Moving Gjennomsnittet Lowess

Velkommen til Statsmodels8217s Dokumentasjonsstatistikkmodeller er en Python-modul som gir klasser og funksjoner for estimering av mange forskjellige statistiske modeller, samt for gjennomføring av statistiske tester og statistisk datautforskning. En omfattende liste over resultatstatistikker er avalable for hver estimator. Resultatene blir testet mot eksisterende statistiske pakker for å sikre at de er riktige. Pakken er utgitt under lisensen for åpen kildekode Modifisert BSD (3-klausul). Den elektroniske dokumentasjonen er vert for sourceforge. Minimale eksempler Siden versjon 0.5.0 av statistikkmodeller. Du kan bruke R-stil formler sammen med pandas datarammer for å passe dine modeller. Her er et enkelt eksempel ved å bruke vanlige minstefirkanter: Du kan også bruke numpy arrays i stedet for formler: Ta en titt på dir (resultater) for å se tilgjengelige resultater. Attributter er beskrevet i results. doc og resultatmetoder har egne doktreringer. Grunnleggende dokumentasjon Informasjon om strukturen og utviklingen av statistikkmodeller: EViews 9.5 Feature List EViews tilbyr et omfattende utvalg av kraftige funksjoner for datahåndtering, statistikk og økonometrisk analyse, prognose og simulering, datapresentasjon og programmering. Mens vi ikke kan muligens liste opp alt, gir følgende liste et glimt på de viktige EViews-funksjonene: Grunnleggende datahåndtering Numerisk, alfanumerisk (streng) og dato seriens verdietiketter. Omfattende bibliotek med operatører og statistiske, matematiske, dato - og strengfunksjoner. Kraftig språk for uttrykkshåndtering og transformering av eksisterende data ved hjelp av operatører og funksjoner. Prøver og prøveobjekter letter prosessering på delsett av data. Støtte for komplekse datastrukturer, inkludert vanlige daterte data, uregelmessige daterte data, tverrsnittdata med observasjonsidentifikatorer, datert og utdatert paneldata. Arbeidsfiler på flere sider. EViews native, diskbaserte databaser gir kraftige søkefunksjoner og integrasjon med EViews-arbeidsfiler. Konverter data mellom EViews og ulike regneark, statistiske og databaseformater, inkludert (men ikke begrenset til): Microsoft Access og Excel-filer (inkludert. XSLX og. XLSM), Gauss Datasett-filer, SAS Transport-filer, SPSS-innfødte og bærbare filer, Stata-filer, råformaterte ASCII-tekst - eller binærefiler, HTML - eller ODBC-databaser og spørringer (ODBC-støtte er kun gitt i Enterprise Edition). OLE-støtte for å koble EViews-utgang, inkludert tabeller og grafer, til andre pakker, inkludert Microsoft Excel, Word og Powerpoint. OLEDB-støtte for å lese EViews-arbeidsfiler og databaser ved hjelp av OLEDB-klare eller tilpassede programmer. Støtte for FRED (Federal Reserve Economic Data) databaser. Enterprise Edition-støtte for Global Insight DRIPro og DRIBase, Haver Analytics DLX, FAME, EcoWin, Bloomberg, EIA, CEIC, Datastream, FactSet og Moodys Economy databaser. EViews Microsoft Excel Add-in lar deg koble eller importere data fra EViews-arbeidsfiler og databaser fra Excel. Dra-og-slipp-støtte for å lese data, bare slipp filer til EViews for automatisk konvertering og kobling av utenlandske data til EViews-arbeidsformat. Kraftige verktøy for å lage nye arbeidsfilsider fra verdier og datoer i eksisterende serier. Match sammenføyning, bli med, legge til, delmengde, endre størrelse, sortering og omforming (stable og unstack) workfiles. Enkel å bruke automatisk frekvensomforming når du kopierer eller kobler data mellom sider med forskjellig frekvens. Frekvensomforming og sammenføyning støtter dynamisk oppdatering når underliggende data endres. Automatisk oppdateringsformel serie som automatisk omberegnes når underliggende data endres. Enkel å bruke frekvenskonvertering: Bare kopier eller lenke data