Ruchoma średnia wektorowa

Testowanie podstawowych reprezentatywnych ruchomych wektorów Indiana University Bloomington - Wydział Ekonomii Data zapisu: 16 grudnia 2018 r. Proponujemy test na odwracanie lub fundamentalizm modeli autoregresyjnych ruchomych średnich wektorów strukturalnych generowanych przez niezależne od Gaussa niezależne i identycznie rozproszone (iid) wstrząsy strukturalne . Udowadniamy, że w tych modelach i przy pewnych warunkach regularności innowacje Wold są ciągiem zmian mingowych (mds) wtedy i tylko wtedy, gdy wstrząsy strukturalne są fundamentalne. Ta prosta, ale silna charakterystyka sugeruje empiryczną strategię oceny odwracalności. Proponujemy test oparty na uogólnionej gęstości spektralnej w celu sprawdzenia właściwości mds innowacji Wold. Podejście to nie wymaga określenia i oszacowania przepływów informacji o podmiotach gospodarczych ani identyfikacji i oszacowania parametrów strukturalnych i nieodwracalnych źródeł. Co więcej, proponowana statystyka testowa wykorzystuje wszystkie opóźnienia w próbie i ma wygodny asymptotyczny rozkład N (0, 1) pod hipotezą zerową odwracalności, a zatem jest prosty do wdrożenia. W przypadku odrzucenia, test może być dalej użyty do sprawdzenia, czy dany zbiór dodatkowych zmiennych dostarcza wystarczającej ilości informacji do przywrócenia odwrotności. Przeprowadzane jest badanie Monte Carlo w celu zbadania skończonej próbki w naszym teście. Wreszcie proponowany test jest stosowany do dwóch powszechnie cytowanych prac dotyczących skutków wstrząsów fiskalnych przeprowadzonych przez Blancharda i Perottiego (2002) i Ramey (2017). Słowa kluczowe: Uogólnione reprezentacje podstawowe Uogólniona identyfikacja widma Odwracalna średnia ruchoma Klasyfikacja JEL: C5, C32, E62 Sugerowane źródło: Sugerowana wzmianka Chen, Bin i Choi, Jinho i Escanciano, Juan Carlos, Testowanie podstawowych ruchomych reprezentatywnych wektorów (16 grudnia 2018 r.). Dokument roboczy CAEPR nr 022-2018. Dostępne pod adresem SSRN: ssrnabstract2704860 lub dx. doi. org10.2139ssrn.2704860 University of Rochester (email) Department of Economics University of Rochester Rochester, NY 14620 Stany Zjednoczone Bank of Korea (email) 110, 3-Ga, Namdaemunno, Jung-Gu Seoul 100-794 Korea, Republic of (South Korea) Indiana University Bloomington - Department of Economics (email) Wylie Hall Bloomington, IN 47405-6620 Stany Zjednoczone 812-855-7925 (Phone) 812-855-3736 (Fax) Testowanie dla Podstawowe ruchome średnie wskaźniki wektorowe Indiana University Bloomington - Katedra Ekonomii Data Data publikacji: 16 grudnia 2018 r. Proponujemy test na odwracanie lub fundamentalność wektorów autoregresyjnych ruchomych średniej strukturalnych generowanych przez niezależne od Gaussa niezależne i identycznie rozproszone (iid) wstrząsy strukturalne. Udowadniamy, że w tych modelach i w pewnych warunkach regularności innowacje Wold są ciągiem zmian mingowych (mds) wtedy i tylko wtedy, gdy wstrząsy strukturalne są fundamentalne. Ta prosta, ale silna charakterystyka sugeruje empiryczną strategię oceny odwracalności. Proponujemy test oparty na uogólnionej gęstości spektralnej w celu sprawdzenia właściwości mds innowacji Wold. Podejście to nie wymaga określenia i oszacowania przepływów informacji o podmiotach gospodarczych ani identyfikacji i oszacowania parametrów strukturalnych i nieodwracalnych źródeł. Co więcej, proponowana statystyka testowa wykorzystuje wszystkie opóźnienia w próbie i ma wygodny asymptotyczny rozkład N (0, 1) pod hipotezą zerową odwracalności, a zatem jest prosty do wdrożenia. W przypadku odrzucenia, test może być dalej użyty do sprawdzenia, czy dany zbiór dodatkowych zmiennych dostarcza wystarczającej ilości informacji do przywrócenia odwrotności. Przeprowadzane jest badanie Monte Carlo w celu zbadania