Dynamisch Panel Daten Gleitenden Durchschnitt

Stellen Sie sich vor, Sie haben Daten über die Preise für viele Produkte. Für jedes der Produkte, die Sie wöchentlich Preisinformationen aufzeichnen. Clear set obs 200 gen prodid n Jedes Produkt hat einen einzigartigen Durchschnittspreis gen prodprice rpoisson (5) 7 Sie haben Daten zu Wochenpreisen für 200 Wochen. Erweitern 200 bysort prodid: gen tn label var t Woche Es gibt auch einige saisonale Variation gen saisonale .2sin (pit50) Sowie eine allgemeine Zeit Trend Gen Trend t.005 Die erste Beobachtung ist nicht mit etwas genauer Preis prodprice2.5 Trend korreliert (10) 10 wenn t1 ersetzen Preis prodprice2 Trend saisonale .7pricen-1 .3rpoisson (10) 10 wenn t2 ersetzen Preis prodprice Trend saisonale .5pricen-1 .2pricen-2 .3rpoisson (10) 10 wenn t3 ersetzen Preis prodprice Trend saisonale .3pricen-1 .2pricen-2 .2pricen-3 .3rpoisson (10) 10 wenn t4 ersetzen Preis prodprice Trend saisonale .3pricen-1 .175pricen-2 .125pricen-3 .1pricen-4 .3rpoisson (10) 10 if tgt4 Create Ein globaler globaler Index für den globalen Twograph (line price t, wenn prodid i) twoway twograph, Legende (off) title (wahre Preisentwicklung für erste sechs Produkte) Nun können wir uns vorstellen, dass die oben erzeugten Daten die wahre Preisinformation sind Ist grundsätzlich nicht zu beurteilen. Stattdessen haben Sie mehrere Sammlungen von Daten pro Woche zu Preisen, die jeweils von einigen zufälligen addative Fehler variieren. Erweitern Sie 3 bysort prodid t: gen prodobs n gen pricecollect Preis rnormal () 25 Allerdings haben die Preisinformationen, die Sie haben einige Einträge, die 10 falsch falsch eingegeben wurden. (1, .1) gen scalarerror rnormal () 1 gen Priceobs pricecols (1entryerrorscalarerror) Label var priceobs Aufgezeichneter Preis Darüber hinaus wurden 35 Ihrer Preisdaten nie gesammelt Gen fehlende rbinomial (1, .35) drop, wenn missing1 Erstellen Eine globale zu speichern globalen twograph forv i 16 globalen twograph (line priceobs t, wenn prodid i amp prodobs1) twoway twograph, legend (aus) titel (Beobachtete Preisentwicklung für die ersten sechs Produkte) halten t priceobs prodid entryerror Ich halte Eintrag Fehler in der Datensatz als Vergleichsmittel, obwohl es nicht direkt beobachtet werden würde. Die Frage ist: Können Sie jetzt mit diesem chaotisch Daten erholen Preis Daten, die ähnlich wie die ursprüngliche Die erste Sache, die wir ausnutzen sollten, ist die doppelten aufgezeichneten Daten. Scatter priceobs t, wenn prodid 1, title (es ist einfach, einzelne Abweichungen zu sehen) Es ist einfach, einzelne Abweichungen zu sehen, aber wir wollen nicht durch alle 200 Produkte gehen, um einzeln Preisausreißer zu identifizieren. Wir wollen ein System zur Identifizierung von Ausreißern entwickeln. Lets Erzeugung eines Mittels durch Produkt und Zeit bysort Prodid t: egen pricemean mean (priceobs) Lässt Flagge jede Beobachtung, die 120 größer als der Mittelwert oder 80 weniger als der Mittelwert ist. Gen flag (pricemean gt priceobs1.2 pricemean lt priceobs.8) Lets sehen, wie es funktioniert: zwei (scatter priceobs t, wenn prodid 1) (scatter priceobs t, wenn prodid 1 amp flag1.msymbol (lgx)). Title (Einige Ausreißer können nur mit dem Mittelwert identifiziert werden) Legende (aus) corr flag entryerror Unsere Flagge ist etwa 45 mit den Eintragsfehlern korreliert. Das ist gut, aber wir können es besser machen. Ich schlage vor, dass anstatt nur die Mittel, dass wir einen gleitenden Durchschnitt der Preise zu konstruieren und sehen, wie jeder Eintrag abweicht aus dem Durchschnitt. Das einzige Problem ist, dass der Moving Average-Befehl xtset benötigt und das nur einen Eintrag pro Zeitabschnitt erfordert. So, sage ich, dass wir die Zeitvariable neu skalieren und addieren, als ob aufgezeichnet zu einer anderen Zeit der Woche die Beobachtungszahl. Wir müssen Prodobs neu generieren, da wir nicht wissen, welche Beobachtung bei jedem Produkt fehlt. Bysort prodid t: gen prodobs n gen t2 t4 prodobs xtset setzt die Panel-Datenfeld-ID und Zeitreihenebene. Xtset prodid t2 Der Befehl, den wir verwenden werden, ist tssmooth. Es ist so kodiert, dass durch die Angabe ma bedeutet es gleitenden Durchschnitt und Fenster sagt Stata, wie viele Zeiträume zu zählen und wie viele hinter in der bewegten Luftfahrt. Dieser Befehl kann etwas dauern. Tssmooth ma mapriceobspriceobs, Fenster (23 0 23) 23 ist in der Tat 5 Wochen vor und 5 Wochen dahinter Die 0 sagt Stata nicht inself in diesem Durchschnitt einschließen Der gleitende Durchschnitt zwei (scatter priceobs t, wenn prodid 1) (line mapriceobs t, wenn prodid 1) (Zeile pricemean t, wenn prodid 1). Titel (Der bewegliche