle-Granger, Phillips-Ouliaris, variables Park ajoutées et stabilité Hansen. Tests d'indépendance: Brock, Dechert, Scheinkman et LeBaron Tests de rapport de variance: Lo et MacKinlay, Kim bootstrap sauvage, rang Wrights, classement et tests de signes. Wald et des tests de rapport de variance de comparaison multiple (Richardson et Smith, Chow et Denning). Calcul de la variance et de la covariance à long terme: covariances à long terme symétriques ou unilatérales utilisant le noyau non paramétrique (Newey-West 1987, Andrews 1991), VARHAC paramétrique (Den Haan et Levin 1997) et noyau pré-blanchi (Andrews et Monahan, 1992) Méthodes. De plus, EViews prend en charge les méthodes de sélection automatiques de la bande passante d'Andrews (1991) et de Newey-West (1994) pour les estimateurs du noyau et les méthodes de sélection des longueurs de latence basées sur les critères d'information pour l'estimation VARHAC et préblanchiment. Groupes de discussion et de pool et statistiques et tests par période. Tests de racines unitaires: Levin-Lin-Chu, Breitung, Im-Pesaran-Shin, Fisher, Hadri. Tests de co-intégration: Pedroni, Kao, Maddala et Wu. Panel dans les covariances en série et les composantes principales. Dumitrescu-Hurlin (2012) tests de causalité des panels. Tests de dépendance transversale. Régression linéaire et non linéaire des moindres carrés (régression multiple). Régression linéaire avec PDL sur un nombre quelconque de variables indépendantes. Régression robuste. Dérivés analytiques pour estimation non linéaire. Les moindres carrés pondérés. White et Newey-West erreurs standard robustes. Les erreurs standard HAC peuvent être calculées à l'aide de noyau nonparamétrique, VARHAC paramétrique, et méthodes de noyau préblanchées, et permettent les méthodes de sélection automatique de la bande passante d'Andrews et Newey-West pour les estimateurs de noyau et les méthodes de sélection de longueur de latence basées sur les critères d'information pour VARHAC et prewhitening. Régression quantile linéaire et écarts les moins absolus (LAD), incluant les calculs de covariance de Hubers Sandwich et bootstrapping. Régression progressive avec sept procédures de sélection différentes. Régression de seuil incluant TAR et SETAR. Modèles ARMA et ARMAX linéaires avec moyenne mobile autorégressive, autorégressions saisonnières et erreurs moyennes saisonnières. Modèles non linéaires avec spécifications AR et SAR. Estimation utilisant la méthode de backcasting de Box et Jenkins, les moindres carrés conditionnels, ML ou GLS. Modèles ARFIMA à intégration fractionnelle. Variables instrumentales et GMM Variables linéaires et non linéaires à deux étages des moindres carrés (2SLSIV) et estimation de la méthode généralisée des moments (GMM). Estimation linéaire et non linéaire de 2SLSIV avec des erreurs AR et SAR. Information Limitée Maximum Likelihood (LIML) et estimation de classe K. Large gamme de spécifications de matrice de pondération GMM (White, HAC, User-provided) avec contrôle de l'itération de la matrice de poids. Les options d'estimation GMM incluent l'estimation en continu de la mise à jour (CUE) et une foule de nouvelles options d'erreur standard, y compris les erreurs standard de Windmeijer. Les diagnostics spécifiques à IVGMM incluent un test d'orthogonalité d'instrument, un test d'endogénéité de régresseur, un test d'instrument faible et un test de point de rupture spécifique au GMM. ARCHGARCH GARCH (p, q), EGARCH, TARCH, composant GARCH, Power ARCH, GARCH intégré. L'équation moyenne linéaire ou non linéaire peut inclure les termes ARCH et ARMA; les équations de moyenne et de variance tiennent compte des variables exogènes. Normal, Étudiants t, et Distributions d'erreurs généralisées. Erreurs standard robustes de Bollerslev-Wooldridge. Prévisions de la variance conditionnelle et de la moyenne, et des composantes permanentes. Modèles de variables dépendantes limitées Logit binaire, Probit et Gompit (valeur extrême). Commandé Logit, Probit et Gompit (Extreme Value). Modèles censurés et tronqués avec des erreurs normales, logistiques et de valeur extrême (Tobit, etc.). Compter des modèles avec Poisson, binomial négatif et quasi-maximum de vraisemblance (QML). Modèles Heckman Selection. HuberWhite erreurs standard robustes. Les modèles