mellom sider med forskjellig frekvens. Verktøy for resampling og tilfeldig talgenerering for simulering. Tilfeldig tallgenerering for 18 forskjellige distribusjonsfunksjoner ved hjelp av tre forskjellige tilfeldige tallgivere. Støtte for tilgang til sky-stasjon, slik at du kan åpne og lagre filen direkte på Dropbox, OneDrive, Google Drive og Box-kontoer. Time Series Data Handling Integrert støtte for håndtering av datoer og tidsseriedata (både vanlig og uregelmessig). Støtte for vanlige faste frekvensdata (Årlig, Halvårlig, Kvartalsvis, Månedlig, Bimontert, Fortnight, Ti dager, Ukentlig, Daglig - 5 dagers uke, Daglig - 7 dagers uke). Støtte for høyfrekvente (intradag) data, som tillater timer, minutter og sekunder frekvenser. I tillegg er det en rekke mindre vanlige regelmessige frekvenser, inkludert flerår, to ganger, fjorten dager, ti dager og daglige med et vilkårlig antall dager i uken. Spesialiserte tidsseriefunksjoner og operatører: lags, forskjeller, logforskjeller, bevegelige gjennomsnitt, etc. Frekvensomforming: forskjellige høy-til-lave og lav-til-høye metoder. Eksponensiell utjevning: single, double, Holt-Winters, og ETS-glatting. Innebygde verktøy for bleking av regresjon. Hodrick-Prescott-filtrering. Band-pass (frekvens) filtrering: Baxter-King, Christiano-Fitzgerald fast lengde og full prøve asymmetriske filtre. Sesongjustering: Sensus X-13, X-12-ARIMA, TramoSeats, glidende gjennomsnitt. Interpolering for å fylle ut manglende verdier i en serie: Lineær, Loglinear, Catmull-Rom Spline, Cardinal Spline. Statistikk Grunnleggende dataoppsummeringer av gruppesammendrag. Tester av likestilling: t-tester, ANOVA (balansert og ubalansert, med eller uten heteroskedastiske avvik.), Wilcoxon, Mann-Whitney, Median Chi-square, Kruskal-Wallis, Van der Waerden, F-test, Siegel-Tukey, Bartlett , Levene, Brown-Forsythe. Enveis tabulering, kryss tabulering med tiltak av tilknytning (Phi Coefficient, Cramers V, Beredskapskoeffisient) og uavhengighetstesting (Pearson Chi-Square, Sannsynlighetsforhold G2). Covariance og korrelasjonsanalyse inkludert Pearson, Spearman rangordre, Kendalls tau-a og tau-b og delvis analyse. Hovedkomponenter analyse inkludert scree tomter, biplots og laste tomter, og vektet komponent score beregninger. Faktoranalyse som tillater beregning av foreningstiltak (inkludert kovarians og korrelasjon), unike estimater, estimatfaktorfaktor og faktorpoeng, samt utførelse av estimeringsdiagnostikk og faktorrotasjon ved hjelp av en av over 30 forskjellige ortogonale og skråstilte metoder. Empirical Distribution Function (EDF) Test for Normal, Eksponentiell, Ekstrem verdi, Logistisk, Chi-kvadrat, Weibull eller Gamma-distribusjoner (Kolmogorov-Smirnov, Lilliefors, Cramer-von Mises, Anderson-Darling, Watson). Histogrammer, Frekvenspolygoner, Kantfrekvenspolygoner, Gjennomsnittlig Shifted Histogrammer, CDF-Overlevende-Quantile, Kvantilkvantil, Kjernetetthet, Tilpassede teoretiske fordelinger, Boxplots. Scatterplots med parametriske og ikke-parametriske regresjonslinjer (LOWESS, lokal polynom), kjerneregresjon (Nadaraya-Watson, lokal lineær, lokal polynom). eller selvtillit ellipser. Time Series Autocorrelation, delvis autokorrelasjon, krysskorrelasjon, Q-statistikk. Granger årsakssammenligningstest, inkludert panell Granger årsakssammenheng. Enhetsrottester: Augmented Dickey-Fuller, GLS-transformert Dickey-Fuller, Phillips-Perron, KPSS, Eliot-Richardson-Point Point Optimal, Ng-Perron, samt tester for unit rotter med breakpoints. Sammenslutningsprøver: Johansen, Engle-Granger, Phillips-Ouliaris, Park added variabler og Hansen stabilitet. Uavhengighetsprøver: Brock, Dechert, Scheinkman og LeBaron Variance ratio tester: Lo og MacKinlay, Kim wild bootstrap, Wrights rang, rang-score og sign-tester. Wald og flere