Durchschnitt ist weniger anfällig für Ausreißer) Der gleitende Durchschnitt ist stabiler als nur der Zeitmittelwert. Lets try markieren mit dem gleitenden Durchschnitt cap drop flag2 gen flag2 (mapriceobs gt priceobs1.2 mapriceobs lt priceobs.8) zwei (scatter priceobs t, wenn prodid 1) (scatter priceobs t, wenn prodid 1 amp flag21.msymbol (lgx)). Title (Der Moving Average kann auch nützlich sein) Legende (aus) corr flag2 entryerror Drop unsere markierten Daten fallen, wenn flag21 Collapse auf die wöchentliche Ebene collapse priceobs, durch (prodid t) Label var priceobs Durchschnittlicher Preis beobachtet forv i 16 globalen Twograph (Scatter Priceobs t, wenn prodid i) twoway twograph, Legende (off) title (Beobachtete Preisentwicklung für die ersten sechs Produkte) Die Daten sehen viel besser aus, aber wir haben immer noch eindeutig einige unerwünschte Ausreißer. Wir konnten die Cross-Produkt-Trends nutzen, um Ausreißer bei Produktpreisen zu identifizieren. Bysort t: egen aveprice Mittelwert (Priceobs) reg priceobs aveprice wenn prodid 1 vorhergesagt resid1, residual reg priceobs aveprice wenn prodid 2 prognostizieren resid2, residual reg priceobs aveprice, wenn prodid 3 prognose resid3, residual twoway (line resid1 t, wenn prodid 1) (line Priceobs t, wenn prodid 2) (line resid2 t, wenn prodid 2) (Zeile residu t, wenn prodid 2) Title (Die Residuen sind eindeutige Indikatoren für Ausreißer) Legende (off) Schließlich lassen wir Beobachtungen mit Residuen fallen, die größer als 1,5 Standardabweichungen vom Mittelwert sind. Qui forv i1200 reg priceobs aveprice if prodid ich prognostiziere residtemp, residual sum residtemp ersetzen flag ((residtemp-r (mittel) gtr (sd) 1.5 residtemp-r (mittel) drop residtemp Lets sehen, wie es funktioniert: zwei (scatter priceobs t Legende (Aus) Plottenprodukt 1 Preisfeststellung relativ zu Ausreißern globaler Twograph forv i 16 globaler Twograph ((nur), wenn prodid 2 amp flag1.msymbol (lgx) Line Prädikaten t, wenn prodid i) Endgültig fallen die Ausreißer fallen, wenn Flag Ein endgültiger Graph globalen Twograph forv i 16 globalen Twog (Scatter Priceobs t, wenn prodid i) twoway twograph, Legende (off) Titel (Observed Preisentwicklung für die ersten sechs Produkte) Nicht So sauber wie unsere erste Grafik, aber definitiv viel verbessert. Stata: Datenanalyse und statistische Software Nicholas J. Cox, Durham Universität, Großbritannien Christopher Baum, Boston College egen, ma () und seine Einschränkungen Statarsquos am offensichtlichsten Befehl für die Berechnung der gleitenden Durchschnitte ist die Ma () - Funktion von egen. Bei einem Ausdruck wird ein gleitender Durchschnitt für diesen Ausdruck erstellt. Standardmäßig wird als 3. genommen, muss ungerade sein. Allerdings kann, wie der manuelle Eintrag angibt, egen, ma () nicht mit varlist kombiniert werden:. Und aus diesem Grund ist es nicht auf Paneldaten anwendbar. In jedem Fall steht er außerhalb des Satzes von Befehlen, die speziell für Zeitreihen geschrieben werden, siehe Zeitreihen für Details. Alternative Ansätze Zur Berechnung von Bewegungsdurchschnitten für Paneldaten gibt es mindestens zwei Möglichkeiten. Beide hängen davon ab, dass der Dataset vorher tsset wurde. Das ist sehr viel wert: nicht nur können Sie sich immer wieder spezifizieren Panel variabel und Zeit variabel, aber Stata verhält sich intelligent jede Lücken in den Daten. 1. Schreiben Sie Ihre eigene Definition unter Verwendung von Zeitreihenoperatoren wie L. und F. Geben Sie die Definition des gleitenden Durchschnitts als Argument für eine generierte Anweisung an. Wenn Sie dies tun, sind Sie natürlich nicht auf die gleich gewichteten (ungewichteten) zentrierten Bewegungsdurchschnitte beschränkt, die von egen, ma () berechnet wurden. Zum Beispiel würden gleich gewichtete Dreiphasenbewegungsdurchschnitte gegeben und einige Gewichte können leicht angegeben werden: Sie können natürlich einen Ausdruck wie log (myvar) anstelle eines Variablennamens wie myvar angeben. Ein großer Vorteil dieses Ansatzes ist, dass Stata automatisch das Richtige für Paneldaten macht: führende und nacheilende Werte werden in Panels ausgearbeitet, genauso wie Logik diktiert. Der bemerkenswerteste Nachteil ist, dass die Befehlszeile ziemlich lang werden kann, wenn der gleitende Durchschnitt mehrere Begriffe beinhaltet. Ein anderes Beispiel ist ein einseitiger gleitender Durchschnitt, der nur auf vorherigen Werten basiert. Dies könnte nützlich sein für die Erzeugung einer adaptiven Erwartung dessen, was eine Variable nur auf Informationen basieren wird: was könnte jemand prognostizieren für den aktuellen Zeitraum auf der Grundlage der letzten vier Werte, mit einem festen Gewichtungsschema (A 4-Periode Verzögerung sein könnte Besonders gebräuchlich mit vierteljährlichen Zeitreihen.) 