skończonej próbki w naszym teście. Wreszcie proponowany test jest stosowany do dwóch powszechnie cytowanych prac dotyczących skutków wstrząsów fiskalnych przeprowadzonych przez Blancharda i Perottiego (2002) i Ramey (2017). Słowa kluczowe: Uogólnione reprezentacje podstawowe Uogólniona identyfikacja widma Odwracalna średnia ruchoma Klasyfikacja JEL: C5, C32, E62 Sugerowane źródło: Sugerowana wzmianka Chen, Bin i Choi, Jinho i Escanciano, Juan Carlos, Testowanie podstawowych ruchomych reprezentatywnych wektorów (16 grudnia 2018 r.). Dokument roboczy CAEPR nr 022-2018. Dostępne pod adresem SSRN: ssrnabstract2704860 lub dx. doi. org10.2139ssrn.2704860 University of Rochester (email) Department of Economics University of Rochester Rochester, NY 14620 Stany Zjednoczone Bank of Korea (email) 110, 3-Ga, Namdaemunno, Jung-Gu Seoul 100-794 Korea, Republic of (South Korea) Indiana University Bloomington - Department of Economics (email) Wylie Hall Bloomington, IN 47405-6620 Stany Zjednoczone 812-855-7925 (Phone) 812-855-3736 (Fax) Testowanie dla Podstawowe ruchome średnie reprezentacje wektora Proponujemy test na odwracanie lub fundamentalizm wektorów autoregresyjnych ruchomych średniej strukturalnych generowanych przez niezależne od Gaussa niezależne i identycznie rozproszone (iid) strukturalne uderzenia. Udowadniamy, że w tych modelach i przy pewnych warunkach regularności innowacje Wold są ciągiem zmian mingowych (mds) wtedy i tylko wtedy, gdy wstrząsy strukturalne są fundamentalne. Ta prosta, ale silna charakterystyka sugeruje empiryczną strategię oceny odwracalności. Proponujemy test oparty na uogólnionej gęstości spektralnej w celu sprawdzenia właściwości mds innowacji Wold. Podejście to nie wymaga określenia i oszacowania przepływów informacji o podmiotach gospodarczych ani identyfikacji i oszacowania parametrów strukturalnych i nieodwracalnych źródeł. Co więcej, proponowana statystyka testowa wykorzystuje wszystkie opóźnienia w próbie i ma wygodny asymptotyczny rozkład N (0 1) pod hipotezą zerową odwracalności, a zatem jest prosty do wdrożenia. W przypadku odrzucenia, test może być dalej użyty do sprawdzenia, czy dany zbiór dodatkowych zmiennych dostarcza wystarczającej ilości informacji do przywrócenia odwrotności. Przeprowadzane jest badanie Monte Carlo w celu zbadania skończonej próbki w naszym teście. Wreszcie proponowany test jest stosowany do dwóch powszechnie cytowanych prac dotyczących skutków wstrząsów fiskalnych przeprowadzonych przez Blancharda i Perottiego (2002) i Ramey (2017). Jeśli wystąpią problemy z pobieraniem pliku, sprawdź, czy masz odpowiednią aplikację, aby go najpierw wyświetlić. W razie dalszych problemów przeczytaj stronę pomocy IDEAS. Zwróć uwagę, że te pliki nie znajdują się w witrynie IDEAS. Prosimy o cierpliwość, ponieważ pliki mogą być duże. Dokument dostarczony przez Center for Applied Economics and Policy Research, Economics Department, Indiana University Bloomington w serii Caepr Working Papers z numerem 2018-022 Classification-C5, C32, E62. Odniesienia wymienione w POMYSŁACH Prosimy o zgłaszanie błędów cytowania lub odniesień do. lub. jeśli jesteś zarejestrowanym autorem cytowanej pracy, zaloguj się do swojego profilu RePEc Author Service. kliknij cytaty i wprowadź odpowiednie poprawki. Hamilton, James D Gang, Lin, 1996. Zmienność rynku akcji i cykl koniunkturalny, Journal of Applied Econometrics. John Wiley Sons, Ltd. obj. 11 (5), strony 573-593, wrzesień-październik. Olivier J. Blanchard Jean-Paul LHuillier Guido Lorenzoni, 2017. Wiadomości, hałas i fluktuacje: Dokument roboczy badań eksploracyjnych, badań rozwojowych Seria 092017, Instytut Zaawansowanych Studiów nad Rozwojem. Jess Fernndez-Villaverde Juan Francisco Rubio-Ramrez Thomas J. Sargent, 2005. A, B, Cs, (i Ds) za zrozumienie