sammenligningsvariasjonsforholdstester (Richardson og Smith, Chow og Denning). Langvarig varians - og kovariansberegning: Symmetrisk eller ensidig langvarig covariances ved bruk av ikke-parametrisk kjernen (Newey-West 1987, Andrews 1991), parametrisk VARHAC (Den Haan og Levin 1997) og prewhitened kernel (Andrews og Monahan 1992) metoder. I tillegg støtter EViews Andrews (1991) og Newey-West (1994) automatiske båndbreddeutvalgsmetoder for kjerneberegninger, og informasjonskriterier basert laglengdeutvelgingsmetoder for VARHAC og prewhitening estimation. Panel og Pool By-gruppe og by-periode statistikk og testing. Enhetsrottester: Levin-Lin-Chu, Breitung, Im-Pesaran-Shin, Fisher, Hadri. Sammenslutningsprøver: Pedroni, Kao, Maddala og Wu. Panel innenfor serie covariances og hovedkomponenter. Dumitrescu-Hurlin (2012) panel kausalitetstester. Tverrsnitt avhengighetstester. Estimeringsregresjon Lineære og ikke-lineære vanlige minstefirkanter (multiple regresjon). Lineær regresjon med PDL på et hvilket som helst antall uavhengige variabler. Robust regresjon. Analytiske derivater for ikke-lineær estimering. Vektet minste firkanter. Hvite og Newey-West robuste standardfeil. HAC-standardfeil kan beregnes ved hjelp av ikke-parametrisk kjernen, parametrisk VARHAC og prewhitened kjernemetoder, og tillater Andrews og Newey-West automatiske båndbreddevalgsmetoder for kjernestimatorer, og informasjonskriterier basert laglengdeseleksjonsmetoder for VARHAC og forvitringsestimering. Lineær kvantilregresjon og minst absolutte avvik (LAD), inkludert både Hubers Sandwich og bootstrapping kovariansberegninger. Trinnvis regresjon med syv forskjellige utvalgsprosedyrer. Terskelregresjon inkludert TAR og SETAR. ARMA og ARMAX Lineære modeller med autoregressive glidende gjennomsnitt, sesongbaserte autoregressive og sesongmessige glidende gjennomsnittlige feil. Ikke-lineære modeller med AR - og SAR-spesifikasjoner. Estimering ved hjelp av backcasting-metoden i Box og Jenkins, betinget minste kvadrater, ML eller GLS. Fraksjonalt integrerte ARFIMA-modeller. Instrumentvariabler og GMM Lineære og ikke-lineære, to-trinns minste kvadratinstrumenterelle variabler (2SLSIV) og Generalized Method of Moments (GMM) estimering. Lineær og ikke-lineær 2SLSIV estimering med AR og SAR feil. Begrenset informasjon Maksimal sannsynlighet (LIML) og K-klasse estimering. Bredt utvalg av GMM vekting matrisespesifikasjoner (White, HAC, User-provided) med kontroll over vektmatrise iterasjon. GMM estimeringsalternativer inkluderer kontinuerlig oppdateringsestimering (CUE), og en rekke nye standardfeilalternativer, inkludert Windmeijer standardfeil. IVGMM-spesifikk diagnostikk inkluderer Instrument Orthogonality Test, en Regressor Endogenity Test, en svak instrumenttest og en GMM-spesifikk bruddpunktstest. ARCHGARCH GARCH (p, q), EGARCH, TARCH, Component GARCH, Power ARCH, Integrated GARCH. Den lineære eller ikke-lineære middelekvasjonen kan omfatte ARCH - og ARMA-termer, både de gjennomsnittlige og variansekvasjonene tillater eksogene variable. Normal, Student t, og Generalized Error Distributions. Bollerslev-Wooldridge robuste standardfeil. Inn - og ut-av prognoser for den betingede variansen og gjennomsnittlige og permanente komponenter. Begrensede avhengige variabelmodeller Binary Logit, Probit, og Gompit (Extreme Value). Bestilt Logit, Probit, og Gompit (Extreme Value). Censurert og avkortet modell med normale, logistiske og ekstreme verdifeil (Tobit, etc.). Telle modeller med Poisson, negativ binomial og quasi-maximal sannsynlighet (QML) spesifikasjoner. Heckman utvalgsmodeller. HuberWhite robuste standardfeil. Antall modeller støtter generalisert lineær modell eller QML standardfeil. Hosmer-Lemeshow og Andrews Goodness-of-Fit testing for binære modeller. Lagre enkelt resultater (inkludert generelle residualer og gradienter) til nye EViews-objekter for videre analyse. Generell GLM estimeringsmotor kan brukes til å estimere flere av disse modellene, med muligheten til å inkludere robuste covariances. Panel DataPooled Time Series, Tverrsnittsdata Linjær og ikke-lineær estimering med additiv tverrsnitt og periode faste eller tilfeldige effekter. Valg av kvadratiske, objektive estimatorer (QUEs) for komponentavvik i tilfeldige effektmodeller: Swamy-Arora, Wallace-Hussain, Wansbeek-Kapteyn. 