2. Verwenden Sie egen, filter () von SSC Verwenden Sie den benutzerdefinierten egen function filter () aus dem egenmore package auf SSC. In Stata 7 (aktualisiert nach dem 14. November 2001) können Sie dieses Paket installieren, nachdem egenmore auf die Details zu filter () hingewiesen hat. Die beiden obigen Beispiele würden gerendert (In diesem Vergleich ist der generierte Ansatz vielleicht transparenter, aber wir sehen ein Beispiel des Gegenteils in einem Moment.) Die Lags sind eine Numliste. Führt zu negativen Verzögerungen: In diesem Fall verlängert sich -11 auf -1 0 1 oder Blei 1, verzögert 0, Verzögerung 1. Die Koeffizienten, eine weitere Numliste, multiplizieren die entsprechenden nacheilenden oder führenden Elemente: In diesem Fall sind diese Elemente F1.myvar . Myvar und L1.myvar. Der Effekt der Normalisierungsoption besteht darin, jeden Koeffizienten durch die Summe der Koeffizienten zu skalieren, so daß die Koeffizienten von 13 13 13 und coef (1 2 1) normalisiert sind, äquivalent zu Koeffizienten von 14 12 14 ist Sie müssen nicht nur die Verzögerungen, sondern auch die Koeffizienten angeben. Da egen, ma () den gleich gewichteten Fall liefert, ist der Hauptgrund für egen, filter (), den ungleich gewichteten Fall zu unterstützen, für den Sie Koeffizienten angeben müssen. Es könnte auch gesagt werden, dass verpflichtende Benutzer Koeffizienten angeben ist ein wenig mehr Druck auf sie zu denken, welche Koeffizienten sie wollen. Die wichtigste Rechtfertigung für gleiche Gewichte ist, wir schätzen, Einfachheit, aber gleiche Gewichte haben miese Frequenzbereich Eigenschaften, um nur eine Erwägung zu erwähnen. Das dritte Beispiel oben könnte entweder von denen ist nur so kompliziert wie die Generierung Ansatz. Es gibt Fälle, in denen egen, filter () eine einfachere Formulierung ergibt als erzeugen. Wenn Sie einen neun-term-Binomialfilter suchen, der von den Klimatologen als nützlich empfunden wird, dann sieht es vielleicht weniger schrecklich aus und ist leichter zurecht zu kommen. Genau wie beim generierten Ansatz funktioniert egen, filter () ordnungsgemäß mit Panel-Daten. Tatsächlich hängt es, wie oben erwähnt, davon ab, daß der Dataset vorher tsset wurde. Eine grafische Spitze Nach der Berechnung Ihrer gleitenden Durchschnitte werden Sie wahrscheinlich einen Graphen betrachten wollen. Der benutzerdefinierte Befehl tsgraph ist schlau um Tsset-Datasets. Installieren Sie es in einem up-to-date Stata 7 von ssc inst tsgraph. Was ist mit der Teilmenge mit if Keine der obigen Beispiele verwenden, wenn Einschränkungen. In der Tat egen, ma () wird nicht zulassen, wenn angegeben werden. Gelegentlich Menschen wollen verwenden, wenn bei der Berechnung der gleitenden Durchschnitte, aber seine Verwendung ist ein wenig komplizierter als es normalerweise ist. Was würden Sie von einem gleitenden Durchschnitt erwarten? Lassen Sie uns zwei Möglichkeiten identifizieren: Schwache Interpretation: Ich möchte keine Ergebnisse für die ausgeschlossenen Beobachtungen sehen. Starke Interpretation: Ich möchte nicht, dass Sie die Werte für die ausgeschlossenen Beobachtungen verwenden. Hier ist ein konkretes Beispiel. Angenommen, infolge einer Bedingung sind die Beobachtungen 1-42 eingeschlossen, aber nicht die Beobachtungen 43 an. Aber der gleitende Durchschnitt für 42 wird unter anderem von dem Wert für die Beobachtung 43 abhängen, wenn der Mittelwert sich nach hinten und vorne erstreckt und eine Länge von mindestens 3 hat, und er wird in einigen Fällen von einigen der Beobachtungen 44 abhängen. Unsere Vermutung ist, dass die meisten Menschen für die schwache Interpretation gehen würde, aber ob das korrekt ist, egen, filter () nicht unterstützt, wenn entweder. Sie können immer ignorieren, was Sie donrsquot wollen oder sogar unerwünschte Werte auf fehlende danach mit replace setzen. Eine Notiz über fehlende Ergebnisse an den Enden der Serie Da gleitende Mittelwerte Funktionen von Lags und Leads sind, erzeugt eMe () fehlende Stellen, wo die Lags und Leads nicht existieren, am Anfang und Ende der Reihe. Eine Option nomiss zwingt die Berechnung der kürzeren, nicht beanspruchten gleitenden Mittelwerte für die Schwänze. Im Gegensatz dazu weder erzeugen noch egen, filter () macht oder erlaubt, etwas Besonderes, um fehlende Ergebnisse zu vermeiden. Wenn einer der für die Berechnung benötigten Werte fehlt, fehlt dieses Ergebnis. Es ist bis zu den Benutzern zu entscheiden, ob und welche Korrekturchirurgie für solche Beobachtungen erforderlich ist, vermutlich nach dem Betrachten des