VAR, dokument roboczy FRB Atlanta 2005-09, Federal Reserve Bank of Atlanta. Jess Fernndez-Villaverde Juan F. Rubio-Ramrez Thomas J. Sargent Mark W. Watson, 2007. ABC (i Ds) Zrozumienia VAR, American Economic Review. American Economic Association, wol. 97 (3), strony 1021-1026, czerwiec. Jesus Fernandez-Villaverde Juan F. Rubio-Ramirez Thomas J. Sargent, 2005. A, B, Cs (i Ds) do zrozumienia VARS, PIER Working Paper Archive 05-018, Penn Institute for Economic Research, Department of Economics, University of Pensylwania. Jess Fernndez-Villaverde Juan F. Rubio-Ramirez Thomas J. Sargent, 2005. A, B, Cs (i Ds) dla Understanding VARS, Levines Bibliography 172782000000000096, UCLA Department of Economics. Jess Fernndez-Villaverde Juan F. Rubio-Ramirez Thomas J. Sargent Mark Watson, 2006. A, B, Cs (i Ds) w: Understanding VARS, Levines Bibliography 321307000000000646, UCLA Department of Economics. Jesus Fernandez-Villaverde Juan Rubio-Ramirez Thomas J. Sargent, 2005. A, B, Cs (i D) dla Understanding VARs, Technical Working Papers NBER 0308, National Bureau of Economic Research, Inc. W przypadku prośby o korektę, proszę wymienić ten uchwyt przedmiotu: RePEc: inu: caeprp: 2018022. Zobacz ogólne informacje na temat poprawiania materiału w RePEc. W przypadku pytań technicznych dotyczących tego produktu lub w celu poprawienia jego autorów, tytułów, abstraktów, informacji bibliograficznych lub pobierania, skontaktuj się z: (Centrum Ekonomiki Stosowanej i Badań nad Polityką) Jeśli jesteś autorem tego przedmiotu i nie jesteś jeszcze zarejestrowany w RePEc, zachęcamy Cię zrobić to tutaj. Dzięki temu możesz połączyć swój profil z tym elementem. Pozwala także zaakceptować potencjalne cytowania tego elementu, o którym nie mamy pewności. Jeśli nie ma żadnych odniesień, możesz je dodać za pomocą tego formularza. Jeśli pełna lista zawiera element, który jest obecny w RePEc, ale system nie łączył się z nim, możesz pomóc w tym formularzu. Jeśli wiesz o brakujących elementach, powołując się na ten, możesz pomóc nam w tworzeniu tych linków, dodając odpowiednie odniesienia w taki sam sposób, jak powyżej, dla każdego polecanego przedmiotu. Jeśli jesteś zarejestrowanym autorem tego przedmiotu, możesz również sprawdzić kartę cytatów w swoim profilu, ponieważ mogą pojawić się cytaty czekające na potwierdzenie. Pamiętaj, że korekty mogą zająć kilka tygodni, aby przefiltrować różne usługi RePEc. Więcej usług Śledź serie, czasopisma, autorzy i więcej Nowe artykuły przez e-mail Zasubskrybuj nowe dodatki do RePEc Rejestracja autora Profile publiczne dla badaczy z dziedziny Ekonomii Różne rankingi badań w dziedzinie ekonomii i pokrewnych dziedzin Kto był uczniem, używając RePEc RePEc Biblio artykuły na różne tematy z ekonomii Prześlij swój artykuł do listy RePEc i IDEAS EconAcademics Blog do agregatora badań ekonomicznych Plagiat Przykłady przypadków plagiatu w ekonomii Dokumenty rynku pracy RePEc Working Paper poświęcony rynkowi pracy Fantasy League Udawaj, że jesteś na czele ekonomii departament Usługi od StL Fed Data, badania, aplikacje i więcej od St. Fed Dokumentacja a jest stałym wektorem przesunięć, z n pierwiastkami. A i są macierzami n-przez-n dla każdego i. A i są autoregresywnymi matrycami. Istnieją p autoregresywne matryce. 