2SLSIV estimering med tverrsnitt og periode fast eller tilfeldig effekt. Estimering med AR-feil ved bruk av ikke-lineære minstefirkanter på en transformert spesifikasjon Generelle minstekvadrater, generell 2SLSIV-estimering, GMM-estimering som tillater tverrsnitt eller periode heteroskedastiske og korrelerte spesifikasjoner. Linjær dynamisk panel data estimering ved hjelp av første forskjeller eller ortogonale avvik med periodespesifikke forhåndsbestemte instrumenter (Arellano-Bond). Serial korrelasjonstester i panelet (Arellano-Bond). Robuste standardfeilberegninger inkluderer syv typer robuste hvite og panelkorrigerte standardfeil (PCSE). Testing av koeffisjonsbegrensninger, utelatt og overflødige variabler, Hausman test for korrelerte tilfeldige effekter. Panelenhetstest: Levin-Lin-Chu, Breitung, Im-Pesaran-Shin, Fisher-type tester ved hjelp av ADF og PP-tester (Maddala-Wu, Choi), Hadri. Panelkonsentrasjonsestimering: Fully Modified OLS (FMOLS, Pedroni 2000) eller Dynamic Ordinary Least Squares (DOLS, Kao og Chaing 2000, Mark and Sul 2003). Pooled Mean Group (PMG) estimering. Generelle Lineære Modeller Normal, Poisson, Binomial, Negativ Binomial, Gamma, Inverse Gaussisk, Eksponentiell Mena, Makt, Binomial Squared Familier. Identitet, logg, log-komplement, logit, probit, logg-logg, gratis logglogg, invers, kraft, power odds-forhold, Box-Cox, Box-Cox-oddsforholdslinkfunksjoner. Tidligere varians og frekvensvekting. Fast, Pearson Chi-Sq, avvik, og brukerdefinerte dispersjonsspesifikasjoner. Støtte for QML estimering og testing. Quadratic Hill Climbing, Newton-Raphson, IRLS - Fisher Scoring og BHHH estimeringsalgoritmer. Ordinære koeffisient koeffisienter beregnet ved bruk av forventet eller observert Hessian eller det ytre produktet av gradienter. Robuste kovariansestimater ved bruk av GLM, HAC eller HuberWhite metoder. Single Equation Cointegrating Regression Support for tre fullt effektive estimeringsmetoder, Fully Modified OLS (Phillips og Hansen 1992), Canonical Cointegrating Regression (Park 1992) og Dynamic OLS (Saikkonen 1992, Stock og Watson 1993 Engle og Granger (1987) og Phillips og Ouliaris (1990) residual-baserte tester, Hansens (1992b) ustabilitetstest og Parks (1992) tilføyde variablertest. Fleksibel spesifikasjon av trend og deterministiske regressorer i ligningen og samordning av regressorspesifikasjonen. Fullverdig estimering av langvarige avvik for FMOLS og CCR. Automatisk eller fast lagvalg for DOLS-lags og - ledninger og for langvarig varians bleking-regresjon. Avkalkede OLS og robuste standardfeilberegninger for DOLS. Brukerdefinert Maksimal sannsynlighet Bruk standard EViews-serieuttrykk for å beskrive logglikelihood-bidragene. Eksempler på multinomial og betinget logit, Box-Cox transformasjonsmodeller, ulikviktskoblingsmodeller, probitmodell s med heteroskedastiske feil, nestet logit, Heckman utvalgsvalg og Weibull hazard modeller. Systemer av ligninger Linjær og ikke-lineær estimering. Minste kvadrater, 2SLS, ligningsvektet estimering, tilsynelatende ikke-relatert regresjon, og tre-trinns minste kvadrater. GMM med hvite og HAC vektingsmatriser. AR estimering ved bruk av ikke-lineære minste kvadrater på en transformert spesifikasjon. Full informasjon Maksimal sannsynlighet (FIML). Anslå strukturelle faktoriseringer i VAR ved å pålegge begrensninger på kort eller lang sikt. Bayesian VARs. Impulsresponsfunksjoner i ulike tabulære og grafiske formater med standardfeil beregnet analytisk eller ved Monte Carlo-metoder. Impulsresponsjokk beregnes fra Cholesky-faktorisering, residualer med en enhet eller en standardavvik (ignorer korrelasjoner), generaliserte impulser, strukturfaktorisering eller en brukerdefinert vektorformularform. Pålegge og teste lineære restriksjoner på kointegreringsrelasjoner og justeringskoeffisienter i VEC-modeller. Se eller generer kointegrerende relasjoner fra estimerte VEC-modeller. Omfattende diagnostikk inkludert: Granger årsakssammenligningstest, fellesforsinkelsestest, laglengdekriterieevaluering, korrelogrammer, autokorrelasjon, normalitet og heteroskedastisitetstesting, kointegrasjonstesting, andre multivariate diagnostikk. Multivariate ARCH Betinget konstant korrelasjon (p, q), Diagonal VECH (p, q), Diagonal BEKK (p, q), med asymmetriske termer. Omfattende parameterisering valg for Diagonal VECHs koeffisient matrisen. Eksogene variabler tillatt i middel - og varians-likningene ikke-lineære og AR-termer tillatt i gjennomsnittlig ligning. Bollerslev-Wooldridge robuste standardfeil. Normal eller Student t multivariant feilfordeling Et utvalg av analytiske eller (raskt eller sakte) numeriske derivater. (Analytics-derivater er ikke tilgjengelige for noen komplekse modeller.) Generer kovarians, varians eller korrelasjon i ulike tabulære og grafiske formater fra estimerte ARCH-modeller. State Space Kalman filter algoritme for å estimere bruker-spesifiserte single - og multiequation strukturelle modeller. Eksogene variabler i tilstandsligningen og fullt parameteriserte variansspesifikasjoner. Generer ett-trinns fremover, filtrert eller utjevnet signaler, tilstander og feil. Eksempler inkluderer tidsvarierende parameter, multivariate ARMA og quasilikelihood stokastiske volatilitetsmodeller. Testing og evaluering Faktisk, montert, gjenværende tomter. Wald tester for lineær og ikke-lineær koeffisient begrenser tillit ellipser som viser felles tillit regionen av noen to funksjoner av estimerte parametere. Andre koeffisientdiagnostikk: standardiserte koeffisienter og koeffisientelastisiteter, konfidensintervaller, variansinfluksjonsfaktorer, koeffisientvariant dekomponeringer. Utelatt og overflødige variabler LR-tester, rest - og kvadrerte restkorrelogrammer og Q-statistikk, gjenværende seriekorrelasjon og ARCH LM-tester. White, Breusch-Pagan, Godfrey, Harvey og Glejser heteroskedasticitetstester. Stabilitetsdiagnostikk: Chow breakpoint og prognostest, Quandt-Andrews ukjent bruddpunktstest, Bai-Perron bruddpunktstest, Ramsey RESET-tester, OLS rekursiv estimering, påvirkningsstatistikk, innflytelsesplott. ARMA-ligningsdiagnostikk: grafer eller tabeller av de innvendige røttene til AR andor MA karakteristisk polynom, sammenligne det teoretiske (estimerte) autokorrelasjonsmønsteret med det faktiske korrelasjonsmønsteret for de strukturelle residuene, viser ARMA-impulsresponsen til et innovasjonsjokk og ARMA-frekvensen spektrum. Lagre enkelt resultater (koeffisienter, koeffisientkovariansmatriser, residualer, gradienter, etc.) til EViews-objekter for videre analyse. Se også Estimering og systemer av ligninger for ekstra spesialiserte testprosedyrer. Forecasting og simulering Statisk eller dynamisk prognose fra estimerte ligningsobjekter i eller utenfor prøven med beregning av standardfeilen i prognosen. Prognose grafer og prognosevaluering: RMSE, MAE, MAPE, Theil Inequality Coefficient og proporsjoner State-of-the-art modellbyggingsverktøy for multiplikativ prognose og multivariate simulering. Modellekvasjoner kan skrives inn i tekst eller som koblinger for automatisk