Datensatzes und unter Berücksichtigung aller zugrunde liegenden Wissenschaft, die gebracht werden können, zu tragen. EViews 9.5 Feature-Liste EViews bietet eine breite Palette von leistungsstarken Funktionen für Daten Handhabung, Statistik und ökonometrische Analyse, Prognose und Simulation, Datenpräsentation und Programmierung. Während wir nicht alles auflisten können, bietet die folgende Liste einen Einblick in die wichtigen Funktionen von EViews: Grundlegende Handhabung von numerischen, alphanumerischen (String) und Datums-Wert-Labels. Umfangreiche Bibliothek von Operatoren und statistische, mathematische, Datums - und String-Funktionen. Leistungsfähige Sprache für die Ausdrucksbehandlung und Umwandlung vorhandener Daten über Operatoren und Funktionen. Proben und Probenobjekte erleichtern die Verarbeitung von Teilmengen von Daten. Unterstützung komplexer Datenstrukturen, einschließlich regelmäßig datierter Daten, unregelmäßig datierter Daten, Querschnittsdaten mit Beobachtungskennungen, datierten und undatierten Paneldaten. Mehrseitige Workfiles. EViews native, datenträgerbasierte Datenbanken bieten leistungsstarke Abfragefunktionen und die Integration mit EViews-Workfiles. Konvertieren von Daten zwischen EViews und verschiedenen Tabellenkalkulations-, Statistik - und Datenbankformaten, einschließlich (aber nicht beschränkt auf): Microsoft Access - und Excel-Dateien (einschließlich. XSLX und. XLSM), Gauss-Dataset-Dateien, SAS-Transportdateien, Stata-Dateien, raw formatierten ASCII-Text oder Binärdateien, HTML - oder ODBC-Datenbanken und - Anfragen (ODBC-Unterstützung wird nur in der Enterprise Edition bereitgestellt). OLE-Unterstützung für die Verknüpfung von EViews-Ausgabe einschließlich Tabellen und Grafiken mit anderen Paketen, einschließlich Microsoft Excel, Word und Powerpoint. OLEDB-Unterstützung für das Lesen von EViews-Workfiles und - Datenbanken mit OLEDB-fähigen Clients oder benutzerdefinierten Programmen. Unterstützung für FRED (Federal Reserve Economic Data) Datenbanken. Enterprise Edition Unterstützung für Global Insight DRIPro und DRIBase, Haver Analytics DLX, FAME, EcoWin, Bloomberg, EIA, CEIC, Datastream, FactSet und Moodys Economy Datenbanken. Mit dem EViews Microsoft Excel-Add-In können Sie Daten aus EViews-Arbeitsdateien und - Datenbanken in Excel verknüpfen oder importieren. Drag-and-Drop Unterstützung für das Lesen von Daten einfach Drop-Dateien in EViews für die automatische Konvertierung und Verknüpfung von fremden Daten in EViews workfile-Format. Leistungsstarke Werkzeuge zum Erstellen neuer Workfile-Seiten aus Werten und Daten in bestehenden Serien. Match-Merge, Join, Append, Subset, Größe ändern, sortieren, und neu zu formatieren (Stack und unstack) workfiles. Einfache automatische Frequenzumwandlung beim Kopieren oder Verknüpfen von Daten zwischen Seiten unterschiedlicher Frequenz. Frequenzumwandlung und Matchmerging unterstützen dynamische Aktualisierungen, wenn sich die Daten ändern. Automatische Aktualisierung von Formelserien, die automatisch neu berechnet werden, wenn die zugrunde liegenden Datenänderungen auftreten. Einfach zu bedienende Frequenzumsetzung: Kopieren oder Verknüpfen von Daten zwischen Seiten unterschiedlicher Frequenz. Werkzeuge für die erneute Abtastung und Zufallsgenerierung für die Simulation. Zufallsgenerierung für 18 verschiedene Verteilungsfunktionen mit drei verschiedenen Zufallszahlengeneratoren. Unterstützung für Cloud Drive-Zugriff, so dass Sie öffnen und speichern Sie Datei direkt auf Dropbox, OneDrive, Google Drive und Box-Konten. Zeitreihen-Daten-Handling Integrierte Unterstützung für die Verarbeitung von Daten und Zeitreihen-Daten (sowohl regelmäßige als auch unregelmäßige). Unterstützung für gemeinsame regelmäßige Frequenzdaten (jährlich, halbjährlich, vierteljährlich, monatlich, zweimonatlich, vierzehn Tage, zehn Tage, wöchentlich, täglich - 5 Tage Woche, täglich - 7 Tage Woche). Unterstützung für hochfrequente (Intraday) Daten, so dass Stunden, Minuten und Sekunden Frequenzen. Darüber hinaus gibt es eine Reihe von weniger häufig angetroffenen regelmäßigen Frequenzen, einschließlich Multi-Jahres-, Bimonthly, Fortnight, Zehn-Tag und Daily mit einer beliebigen Reihe von Tagen der Woche. Spezielle Zeitreihenfunktionen und Operatoren: Verzögerungen, Differenzen, Log-Differenzen, gleitende Mittelwerte usw. Frequenzumwandlung: verschiedene High-to-Low - und Low-to-High-Methoden. Exponentielle Glättung: Einzel-, Doppel-, Holt-Winters und ETS-Glättung. Eingebaute Werkzeuge für Whitening Regression. Hodrick-Prescott-Filterung. Bandpass (Frequenz) - Filterung: Baxter-King, Christiano-Fitzgerald feste Länge und