Count supportent le modèle linéaire généralisé ou les erreurs standard QML. Hosmer-Lemeshow et Andrews Test de la qualité de l'ajustement pour les modèles binaires. Enregistrez facilement les résultats (y compris les résidus et les dégradés généralisés) dans les nouveaux objets EViews pour une analyse plus poussée. Le moteur d'estimation GLM général peut être utilisé pour estimer plusieurs de ces modèles, avec l'option d'inclure des covariances robustes. Panel DataPooled Séries temporelles, données transversales Estimation linéaire et non linéaire avec section transversale additive et période d'effets fixes ou aléatoires. Choix des estimateurs quadratiques non biaisés (QUEs) pour les variances des composantes dans les modèles à effets aléatoires: Swamy-Arora, Wallace-Hussain, Wansbeek-Kapteyn. 2SLSIV estimation avec section et période d'effets fixes ou aléatoires. Estimation avec des erreurs AR en utilisant des moindres carrés non linéaires sur une spécification transformée Échelle généralisée des moindres carrés, estimation 2SLSIV généralisée, estimation GMM permettant des spécifications transversales ou périodiques hétéroscédastiques et corrélées. Estimation linéaire de données de panneaux dynamiques à l'aide de premières différences ou d'écarts orthogonaux avec des instruments prédéterminés spécifiques à la période (Arellano-Bond). Essais de corrélation série de panneaux (Arellano-Bond). Les calculs d'erreur standard robustes incluent sept types d'erreurs standard corrigées par des blancs et des panneaux (PCSE). Test des coefficients de restriction, variables omises et redondantes, test de Hausman pour les effets aléatoires corrélés. Tests de racines unitaires de panneaux: tests de Levin-Lin-Chu, Breitung, Im-Pesaran-Shin, Fisher utilisant des tests ADF et PP (Maddala-Wu, Choi), Hadri. Estimation de la cointegration des panneaux: OLS entièrement modifié (FMOLS, Pedroni 2000) ou Dynamique des moindres carrés ordinaires (DOLS, Kao et Chaing 2000, Mark et Sul 2003). Estimation du groupe moyen groupé (PMG). Modèles linéaires généralisés Normal, Poisson, Binomial, Binomial négatif, Gamma, Gaussien inverse, Mena exponentiel, Moyenne de puissance, Familles binomiales carrées. Identité, log, log-complément, logit, probit, log-log, log-log gratuit, inverse, puissance, puissance, rapport de cotes de puissance, Box-Cox, Box-Cox. Variance et pondération des fréquences antérieures. Fixed, Pearson Chi-Sq, déviance et spécifications de dispersion spécifiées par l'utilisateur. Prise en charge de l'estimation et du test QML. Quadratic Hill Escalade, Newton-Raphson, IRLS - Fisher Scoring et algorithmes d'estimation BHHH. Covariances de coefficients ordinaires calculées en utilisant Hessian attendu ou observé ou le produit extérieur des gradients. Estimations de covariance robustes utilisant les méthodes GLM, HAC ou HuberWhite. Régulation de la coïntégration canonique (Park 1992) et Dynamic OLS (Saikkonen 1992, Stock et Watson, 1993, Engle et Granger (1987) et Phillips et al. Ouliaris (1990), Hansens (1992b) test d'instabilité, et Parks (1992) ont ajouté le test des variables. Flexible spécification de la tendance et régresseurs déterministes dans l'équation et co-intégrant regressors spécification. FMOLS et CCR Choix automatique ou fixe des décalages DOLS et des dérivations DOLS et pour la régression de blanchissement de la variance à long terme Méthodes OLS recalculées et calculs robustes d'erreur standard pour DOLS Maximum Likelihood spécifié par l'utilisateur Utilise des expressions de la série EViews standard pour décrire les apports logarithmiques de vraisemblance. Exemples de logit multinomial et conditionnel, modèles de transformation de Box-Cox, modèles de commutation de déséquilibre, modèles probit avec erreurs hétéroscédastiques, logit imbriqué, sélection d'échantillons de Heckman et modèles de risque de Weibull. Systèmes d'équations Estimation linéaire et non linéaire. Moins de carrés, 2SLS, estimation pondérée par équation, régression apparemment non liée et trois moindres carrés. GMM avec matrices de pondération White et HAC. AR utilisant des moindres carrés non linéaires sur une spécification transformée. Information complète Maximum de vraisemblance (FIML). Estimer les factorisations structurelles dans les VAR en