oppdatering ved ny estimering. Vis avhengighetsstruktur eller endogene og eksogene variabler av ligningene dine. Gauss-Seidel, Broyden og Newton modellløsere for ikke-stokastisk og stokastisk simulering. Ikke-stokastisk fremoverløsning løser for konsistente forventninger. Stochasitc simulering kan bruke bootstrapped residuals. Løs kontrollproblemer slik at endogen variabel oppnår et brukerdefinert mål. Sofistikert likestilling, legg til faktor og overstyr støtte. Administrer og sammenlign flere løsningsscenarier som involverer ulike sett av antagelser. Innebygde modellvisninger og prosedyrer viser simuleringsresultater i grafisk eller tabellform. Grafer og tabeller Linje, punktplot, område, strekk, spike, sesongmessig, paus, xy-line, scatterplots, boxplots, feillinje, høyt lavt åpent og områdeband. Kraftige, brukervennlige kategoriske og oppsummerte grafer. Automatiske oppdateringsgrafer som oppdateres som underliggende dataendring. Observasjonsinfo og verdivisning når du holder markøren over et punkt i grafen. Histogrammer, gjennomsnittsforskyvede historgrammer, frekvenspolyoner, kantfrekvenspolygoner, boxplots, kjernedensitet, tilpassede teoretiske fordelinger, boxplots, CDF, overlevende, kvantil, kvantile-kvantile. Scatterplots med hvilken som helst kombinasjonsparametrisk og nonparametrisk kjernen (Nadaraya-Watson, lokal lineær, lokal polynom) og nærmeste nabo (LOWESS) regresjonslinjer, eller selvtillit ellipser. Interaktiv punkt-og-klikk eller kommandobasert tilpasning. Omfattende tilpasning av graf bakgrunn, ramme, legender, akser, skalering, linjer, symboler, tekst, skyggelegging, fading, med forbedrede grafmalfunksjoner. Tabelltilpasning med kontroll over cellefontsnitt, størrelse og farge, cellebakgrunnsfarge og grenser, sammenslåing og annotasjon. Kopier og lim inn grafer i andre Windows-programmer, eller lag grafikker som vanlige eller forbedrede metafiler i Windows, innkapslede PostScript-filer, bitmap, GIF, PNG eller JPG. Kopier og lim inn tabeller til et annet program eller lagre til en RTF-, HTML - eller tekstfil. Behandle grafer og tabeller sammen i en spoleobjekt som lar deg vise flere resultater og analyser i ett objekt. Kommandoer og programmering Objektorientert kommandospråk gir tilgang til menyelementer. Batch-utførelse av kommandoer i programfiler. Looping og tilstand forgrening, subrutine og makro behandling. String og streng vektorobjekter for strengbehandling. Omfattende bibliotek med streng - og strenglistefunksjoner. Omfattende matrisestøtte: Matriseprofilering, multiplikasjon, inversjon, Kronecker-produkter, egenverdig løsning og singulærverdisnedbrytning. Eksternt grensesnitt og tilleggsprogrammer EViews COM-automasjonsserverstøtte, slik at eksterne programmer eller skript kan starte eller kontrollere EViews, overføre data og utføre EViews-kommandoer. EViews tilbyr COM Automation kundestøtteprogram for MATLAB og R-servere, slik at EViews kan brukes til å starte eller kontrollere applikasjonen, overføre data eller utføre kommandoer. EViews Microsoft Excel Add-in tilbyr et enkelt grensesnitt for henting og linking fra Microsoft Excel (2000 og senere) til serier og matriseobjekter som er lagret i EViews-arbeidsfiler og databaser. EVview-tilleggsinfrastrukturen gir sømløs tilgang til brukerdefinerte programmer ved hjelp av standard EViews-kommandoen, menyen og objektgrensesnittet. Last ned og installer forhåndsdefinerte tillegg fra nettstedet EViews. Hjem Om Kontakt For salgsinformasjon vennligst send e-post salgsvisninger For teknisk support vennligst send e-post supportviews Vennligst ta med serienummeret ditt med all epost korrespondanse. For ytterligere kontaktinformasjon, se vår Om side. Tidsserieanalyse og dens applikasjoner: Med R-eksempler R-tidsserie hurtigreparasjon Siden