Vollspektrum asymmetrische Filter. Saisonbereinigung: Volkszählung X-13, X-12-ARIMA, TramoSeats, gleitender Durchschnitt. Interpolation, um fehlende Werte innerhalb einer Serie zu füllen: Linear, Log-Linear, Catmull-Rom Spline, Kardinal Spline. Statistiken Grunddaten Zusammenfassungen nach Gruppen Zusammenfassungen. Tests der Gleichheit: t-Tests, ANOVA (ausgewogen und unausgeglichen, mit oder ohne heteroskedastische Varianzen), Wilcoxon, Mann-Whitney, Median Chi-Platz, Kruskal-Wallis, van der Waerden, F-Test, Siegel-Tukey, Bartlett , Levene, Brown-Forsythe. Einweg-Tabellierung Cross-Tabulation mit Assoziationsmassnahmen (Phi Coefficient, Cramers V, Contingency Coefficient) und Unabhängigkeitstests (Pearson Chi-Square, Likelihood Ratio G2). Kovarianz - und Korrelationsanalyse einschließlich Pearson, Spearman-Rangordnung, Kendalls tau-a und tau-b sowie Teilanalyse. Hauptkomponentenanalyse einschließlich Scree-Plots, Biplots und Ladeplots sowie gewichtete Komponenten-Score-Berechnungen. Faktoranalyse ermöglicht die Berechnung von Assoziationsmaßen (einschließlich Kovarianz und Korrelation), Eindeutigkeitsschätzungen, Faktorbelastungsschätzungen und Faktorwerten sowie die Durchführung von Schätzdiagnostik und Faktorrotation mit einer von über 30 verschiedenen orthogonalen und schrägen Methoden. Empirische Verteilungsfunktion (EDF) für die Normal-, Exponential-, Extremwert-, Logistik-, Chi-Quadrat-, Weibull - oder Gamma-Verteilungen (Kolmogorov-Smirnov, Lilliefors, Cramer-von Mises, Anderson-Darling, Watson). Histogramme, Frequenzpolygone, Kantenfrequenz-Polygone, Histogramme mit mittlerer Verschiebung, CDF-Survivor-Quantil, Quantil-Quantil, Kerndichte, passende theoretische Verteilungen, Boxplots. Scatterplots mit parametrischen und nichtparametrischen Regressionslinien (LOWESS, lokales Polynom), Kernregression (Nadaraya-Watson, lokales lineares, lokales Polynom). Oder Vertrauensellipsen. Zeitreihe Autokorrelation, partielle Autokorrelation, Kreuzkorrelation, Q-Statistik. Granger Kausalität Tests, einschließlich Panel Granger Kausalität. Einheitswurzeltests: Augmented Dickey-Fuller, GLS transformierten Dickey-Fuller, Phillips-Perron, KPSS, Eliot-Richardson-Stock Point Optimal, Ng-Perron sowie Tests für Einheitswurzeln mit Haltepunkten. Kointegrationstests: Johansen, Engle-Granger, Phillips-Ouliaris, Park addierte Variablen und Hansen-Stabilität. Unabhängigkeitstests: Brock, Dechert, Scheinkman und LeBaron Variance Ratio-Tests: Lo und MacKinlay, Kim Wildbootstrap, Wrights Rang, Ranglisten und Sign-Tests. Wald und mehrere Vergleichs-Varianz-Verhältnis-Tests (Richardson und Smith, Chow und Denning). Langzeit-Varianz und Kovarianzberechnung: symmetrische oder einseitige Langzeitkovarianzen mit nichtparametrischem Kernel (Newey-West 1987, Andrews 1991), parametrischer VARHAC (Den Haan und Levin 1997) und vorgefertigter Kernel (Andrews und Monahan 1992) Verfahren. Darüber hinaus unterstützt EViews Andrews (1991) und Newey-West (1994) automatische Bandbreiten-Selektionsmethoden für Kernel-Schätzer und informationskritische Methoden der Lag-Längenauswahl für VARHAC - und Prewhitening-Schätzungen. Panel und Pool Nach-Gruppen - und by-periodische Statistiken und Tests. Wurzeltests: Levin-Lin-Chu, Breitung, Im-Pesaran-Shin, Fisher, Hadri. Kointegrationstests: Pedroni, Kao, Maddala und Wu. Panel in Serie Kovarianzen und Hauptkomponenten. Dumitrescu-Hurlin (2012) Panel Kausalität Tests. Querschnittsabhängigkeitstests. Schätzung Regression Lineare und nichtlineare gewöhnliche kleinste Quadrate (multiple Regression). Lineare Regression mit PDLs auf beliebig vielen unabhängigen Variablen. Robuste Regression. Analytische Derivate für nichtlineare Schätzung. Gewichtete kleinste Quadrate. White und Newey-West robuste Standardfehler. HAC-Standardfehler können unter Verwendung nichtparametrischer Kernel-, parametrischer VARHAC - und prewhitened-Kernelmethoden berechnet werden und erlauben Andrews und Newey-West automatische Bandbreitenauswahlverfahren für Kernelschätzer und auf Informationskriterien basierende Verzögerungslängenauswahlverfahren für VARHAC und eine Voraufhellungsschätzung. Lineare Quantilregression und kleinste absolute Abweichungen (LAD), einschließlich Hubers Sandwich und bootstrapping Kovarianz Berechnungen. Schrittweise Regression mit sieben verschiedenen Auswahlverfahren. Schwellenwertregression einschließlich TAR und SETAR. ARMA und ARMAX Linear Modelle mit autoregressive gleitenden Durchschnitt, saisonale autoregressive und saisonale gleitende durchschnittliche Fehler. Nichtlineare Modelle mit AR - und SAR-Spezifikationen. Schätzung unter Verwendung der Backcasting-Methode von