Einführung in stationäre und nichtstationäre Prozesse Finanzinstitute und Kapitalgesellschaften sowie einzelne Investoren und Forscher nutzen häufig wirtschaftliche Prognosen, Börsenanalysen oder Finanzmarktdaten, wie zB Vermögenspreise, Wechselkurse, BIP Inflation und andere makroökonomische Indikatoren Studien der Daten selbst. Aber die Verfeinerung der Daten ist der Schlüssel, um es auf Ihre Bestandsanalyse anwenden zu können. In diesem Artikel zeigen Sie auch, wie Sie die Datenpunkte zu isolieren, die relevant für Ihre Lagerberichte sind. Kochen Rohdaten Datenpunkte sind oft nicht stationär oder haben Mittelwerte, Abweichungen und Kovarianzen, die sich mit der Zeit ändern. Nichtstationäre Verhaltensweisen können Trends, Zyklen, zufällige Wanderungen oder Kombinationen der drei sein. Nicht-stationäre Daten sind in der Regel nicht vorhersehbar und können nicht modelliert oder prognostiziert werden. Die Ergebnisse, die durch die Verwendung nichtstationärer Zeitreihen erhalten werden, können insofern falsch sein, als sie auf eine Beziehung zwischen zwei Variablen hindeuten, wenn sie nicht existieren. Um konsistente, zuverlässige Ergebnisse zu erhalten, müssen die nichtstationären Daten in stationäre Daten umgewandelt werden. Im Gegensatz zum nichtstationären Prozeß, der eine variable Varianz und einen Mittelwert aufweist, der nicht in der Nähe bleibt oder zu einem langfristigen Mittelwert über die Zeit zurückkehrt, kehrt der stationäre Prozeß um einen konstanten Langzeitmittelwert zurück und hat eine konstante Varianzunabhängigkeit von Zeit. Copryright 2007 Investopedia Arten von nichtstationären Prozessen Bevor wir an den Punkt der Transformation für die nicht-stationären finanziellen Zeitreihendaten gelangen, sollten wir zwischen den verschiedenen Typen der nichtstationären Prozesse unterscheiden. Dies wird uns ein besseres Verständnis der Prozesse und ermöglichen es uns, die richtige Transformation anzuwenden. Beispiele für nichtstationäre Prozesse sind zufällige Wege mit oder ohne Drift (langsame stetige Veränderung) und deterministische Trends (Trends, die konstant, positiv oder negativ sind, unabhängig von der Zeit für die gesamte Lebensdauer der Serie). Copryright 2007 Investopedia Pure Random Walk (Zufallswanderung) Der Zufallswanderweg sagt voraus, dass der Wert zum Zeitpunkt t gleich dem letzten Periodenwert plus einer stochastischen (nicht-systematischen) Komponente ist, die ein weißes Rauschen bedeutet, was t bedeutet Ist unabhängig und gleichverteilt mit Mittelwert 0 und Varianz. Zufallswanderung kann auch als Prozess bezeichnet werden, der von irgendeinem Auftrag integriert ist, ein Prozess mit einem Einheitswurzel oder einem Prozess mit einem stochastischen Trend. Es handelt sich um einen nicht-mittleren Umkehrprozess, der sich von dem Mittel entweder in einer positiven oder einer negativen Richtung wegbewegen kann. Ein weiteres Merkmal einer zufälligen Wanderung ist, dass die Varianz im Laufe der Zeit entwickelt und geht in die Unendlichkeit, wie die Zeit unendlich geht daher ein Zufall kann nicht vorhergesagt werden. Random Walk mit Drift (Y t Y t-1 t) Wenn das Random Walk-Modell voraussagt, dass der Wert zum Zeitpunkt t gleich dem letzten Periodenwert plus einer Konstanten oder Drift () und einem weißen Rauschterm (t) ist Der Prozess ist zufällig zu Fuß mit einer Drift. Es geht auch nicht um eine langfristige Mittelwert und hat Varianz abhängig von der Zeit. Deterministischer Trend (Y t t t) Oft wird ein Zufallswanderweg mit Drift für einen deterministischen Trend verwechselt. Beide enthalten eine Drift und eine weiße Rauschkomponente, aber der Wert zum Zeitpunkt t bei einem Zufallswanderweg wird auf den letzten Periodenwert (Y t - 1) zurückgerechnet, während im Fall eines deterministischen Trends auf einem Zeit-Trend (t). Ein nicht-stationärer Prozess mit einem deterministischen Trend hat einen Mittelwert, der um einen festen, konstanten und zeitunabhängigen Trend wächst. Ein weiteres Beispiel ist ein nicht-stationärer Prozess, der einen Zufallswanderweg mit einer Driftkomponente () und einem deterministischen Trend (t) kombiniert. Er spezifiziert den Wert zum Zeitpunkt t Durch den letzten Periodenwert, eine Drift, einen Trend und eine stochastische Komponente. Trend und Differenz Stationär Ein zufälliger Weg mit oder ohne Drift kann durch Differenzieren in einen stationären Prozeß verwandelt werden (Subtraktion von Yt-1 von Yt, wobei die Y t - Y t - 1) entsprechend Y t - Y t - 1 t oder Y t - Y t - 1 t und dann wird das Verfahren differenz - stationär. Der Nachteil der Differenzierung besteht darin, dass der Prozeß bei jedem Unterschreiten einer Beobachtung eine Beobachtung verliert. Copryright 2007 Investopedia Ein nicht stationärer Prozess mit einem deterministischen Trend wird nach dem Entfernen des Trends oder der Detrending stationär. Zum Beispiel wird Yt t t in einen stationären Prozess transformiert, indem der Trend t: Yt - t t subtrahiert wird, wie in Abbildung 4 unten gezeigt. Es gibt keine Beobachtungen, die bei der Dekomprimierung verwendet werden, um einen nichtstationären Prozess in einen stationären Prozess umzuwandeln. Re: st: Erstes Differenzieren in Paneldaten Fri, 18 Nov 2005 09:06:49 -0500 xtivreg, fd macht die erste Differenzierung für Sie . Sie müssen nicht erst Ihre Variablen unterscheiden. Daniel um 12.31 Uhr 11182005, schriebst du: Ich möchte eine Frage an die bereits geforderte anhängen. Für den ersten Unterschiedsbefehl in xtivreg y z x (z a b c), fd i (panelid) muss ich alle Variablen unterscheiden, macht das Komando dies automatisch, oder ist dies nicht das erste differencing, das ich an Sorry für all diese xt Fragen denke. Ich bestellte das xt Handbuch, aber kann nicht warten, bis es hier erhält. Gregor Franz schrieb: Zuerst vielen Dank an die Leute, die auf meine letzte Frage nach der, Beta antworteten. Bei der Verwendung von Paneldaten mit einem ersten differenzierenden Ansatz, wie in Wooldridge (2002) beschrieben, kann ich den xt-Befehl verwenden Es sieht aus wie ich aus den Hilfedateien kippe. Also habe ich nur Unterschied alle meine Variablen und laufen ein normales reg deltay deltax Danke nochmal,
No comments:
Post a Comment