bruker JavaScript for syntaksutheving. Det er ikke nødvendig å slå den på, men koden blir vanskeligere å lese. Dette er bare en kort spasertur ned tid seRies lane. Mitt råd er å åpne R og spille sammen med opplæringen. Forhåpentligvis har du installert R og funnet ikonet på skrivebordet ditt som ser ut som en R. vel, det er en R. Hvis du bruker Linux, så stopp å se fordi den ikke er der. bare åpne en terminal og skriv inn R (eller installer R Studio.) Hvis du vil ha mer på tidsseriegrafik, spesielt ved hjelp av ggplot2. se grafikk hurtigreparasjonen. Den raske løsningen er ment å utsette deg for grunnleggende R-tidsserieegenskaper og er klassifisert morsomt for folk i alderen 8 til 80. Dette er IKKE ment å være en leksjon i tidsserieanalyse, men hvis du vil ha en, kan du prøve det så kort kurs: loz Baby trinn. Din første R-sesjon. Bli komfortabel, så start henne opp og prøv noe enkelt tillegg: Ok, nå er du en ekspert, bruk R. skulle få astsa nå: Nå som du er lastet, kan vi starte. La oss gå Først, velg med Johnson Amp Johnson datasettet. Den er inkludert i astsa som jj. den dynOmite karakteren fra Good Times. Først, se på det. og du ser at jj er en samling av 84 numre kalt en tidsserieobjekt. Å seeremove dine objekter: Hvis du er en Matlab (eller lignende) bruker, kan du tenke at jj er en 84 ganger 1 vektor, men det er det ikke. Den har rekkefølge og lengde, men ingen dimensjoner (ingen rader, ingen kolonner). R ringer slike objekter vektorer, så du må være forsiktig. I R har matriser dimensjoner, men vektorer gjør det ikke - de er bare dingle rundt i cyberspace. Nå kan vi lage en månedlig tidsserieobjekt som starter i juni i år 2293. Vi går inn i Vortex. Legg merke til at Johnson og Johnson-dataene er kvartalsvise inntekter, og dermed har frekvensen4. Tidsserien zardoz er månedlig data, derfor har den frequency12. Du får også noen nyttige ting med ts-objektet, for eksempel: Prøv nå et plott av Johnson Johnson-dataene: Grafen som vises er litt mer fancy enn koden vil gi. For detaljer, se siden for hurtiggrafikk for grafikk. Dette gjelder for resten av tomtene du vil se her. Prøv disse og se hva som skjer: og mens du er her, sjekk ut plot. ts og ts. plot. Merk at hvis dataene dine er en tidsserieobjekt, vil plot () gjøre trikset (for en enkel tidssplott, det vil si). Ellers vil plot. ts () tvinge grafikken til en tidsplan. Hva med filteringsmoothing Johnson Amp Johnson serien ved hjelp av et tosidig glidende gjennomsnitt. La oss prøve dette: fjj (t) 8539 jj (t-2) frac14 jj (t-1) frac14 jj (t) frac14 jj (t1) 8539 jj t2) og velg en lowess (lowess - du kjenner rutinen) passer for moro skyld. Lar forskjellig de loggede dataene og kalle det dljj. Så godt lek med dljj. Nå er et histogram og en Q-Q-plot, en på toppen av den andre (men på en fin måte): Vi kan sjekke korrelasjonsstrukturen til dljj ved hjelp av ulike teknikker. Først, se på et rutenett av scatterplots of dljj (t) versus lagged values. Linjene har en lavpasform og prøven er blå i esken. Nå kan vi se på ACF og PACF av dljj. Legg merke til at LAG-aksen er i frekvens. så 1,2,3,4,5 tilsvarer lags 4,8,12,16,20 fordi frekvens4 her. Hvis du ikke liker denne typen merking, kan du erstatte dljj i noen av de ovennevnte ved ts (dljj, freq1) f. eks. acf (ts (dljj, freq1), 20) Vi ​​fortsetter å prøve en strukturell nedbrytning av logs (jj) trend sesongfeil ved bruk av lowess. Hvis du vil inspisere residuene, for eksempel, er de i dogtime. series, 3. den tredje kolonnen i den resulterende serien (sesong - og trendkomponentene er i kolonne 1 og 2). Sjekk ut ACF av residuals, acf (dogtime. series, 3) residensene arent white-ikke en gang i nærheten. Du kan gjøre litt (veldig lite) bedre ved å bruke et lokalt sesongvindu, i motsetning til det globale som brukes ved å spesifisere