Box und Jenkins, bedingte kleinste Quadrate, ML oder GLS. Fraktionell integrierte ARFIMA Modelle. Instrumental-Variablen und GMM Lineare und nichtlineare zweistufige kleinste squaresinstrumental Variablen (2SLSIV) und generalisierte Methode der Moments (GMM) Schätzung. Lineare und nichtlineare 2SLSIV-Schätzung mit AR - und SAR-Fehlern. Limited Information Maximum Likelihood (LIML) und K-Klasse Schätzung. Breite Palette von GMM-Gewichtungsmatrix-Spezifikationen (White, HAC, User-provided) mit Kontrolle über die Gewichtsmatrix-Iteration. Die GMM-Schätzoptionen umfassen eine kontinuierliche Aktualisierung (CUE) und eine Vielzahl von neuen Standardfehleroptionen, einschließlich Windmeijer-Standardfehlern. IVGMM spezifische Diagnosen umfassen Instrument Orthogonality Test, einen Regressor Endogeneity Test, einen Weak Instrument Test und einen GMM spezifischen Breakpoint Test. ARCHGARCH GARCH (p, q), EGARCH, TARCH, Komponente GARCH, Power ARCH, Integriertes GARCH. Die lineare oder nichtlineare mittlere Gleichung kann ARCH - und ARMA-Terme umfassen, sowohl die Mittel - als auch die Varianzgleichungen erlauben exogene Variablen. Normal, Schüler t und generalisierte Fehlerverteilungen. Bollerslev-Wooldridge robuste Standardfehler. In - und Out-of-Prognosen der bedingten Varianz und der mittleren und permanenten Komponenten. Begrenzte abhängige Variable Modelle Binäre Logit, Probit und Gompit (Extremwert). Bestellt Logit, Probit und Gompit (Extremwert). Zensierte und trunkierte Modelle mit normalen, logistischen und extremen Wertfehlern (Tobit, etc.). Count-Modelle mit Poisson-, negativen Binomial - und Quasi-Maximum-Likelihood-Spezifikationen (QML). Heckman Auswahlmodelle. HuberWhite robuste Standardfehler. Count-Modelle unterstützen generalisierte lineare Modelle oder QML-Standardfehler. Hosmer-Lemeshow und Andrews Goodness-of-Fit-Test für binäre Modelle. Einfache Einsparung von Ergebnissen (einschließlich verallgemeinerter Residuen und Farbverläufe) zu neuen EViews Objekten zur weiteren Analyse. Eine allgemeine GLM-Schätzmaschine kann verwendet werden, um mehrere dieser Modelle abzuschätzen, wobei die Möglichkeit besteht, robuste Kovarianzen einzuschließen. Panel DataPooled Zeitreihen, Querschnittsdaten Lineare und nichtlineare Schätzungen mit additivem Querschnitt und periodischen oder zufälligen Effekten. Wahl der quadratischen unvoreingenommene Schätzer (QUEs) für Komponentenabweichungen in zufälligen Effektenmodellen: Swamy-Arora, Wallace-Hussain, Wansbeek-Kapteyn. 2SLSIV Schätzung mit Querschnitt und Periodenfixe oder zufällige Effekte. Schätzung mit AR-Fehlern unter Verwendung nichtlinearer Kleinstquadrate auf einer transformierten Spezifikation Verallgemeinerte kleinste Fehlerquadrate, generalisierte 2SLSIV-Schätzung, GMM-Schätzung, die Querschnitts - oder Perioden-heteroskedastische und korrelierte Spezifikationen erlaubt. Lineare dynamische Panel Datenschätzung mit ersten Differenzen oder orthogonalen Abweichungen mit Perioden-spezifische Instrumente (Arellano-Bond). Panel Serielle Korrelationstests (Arellano-Bond). Robuste Standardfehlerberechnungen beinhalten sieben Typen von robusten White - und Panel-korrigierten Standardfehlern (PCSE). Prüfung von Koeffizientenbeschränkungen, weggelassenen und redundanten Variablen, Hausman-Test für korrelierte Zufallseffekte. Levin-Lin-Chu, Breitung, Im-Pesaran-Shin, Fisher-Tests mit ADF - und PP-Tests (Maddala-Wu, Choi), Hadri. Panel-Kointegrationsschätzung: Vollständig modifizierte OLS (FMOLS, Pedroni 2000) oder Dynamic Ordinary Least Squares (DOLS, Kao und Chaing 2000, Mark und Sul 2003). Pooled Mean Group (PMG) - Schätzung. Verallgemeinerte lineare Modelle Normal, Poisson, Binomial, Negativ Binomial, Gamma, Invers Gaussian, Exponentielle Mena, Power Mean, Binomial Quadratische Familien. Identität, Log, Log-Komplement, Logit, Probit, Log-Log, kostenlos Log-Log, Inverse, Leistung, Macht Odds Ratio, Box-Cox, Box-Cox Odds Ratio Link-Funktionen. Vorherige Varianz und Frequenzbewertung. Fixed, Pearson Chi-Sq, Abweichung und benutzerdefinierte Dispersion Spezifikationen. Unterstützung für QML-Schätzung und - Tests. Quadratische Hill Climbing, Newton-Raphson, IRLS - Fisher Scoring und BHHH Schätzalgorithmen. Ordentliche Koeffizientenkovarianzen, die unter Verwendung des erwarteten oder beobachteten Hessischen oder des äußeren Produkts der Gradienten berechnet wurden. Robuste Kovarianz Schätzungen mit GLM, HAC oder HuberWhite Methoden. Einzelne Gleichung Kointegrierende Regression Unterstützung von drei voll effizienten Schätzmethoden, Vollständig modifizierte OLS (Phillips und Hansen 1992), Canonical Cointegration Regression (Park 