タグ付けされた質問 「cointegration」

5
Rの時系列「クラスタリング」
時系列データのセットがあります。各シリーズは同じ期間をカバーしますが、各時系列の実際の日付がすべて正確に「揃っている」わけではありません。 つまり、時系列が2Dマトリックスに読み込まれる場合、次のようになります。 date T1 T2 T3 .... TN 1/1/01 100 59 42 N/A 2/1/01 120 29 N/A 42.5 3/1/01 110 N/A 12 36.82 4/1/01 N/A 59 40 61.82 5/1/01 05 99 42 23.68 ... 31/12/01 100 59 42 N/A etc 時系列{T1、T2、... TN}を「家族」に分離するRスクリプトを記述します。ここで、家族とは、「共感して移動する傾向がある」一連のシリーズとして定義されます。 「クラスタリング」の部分では、一種の距離測定を選択/定義する必要があります。私は時系列を扱っているため、これをどのように行えばよいのかよくわかりません。1つの間隔で同情的に移動する可能性のある一連のシリーズは、後続の間隔ではそうなりません。 ここにいるよりもはるかに経験豊富で賢い人がいると確信しているので、距離測定に使用するアルゴリズム/ヒューリスティックに関する提案、アイデア、および時系列のクラスタリングでそれを使用する方法に関するアイデアに感謝します。 私の推測では、これを行うための確固たる統計的方法は確立されていないので、統計学者のように考えて、人々がこの問題にどのようにアプローチ/解決するのか非常に興味があります。

9
なぜベクトル誤差補正モデルを使用するのですか?
Vector Error Correction Model(VECM)について混乱しています。 技術的背景: VECMは、統合された多変量時系列にベクトル自己回帰モデル(VAR)を適用する可能性を提供します。教科書では、VARを統合時系列に適用する際にいくつかの問題を挙げていますが、その中で最も重要なのは、いわゆるスプリアス回帰です(t統計は非常に重要であり、変数間に関係はありませんがR ^ 2が高い)。 VECMを推定するプロセスは、おおよそ次の3つのステップで構成されていますが、混乱を招く1つは最初のステップです。 統合された多変量時系列のVARモデルの仕様と推定 尤度比検定を計算して、共和分関係の数を決定します 共和分数を決定した後、VECMを推定します 最初のステップでは、適切な数のラグを使用してVARモデルを推定し(通常の適合度基準を使用)、残差がモデルの仮定に対応しているかどうか、つまり、シリアル相関と不均一分散がなく、残差が正規分布していることを確認します。そのため、VARモデルが多変量時系列を適切に記述しているかどうかを確認し、記述している場合にのみ次のステップに進みます。 そして今私の質問に:VARモデルがデータをうまく記述しているのなら、なぜVECMが必要なのですか?私の目標が予測を生成することである場合、VARを推定して仮定をチェックするだけでは十分ではありませんか?また、それらが満たされている場合は、このモデルを使用しますか?

2
不規則な間隔の時系列に対して共和分モデルが存在しますか?
不規則な時系列での共和分を計算する方法が明確ではありません(VECMでヨハンセン検定を使用するのが理想的です)。私の当初の考えは、シリーズを正規化し、欠損値を補間することでしたが、推定に偏りがあるかもしれません。 このテーマに関する文献はありますか?

1
Engle–Granger 2ステップ法を使用して、2つの時系列間の共積分をテストします
2つの時系列間の共和分をテストしようとしています。両方のシリーズには、約3年にわたる週次データがあります。 Engle-Granger Two Step Methodをやろうとしています。私の操作の順序は次のとおりです。 Augmented Dickey-Fullerを介してユニットルートの各時系列をテストします。 両方に単位根があると仮定し、OLSを介して関係の線形近似を見つけます。次に、一連の残差を作成します。 Augmented Dickey-Fullerを介してユニットルートの残差をテストします。 3の結果により、共和分を終了します(またはしない)。 質問: この方法は大丈夫ですか?(私は学部生であり、データを正当な方法で分析したいと考えています。必ずしも最も厳密な既知の方法でデータを分析する必要はありません。) ステップ1で1つのシリーズが ADFを使用して帰無仮説を拒否できない(したがって、単位根がない)場合、1つのデータセットが非定常であるため、2つのシリーズは共和化しないと結論付けるのは合理的ですか?私はそうは思わないだろうが、私は確信したい。 両方のデータセットは「確率論的」に見えるため、OLSを使用して関係を測定して残差を取得することが適切かどうか疑問に思っています。

2
ヨハンセン共和分検定を実行するときにラグを選択する正しい手順は何ですか?
2つの時系列のJohansen Cointegrationテストを実行する場合(単純な場合)、使用する遅延を決定する必要があります。さまざまなラグに対してテストを実行すると、さまざまな結果が返されます。一部のラグレベルでは帰無仮説を拒否できますが、その他の場合は拒否できません。 私の質問は、入力データに基づいて、ヨハンセンテストを実行するときに使用する必要がある遅延を決定するための正しい方法は何ですか? psこの質問をquant.stackexchangeに提出しましたが、一部の人はこのグループにより適していると提案しました。