per. Skriv stl for detaljer. Det er også noe som heter StructTS som passer til parametriske strukturelle modeller. Vi bruker ikke disse funksjonene i teksten når vi presenterer strukturell modellering i kapittel 6 fordi vi foretrekker å bruke egne programmer. loz Dette er en god tid å forklare. I det ovennevnte er hunden et objekt som inneholder en mengde ting (teknisk term). Hvis du skriver hunden. Du vil se komponentene, og hvis du skriver oppsummering (hund), får du et lite sammendrag av resultatene. En av hundens komponenter er time. series. som inneholder den resulterende serien (sesongmessig, trend, resten). For å se denne komponenten av objektet hunden. du skriver dogtime. series (og du vil se 3 serier, hvorav den siste inneholder residualene). Og det er historien om. Du vil se flere eksempler som vi beveger oss sammen. Og nå gjør du et problem fra kapittel 2. Skal passe regresjonslogg (jj) betatime alfa 1 Q1 alfa 2 Q2 alfa 3 Q3 alfa 4 Q4 epsilon hvor Qi er en indikator for kvartalet i 1,2,3,4 . Kontroller deretter residuene godt. Du kan se modellmatrisen (med dummyvariablene) på denne måten: Sjekk nå hva som skjedde. Se på et plott av observasjonene og deres monterte verdier: som viser at et plott av dataene med passformen er overbelastet, er ikke verdt cyberspace det tar opp. Men et plott av residualene og ACF av restene er verdt vekten i joules: Gjør de resterene hvite Ignorer 0-lag korrelasjonen, det er alltid 1. Tips: Svaret er nei. så regresjonen ovenfor er nugatory. Så hva er løsningen Beklager, du må ta klassen fordi dette ikke er en leksjon i tidsserier. Jeg advarte deg på toppen. Du må være forsiktig når du trekker tilbake en timeserie på forsinkede komponenter til en annen ved hjelp av lm (). Det er en pakke kalt dynlm som gjør det enkelt å passe forsinket regresjon, og jeg diskuterer det like etter dette eksemplet. Hvis du bruker lm (). så hva du må gjøre er å knytte serien sammen med ts. intersect. Hvis du ikke knytter serien sammen, vil de ikke justeres riktig. Heres et eksempel på å regentere ukentlig kardiovaskulær dødelighet (cmort) på partikkelforurensning (del) til nutidsverdien og forsinket fire uker (ca. en måned). For detaljer om datasettet, se kapittel 2. Pass på at astsa er lastet. Merk: Det var ikke nødvendig å endre navn på lag (del, -4) til del4. det er bare et eksempel på hva du kan gjøre. Et alternativ til det ovennevnte er pakke dynlm som må installeres, selvfølgelig (som vi gjorde for astsa der oppe i begynnelsen). Etter at pakken er installert, kan du gjøre det forrige eksempelet som følger: Vel, det er på tide å simulere. Arbeidshesten for ARIMA-simuleringer er arima. sim (). Her er noen eksempler ingen utgang vises her, så du er alene. Ved å bruke astsa er det enkelt å passe en ARIMA-modell: Du lurer kanskje på forskjellen mellom AIC og AIC ovenfor. For det må du lese teksten eller bare ikke bekymre deg for det fordi det ikke er verdt å ødelegge dagen din og tenke på det. Og ja, de resterene ser hvite ut. Hvis du vil gjøre ARIMA prognoser, er sarima. for inkludert i astsa. Og nå for noen regresjon med autokorrelerte feil. Skal passe til modellen M t alpha betat gammaP t e t hvor M t og P t er mortality (cmort) og partikler (del) - serien, og e t er autokorrelert feil. Først, bruk en OLS og kontroller residualene: Nå passer modellen. Restanalysen (ikke vist) ser perfekt ut. Her er en ARMAX-modell, M t beta 0 phi 1 M t-1 phi 2 M t-2 beta 1 t beta 2 T t-1 beta 3 P t beta 4 P t-4 e t. hvor e t er muligens autokorrelert. Først prøver vi og ARMAX (p2, q0), så se på residuals og innse at det ikke er noen korrelasjon igjen, så ble gjort. Til slutt, en spektralanalyse quicky: Det er alt for nå. Hvis du vil ha mer på tidsseriegrafikk, kan du se siden Hurtigkorrigering for grafikk.