1992) und Dynamic OLS (Saikkonen 1992, Stock und Watson 1993, Engle und Granger (1987) und Phillips Ouliaris (1990) Residualtests, Hansens (1992b) Instabilitätstest und Parks (1992) fügten Variablentests hinzu Flexible Spezifikation des Trends und der deterministischen Regressoren in der Gleichung und der Kointegrationsregressoren Spezifikation Vollständige Schätzung langfristiger Abweichungen für FMOLS und CCR Automatische oder feste Verzögerungsauswahl für DOLS-Verzögerungen und - Leads und für Langzeit-Varianz-Whitening-Regression Rescaled OLS und robuste Standardfehlerberechnungen für DOLS Benutzerdefinierte Maximum Likelihood Verwenden Sie Standard-EViews-Reihenausdrücke, um die Log-Likelihood-Beiträge zu beschreiben. Beispiele für multinomiale und bedingte Logit-, Box-Cox-Transformationsmodelle, Ungleichgewichts-Switching-Modelle, Probit-Modelle mit heteroskedastischen Fehlern, verschachteltes Logit, Heckman-Probenselektion und Weibull-Hazard-Modelle. Gleichungssysteme Lineare und nichtlineare Schätzung. Least Quadrate, 2SLS, gewichtete Gleichung Schätzung, Scheinbar Unrelated Regression und Three-Stage Least Squares. GMM mit Weiß - und HAC-Gewichtungsmatrizen. AR-Schätzung unter Verwendung von nichtlinearen kleinsten Quadraten auf einer transformierten Spezifikation. Vollständige Informationen Maximum Likelihood (FIML). Schätzen Sie die Strukturfaktoren in VARs, indem Sie kurz - oder langfristige Einschränkungen vorschreiben. Bayessche VARs. Impulsantwortfunktionen in verschiedenen tabellarischen und grafischen Formaten mit analytisch berechneten Standardfehlern oder nach Monte Carlo Methoden. Impulsantwort-Schocks, berechnet aus Cholesky-Faktorisierung, Ein-Einheits - oder Ein-Standard-Abweichungsresten (ignorierende Korrelationen), generalisierte Impulse, strukturelle Faktorisierung oder eine benutzerdefinierte Vektormatrixform. Implizieren und testen Sie lineare Einschränkungen der Kointegrationsbeziehungen und Korrekturkoeffizienten in VEC-Modellen. Betrachten oder erzeugen Kointegrationsbeziehungen aus geschätzten VEC-Modellen. Umfangreiche Diagnostik einschließlich: Granger-Kausalitätstests, Joint-Lag-Ausschluss-Tests, Lag-Längenkriterienbewertung, Korrelogramme, Autokorrelation, Normalitäts - und Heteroskedastitätstests, Kointegrationstests, andere multivariate Diagnostik. Multivariate ARCH Bedingte Konstante Korrelation (p, q), Diagonale VECH (p, q), Diagonale BEKK (p, q) mit asymmetrischen Ausdrücken. Umfangreiche Parametrierung für die Diagonal-VECHs-Koeffizientenmatrix. Exogene Variablen, die in den Mittel - und Varianzgleichungen nichtlineare und AR-Terme in den mittleren Gleichungen erlaubt sind. Bollerslev-Wooldridge robuste Standardfehler. Normal oder Studenten t multivariate Fehlerverteilung Eine Auswahl analytischer oder (schneller oder langsamer) numerischer Ableitungen. (Analysis-Derivate nicht verfügbar für einige komplexe Modelle.) Generieren Sie Kovarianz, Varianz oder Korrelation in verschiedenen tabellarischen und grafischen Formaten aus geschätzten ARCH-Modelle. State Space Kalman-Filteralgorithmus zur Schätzung von benutzerdefinierten Einzel - und Multiequationsstrukturmodellen. Exogene Variablen in der Zustandsgleichung und vollständig parametrisierte Varianzangaben. Generieren Sie schrittweise, gefilterte oder geglättete Signale, Zustände und Fehler. Beispiele umfassen zeitveränderliche Parameter, multivariate ARMA und quasilikelihood stochastische Volatilitätsmodelle. Testen und Auswerten Tatsächliche, gepaßte, Restplots. Wald-Tests für lineare und nichtlineare Koeffizienten-Beschränkungen Vertrauens-Ellipsen, die den gemeinsamen Vertrauensbereich von zwei beliebigen Funktionen geschätzter Parameter zeigen. Andere Koeffizientendiagnostik: standardisierte Koeffizienten und Koeffizientenelastizitäten, Konfidenzintervalle, Varianzinflationsfaktoren, Koeffizientenvarianzzerlegungen. Ausgelassene und redundante Variablen LR-Tests, residuale und quadratische Restkorrelogramme und Q-Statistiken, Rest-Serienkorrelation und ARCH-LM-Tests. Weiß, Breusch-Heide, Godfrey, Harvey und Glejser Heteroskedastizitätstests. Stabilitätsdiagnostik: Chow-Breakpoint - und Prognosetests, Quartett-Andrews unbekannter Breakpoint-Test, Bai-Perron-Breakpoint-Tests, Ramsey-RESET-Tests, OLS-rekursive Schätzungen, Einflussstatistiken, ARMA-Gleichungsdiagnose: Graphen oder Tabellen der inversen Wurzeln des AR - und MA-charakteristischen Polynoms, Vergleichen des theoretischen (geschätzten) Autokorrelationsmusters mit dem tatsächlichen Korrelationsmuster für die Strukturreste, Anzeige der ARMA-Impulsantwort auf einen Innovationsschock und die ARMA-Frequenz Spektrum. Einfache