imposant des restrictions à court ou à long terme. VAR bayésiens. Fonctions de réponse d'impulsion dans divers formats tabulaires et graphiques avec des erreurs standard calculées analytiquement ou par des méthodes de Monte Carlo. Les chocs de réponse impulsionnelle calculés à partir de la factorisation de Cholesky, les résidus d'une unité ou d'un écart type (ignorant les corrélations), les impulsions généralisées, la factorisation structurelle ou une matrice vectorielle spécifiée par l'utilisateur. Imposer et tester des restrictions linéaires sur les relations cointegrantes et / ou les coefficients d'ajustement dans les modèles VEC. Afficher ou générer des relations de coïntégration à partir de modèles estimés de VEC. Diagnostics étendus incluant: tests de causalité de Granger, tests d'exclusion conjoints de lag, évaluation des critères de longueur du retard, corrélogrammes, autocorrélation, test de normalité et d'hétéroscédasticité, tests de cointegration, autres diagnostics multivariés. Multivariable ARCH Corrélation conditionnelle constante (p, q), Diagonal VECH (p, q), Diagonal BEKK (p, q), avec des termes asymétriques. Choix de paramétrage étendu pour la matrice de coefficients de Diagonal VECHs. Variables exogènes autorisées dans les équations moyennes et de variance non linéaires et AR permises dans les équations moyennes. Erreurs standard robustes de Bollerslev-Wooldridge. Normal ou Étudiants t distribution d'erreurs multivariée Un choix de dérivés numériques analytiques ou (rapides ou lents). (Dérivés analytiques non disponibles pour certains modèles complexes). Générer la covariance, la variance ou la corrélation dans divers formats tabulaires et graphiques à partir de modèles ARCH estimés. Algorithme de filtre de Kalman de l'espace d'état pour estimer les modèles structurels individuels et multiéquations spécifiés par l'utilisateur. Variables exogènes dans l'équation d'état et spécifications de variance entièrement paramétrées. Générer des signaux, des états et des erreurs à une étape en avant, filtrés ou lissés. Les exemples incluent des modèles à variation temporelle, ARMA multivariée, et des modèles de volatilité stochastique de quasilikelihood. Essais et évaluation Parcelles réelles, aménagées et résiduelles. Wald pour les ellipses de confiance des limites de coefficients linéaires et non linéaires montrant la région de confiance conjointe de deux fonctions quelconques des paramètres estimés. Autres coefficients de diagnostic: coefficients et coefficients élasticités normalisés, intervalles de confiance, facteurs d'inflation de variance, décompositions de variance de coefficients. Variables omises et redondantes: tests LR, corrélogrammes résiduels et carrés, Q-statistique, corrélation série résiduelle et tests ARCH LM. White, Breusch-Pagan, Godfrey, Harvey et Glejser tests d'hétéroscédasticité. Diagnostics de stabilité: test de point d'arrêt de Chow et tests de prévision, test de point de rupture inconnu de Quandt-Andrews, tests de point de rupture Bai-Perron, tests Ramsey RESET, estimation récursive OLS, statistiques d'influence, Le diagramme d'auto-corrélation théorique (estimé), le diagramme de corrélation réelle pour les résidus structurels, l'affichage de la réponse impulsionnelle ARMA à un choc d'innovation et la fréquence ARMA spectre. Enregistrez facilement des résultats (coefficients, matrices de covariance de coefficient, résidus, gradients, etc.) aux objets EViews pour une analyse plus poussée. Voir aussi Estimation et Systèmes d'équations pour des procédures d'essai spécialisées supplémentaires. Prévision et simulation Prévisions statiques ou dynamiques dans ou hors de l'échantillon à partir d'objets d'équations estimés avec calcul de l'erreur standard de la prévision. Graphiques de prévision et évaluation des prévisions dans l'échantillon: RMSE, MAE, MAPE, Theil Inequality Coefficient et proportions Outils de construction de modèles à la fine pointe de la technologie pour la prévision à équations multiples et la simulation multivariée. Les équations de modèle peuvent être entrées dans le texte ou comme des liens pour la mise à jour automatique sur la réestimation. Afficher la structure de dépendance ou les variables endogènes et exogènes de vos équations. Gauss-Seidel, Broyden et Newton pour