3
偽の時系列回帰について学習するためのリソース
「時系列の文脈での」「偽の回帰」およびユニットルートテストなどの関連用語は、よく聞いたことがあるが、理解できなかった。 なぜ/いつ、直感的に発生するのですか?(私はあなたの2つの時系列が共積分されたときだと思います。つまり、2つの線形結合は定常的ですが、共積分が偽りにつながる理由はわかりません。)それを避けるために何をしますか? 共積分/単位根テスト/グレンジャーの因果関係がスプリアス回帰とどのような関係があるかについての高レベルの理解を求めています(これらの3つは、スプリアス回帰に何らかの形で関連していることを覚えていますが、正確には覚えていません)。したがって、カスタム応答または詳細を参照できる参照へのリンクのいずれかがすばらしいでしょう。

1
共和合のヨハンセン検定
私はヨハンセン検定を使用して共和分をテストしています。テスト結果の解釈方法などの質問を見てきましたが、私の解釈では疑問がいくつかあります。r = 3からの私の結果では4.10 < 10.49、静止したシリーズを形成することはできません。これは、R = 2およびr = 1のしかしに対して同じであるr = 0、86.12 > 59.14ので、固定の組み合わせがあります。 しかしr = 0、共積分ベクトルがゼロであることを意味します。それは私のデータが相互統合されておらず、したがってVECMを構築できないことを意味しますか? 以下に私の結果を見つけてください。 > cointegration <- ca.jo(Canada, type="trace",ecdet="trend",spec="transitory") > summary(cointegration) ###################### # Johansen-Procedure # ###################### Test type: trace statistic , with linear trend in cointegration Eigenvalues (lambda): [1] 4.483918e-01 2.323995e-01 1.313250e-01 4.877895e-02 -1.859499e-17 Values of teststatistic …

1
Johansenメソッドを使用して共積分ベクトルを取得する
私はより良いヨハンセンの方法を理解しようとしているので、 3つのプロセスがある、Likelihood-Based-Inference-Cointegrated-Autoregressive-Econometricsという本によって与えられた例3.1を開発しました。 バツ1 トン= ∑i = 1tε1 i+ ϵ2 トンX1t=∑i=1tϵ1i+ϵ2tX_{1t} = \sum_{i=1}^t \epsilon_{1i} + \epsilon_{2t} X2t=α∑i=1tϵ1i+ϵ3tX2t=α∑i=1tϵ1i+ϵ3t X_{2t} = \alpha \sum_{i=1}^t \epsilon_{1i} + \epsilon_{3t} X3t=ϵ4tX3t=ϵ4t X_{3t} = \epsilon_{4t} したがって、共積分ベクトルは[a、-1、0]と[0、0 1]になるはずですが、ヨハンセン法を実行すると、それらを取得できません。 私が試しているコードは次のとおりです: import numpy as np import matplotlib.pyplot as plt import pandas as pd from statsmodels.tsa.stattools import adfuller from statsmodels.tsa.johansen import coint_johansen …

2
共積分データのレベルでのVAR
私は、「最近の作業」がVARモデルを生データI(1)で使用できることを示しているが、共積分が必要であることを表すいくつかの論文を読みました。これは、VARモデリングのデータを差異化する理由がないことを意味します。これに関する紙の参照はありますか?

2
共和分検定統計量が与えられた場合、共和分について何らかの結論を下すことができますか?
一般に、共和分検定統計ことを示すことができます。これはすべての共和分テストに当てはまると私は信じているので、使用される特定のテストはおそらく無関係です。A 、B ≠ B 、AA,B≠B,AA, B \ne B,A ただし、2つのテスト統計は一般に「近い」ことがわかりました。2つのテスト統計は同じ信頼水準になります。 私の作業では、共和分をテストする一般的な方法は、2つの系列(残差系列)の線形結合の単位根をテストすることです。一般的には、ADFテストを使用してそれを行い、結果のテスト統計を帰無仮説を棄却するために必要な信頼水準と比較します。 私の質問: との比較について言えることはありますか?c o i n t (B 、A )coint(A,B)coint(A,B)coint(A,B)coint(B,A)co私んt(B、あ)coint(B,A) 1つの変数の向きを他の向きよりも優先する説得力のある技術的な理由はありますか? 1または2に対する答えは、使用された共和分検定に固有ですか?もしそうなら、私が上で概説した共和分テスト方法論に特に関連するものはありますか? ありがとう。 編集: リクエストされたとおりの例です。私はほとんどの統計作業にPythonを使用しています。 最初の線形結合(AKA残留シリーズ)のためのADF検定統計量であり、-35.9199966497及び-35.7190914946第二の線形結合のために。 明らかにこれはかなり極端な例ですが、他にもたくさんあります。 グラフのプロットの順序: 残差シリーズ1 最適なライン、(x、y)方向の散布図。 残差シリーズ2 最適なライン、(y、x)方向の散布図。 2つの生の曲線のグラフ。 うまくいけば、これで問題が解決します。
弊社のサイトを使用することにより、あなたは弊社のクッキーポリシーおよびプライバシーポリシーを読み、理解したものとみなされます。
Licensed under cc by-sa 3.0 with attribution required.