Einsparung von Ergebnissen (Koeffizienten, Koeffizienten-Kovarianzmatrizen, Residuen, Gradienten usw.) an EViews-Objekte zur weiteren Analyse. Siehe auch Schätzung und Systeme von Gleichungen für zusätzliche spezielle Prüfverfahren. Prognose und Simulation In - oder out-of-sample statische oder dynamische Prognose aus geschätzten Gleichungsobjekten mit Berechnung des Standardfehlers der Prognose. RMSE, MAE, MAPE, Theil Inequality Koeffizient und Proportionen State-of-the-Art Modellierungswerkzeuge für multiple Gleichungsvorhersage und multivariate Simulation. Modellgleichungen können in Text oder als Links zur automatischen Aktualisierung bei Neuschätzung eingegeben werden. Zeigen Sie die Abhängigkeitsstruktur oder die endogenen und exogenen Variablen Ihrer Gleichungen an. Gauss-Seidel, Broyden und Newton Modelllöser für nicht-stochastische und stochastische Simulation. Nicht-stochastische Forward-Lösung für Modell konsistente Erwartungen lösen. Stochasitc Simulation kann bootstrapped Residuen verwenden. Lösen Sie Steuerprobleme, so dass endogene Variable ein benutzerdefiniertes Ziel erreicht. Ausgereifte Gleichungsnormierung, Add-Faktor und Override-Unterstützung. Verwalten und vergleichen Sie mehrere Lösungsszenarien mit verschiedenen Sätzen von Annahmen. Eingebaute Modellansichten und - prozeduren zeigen Simulationsergebnisse in grafischer oder tabellarischer Form an. Graphen und Tabellen Zeilen, Punkte, Flächen, Balken, Spikes, saisonale, Kuchen, xy-Linien, Scatterplots, Boxplots, Fehlerbalken, High-Low-Open-Close und Area-Band. Leistungsstarke, einfach zu bedienende kategorische und summarische Graphen. Automatische Aktualisierung von Graphen, die als Basisdatenänderung aktualisiert werden. Beobachtungsinfo und Werteanzeige, wenn Sie den Cursor über einen Punkt in der Grafik bewegen. Histogramme, durchschnittlich verschobene Historien, Frequenzpolyone, Kantenfrequenzpolygone, Kastenplots, Kerndichte, passende theoretische Verteilungen, Boxplots, CDF, Überlebender, Quantil, Quantil-Quantil. Scatterplots mit beliebigen Kombinationen parametrischer und nichtparametrischer Kernel (Nadaraya-Watson, lokales lineares, lokales Polynom) und benachbarten LOWESS-Regressionslinien oder Vertrauensellipsen. Interaktive Point-and-Click - oder Befehls-basierte Anpassung. Umfangreiche Anpassung von Graphen Hintergrund, Rahmen, Legenden, Achsen, Skalierung, Linien, Symbole, Text, Schattierung, Fading, mit verbesserten Grafik-Vorlage Features. Tabelle Anpassung mit Kontrolle über Zelle Schriftart Gesicht, Größe und Farbe, Zellhintergrundfarbe und - grenzen, Verschmelzung und Annotation. Kopieren und Einfügen von Graphen in andere Windows-Anwendungen oder Speichern von Graphen als reguläre oder erweiterte Metadateien, gekapselte PostScript-Dateien, Bitmaps, GIFs, PNGs oder JPGs. Kopieren und Einfügen von Tabellen in eine andere Anwendung oder Speichern in einer RTF-, HTML - oder Textdatei. Verwalten von Graphen und Tabellen in einem Spool-Objekt, mit dem Sie mehrere Ergebnisse und Analysen in einem Objekt anzeigen können Kommandos und Programmierung Objektorientierte Befehlssprache bietet Zugriff auf Menüpunkte. Batch-Ausführung von Befehlen in Programmdateien. Schleife und Zustand Verzweigung, Subroutine und Makro-Verarbeitung. String und String Vektorobjekte für die Stringverarbeitung. Umfangreiche Bibliothek von String - und String-Listen-Funktionen. Umfangreiche Matrixunterstützung: Matrixmanipulation, Multiplikation, Inversion, Kronecker-Produkte, Eigenwertlösung und Singulärwertzerlegung. Externe Schnittstelle und Add-Ins EViews Unterstützung des COM-Automatisierungsservers, so dass externe Programme oder Skripte EViews starten oder steuern, Daten übertragen und EViews-Befehle ausführen können. EViews bietet eine COM-Automation-Client-Support-Anwendung für MATLAB - und R-Server, so dass EViews verwendet werden kann, um die Anwendung zu starten oder zu steuern, Daten zu übertragen oder Befehle auszuführen. Das Excel-Add-In von EViews bietet eine einfache Schnittstelle zum Abrufen und Verknüpfen von Microsoft Excel (2000 und höher) zu in EViews-Workfiles und - Datenbanken gespeicherten Serien - und Matrixobjekten. Die EViews Add-Ins-Infrastruktur bietet nahtlosen Zugriff auf benutzerdefinierte Programme mit dem Standard-EViews-Befehl, Menü und Objektschnittstelle. Laden und installieren Sie vordefinierte Add-Ins von der EViews-Website. Home ÜberKontakt Für Verkaufsinformationen bitte email saleseviews Für technischen Support mailen Sie bitte Supportsviews Bitte geben Sie Ihre Seriennummer mit allen E-Mail-Korrespondenz ein. Weitere Kontaktinformationen finden Sie auf unserer Seite.