la simulation non stochastique et stochastique. La solution avancée non stochastique résout les attentes cohérentes du modèle. La simulation Stochasitc peut utiliser des résidus bootstrap. Résoudre les problèmes de contrôle afin que la variable endogène atteigne une cible spécifiée par l'utilisateur. Normalisation de l'équation sophistiquée, add factor et override support. Gérer et comparer des scénarios de solutions multiples impliquant différents ensembles d'hypothèses. Les vues et procédures de modèle intégrées affichent les résultats de simulation sous forme graphique ou tabulaire. Graphiques et tableaux Ligne, tracé de points, zone, barre, pic, saisonnier, tarte, xy-ligne, diagrammes de dispersion, boxplots, barre d'erreur, haut-bas-ouverture-fermeture et bande de zone. Graphiques catégoriques et récapitulatifs puissants et faciles à utiliser. Mise à jour automatique des graphiques qui sont mis à jour à mesure que les données sous-jacentes changent. Les informations d'observation et la valeur s'affichent lorsque vous placez le curseur sur un point du graphe. Histogrammes, historogrammes décalés moyens, polyons de fréquences, polygones de fréquences de bord, ensembles de boîtes, densité de grains, distributions théoriques ajustées, ensembles de boîtes, CDF, survivant, quantile, quantile-quantile. Les diagrammes de dispersion avec n'importe quelle combinaison de noyaux paramétriques et non paramétriques (Nadaraya-Watson, linéaire local, polynôme local) et le voisin le plus proche (LOWESS), ou les ellipses de confiance. Personnalisation interactive point-and-click ou par commande. Personnalisation étendue de l'arrière-plan graphique, du cadre, des légendes, des axes, de la mise à l'échelle, des lignes, des symboles, du texte, de l'ombrage, de la décoloration, avec des fonctionnalités améliorées de modèle de graphe. Personnalisation de la table avec contrôle du visage, de la taille et de la couleur de la police de la cellule, de la couleur de fond de la cellule et des bordures, fusion et annotation. Copier-coller des graphiques dans d'autres applications Windows ou enregistrer des graphiques sous forme de métafichiers Windows réguliers ou améliorés, de fichiers PostScript encapsulés, de bitmaps, de GIF, de PNG ou de JPG. Copier-coller des tables vers une autre application ou enregistrer dans un fichier RTF, HTML ou texte. Gérer les graphiques et les tableaux ensemble dans un objet spool qui vous permet d'afficher plusieurs résultats et analyses dans un objet Commandes et programmation Le langage de commande orienté objet permet d'accéder aux éléments du menu. Exécution par lots de commandes dans des fichiers de programme. Looping et condition ramification, sous-routine et traitement de macro. Objets de vecteur chaîne et chaîne pour le traitement de chaîne. Bibliothèque étendue de chaînes et de listes de chaînes. Support matriciel étendu: manipulation matricielle, multiplication, inversion, produits Kronecker, solution de valeur propre et décomposition en valeur singulière. Interface externe et compléments EViews Prise en charge du serveur d'automatisation COM pour que les programmes externes ou les scripts puissent lancer ou contrôler des EViews, transférer des données et exécuter des commandes EViews. EViews offre une application de support client COM Automation pour les serveurs MATLAB et R afin que EViews puisse être utilisé pour lancer ou contrôler l'application, transférer des données ou exécuter des commandes. Le complément Microsoft Excel EViews offre une interface simple pour extraire et lier à partir de Microsoft Excel (2000 et ultérieur) des objets série et matrice stockés dans des fichiers de travail et des bases de données EViews. L'infrastructure des compléments EViews offre un accès transparent aux programmes définis par l'utilisateur à l'aide de la commande standard EViews, du menu et de l'interface objet. Téléchargez et installez des compléments prédéfinis à partir du site Web EViews. Home AboutContact Pour les informations de vente s'il vous plaît e-mail saleseviews Pour le support technique s'il vous plaît email supporteviews S'il vous plaît inclure votre numéro de série avec toute la correspondance électronique. Pour plus d'informations, consultez notre page À propos.
No comments:
Post a Comment