949 t jest wektorem nieskorelowanych seryjnie innowacji. wektory długości n. 949 t to wielowymiarowe normalne losowe wektory z macierzą kowariancji Q. gdzie Q jest macierzą tożsamości, chyba że określono inaczej. B j są n-ty-n macierzami dla każdego j. Bj są ruchomymi macierzami średnimi. Istnieje q ruchomych średniej matryc. X t jest macierzą n-o-r reprezentującą egzogenne terminy za każdym razem t. r to liczba serii egzogenicznych. Terminy egzogeniczne to dane (lub inne niezmodowane dane wejściowe) oprócz szeregu czasowego odpowiedzi y t. b jest stałym wektorem współczynników regresji wielkości r. Tak więc produkt X t middotb jest wektorem o rozmiarze n. Zasadniczo można zaobserwować szereg czasowy y t i X t. Innymi słowy, jeśli masz dane, reprezentuje jedną lub obie z tych serii. Nie zawsze znasz przesunięcie a. współczynnik b. macierze autoregresywne A i. i ruchome średnie macierze Bj. Zazwyczaj chcesz dopasować te parametry do swoich danych. Zobacz stronę odniesienia funkcji vgxvarx, aby poznać sposoby szacowania nieznanych parametrów. Innowacje 949 t nie są obserwowalne, przynajmniej w danych, choć można je zaobserwować w symulacjach. Reprezentacja operatora Lag Istnieje równoważna reprezentacja liniowych równań autoregresji w kategoriach operatorów lag. Operator opóźnienia L przesuwa wskaźnik czasu o jeden: L y t y t 82111. Operator L m przesuwa wskaźnik czasu z powrotem o m. L m y t y t 8211 m. W postaci operatora opóźnienia równanie dla modelu SVARMAX (p. Q. R) staje się (A 0 x 2212 x2211 i 1 pA i L i) y t a X t b (B 0 x 2211 j 1 q B j L j) x03B5 t. To równanie można zapisać jako A (L) y t a X t b B (L) x03B5 t. Model VAR jest stabilny, jeśli det (I n x2212 A 1 z x2212 A 2 z 2 x2212. X2212 A pzp) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Ten warunek oznacza, że ​​przy wszystkich innowacjach równych zeru proces VAR zbiega się w miarę upływu czasu. Zobacz Luumltkepohl 74 Rozdział 2 w celu omówienia. Model VMA jest odwracalny, jeśli det (I n B 1 z B 2 z 2. B q z q) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Ten warunek oznacza, że ​​czysta reprezentacja VAR procesu jest stabilna. Aby uzyskać wyjaśnienie sposobu konwersji modeli VAR i VMA, zobacz Zmienianie reprezentacji modeli. Zobacz Luumltkepohl 74 Rozdział 11 w celu omówienia odwracalnych modeli VMA. Model VARMA jest stabilny, jeśli jego część VAR jest stabilna. Podobnie, model VARMA jest odwracalny, jeśli jego część VMA jest odwracalna. Nie ma dobrze zdefiniowanego pojęcia stabilności lub odwracalności dla modeli z wejściami egzogennymi (np. Modele VARMAX). Egzogeniczne wejście może zdestabilizować model. Budowanie modeli VAR Aby zrozumieć wiele modeli szeregów czasowych lub wiele szeregów czasowych, zwykle wykonuje się następujące kroki: Importuj i przetwarzaj dane. Określ model. Specyfikacja Struktury bez wartości parametrów, aby określić model, kiedy MATLAB x00AE ma oszacować parametry Specyfikacja Struktury z wybranymi wartościami parametrów, aby określić model, w którym znasz niektóre parametry, i chcesz, aby MATLAB oszacował pozostałe. Określanie odpowiedniej liczby lgD w celu określenia odpowiednia liczba opóźnień dla Twojego modelu Dopasuj model do danych. Dopasowanie modeli do danych w celu użycia vgxvarx do oszacowania nieznanych parametrów w twoich modelach. Może to obejmować: Zmiana Reprezentacji modelu w celu zmiany modelu na typ obsługiwany przez vgxvarx Analiza i prognozowanie za pomocą dopasowanego modelu. Może to obejmować: Zbadanie stabilności modelu zamontowanego w celu określenia, czy model jest stabilny i odwracalny. VAR Model Forecasting do prognozowania bezpośrednio z modeli lub do prognozowania za pomocą symulacji Monte Carlo. Obliczanie odpowiedzi impulsowych w celu obliczenia odpowiedzi impulsowych, które dają prognozy oparte na założonej zmianie w danych wejściowych do szeregu czasowego. Porównaj wyniki prognoz swoich modeli z danymi przechowywanymi dla prognozowania. Na przykład zobacz Case Study przypadku VAR. Twoja aplikacja nie musi obejmować wszystkich kroków w tym przepływie pracy. Na przykład możesz nie mieć żadnych danych, ale chcesz symulować sparametryzowany model. W takim przypadku wykonasz tylko kroki 2 i 4 ogólnego przepływu pracy. Możesz powtórzyć niektóre z tych kroków. Powiązane przykłady Wybierz swój kraj