Imagine que você tem dados sobre preços para muitos produtos. Para cada um dos produtos você grava informações de preços semanais. Clear set obs 200 gen prodid n Cada produto tem um preço médio único gen prodprice rpoisson (5) 7 Você tem dados sobre preços semanais por 200 semanas. Expandir 200 bysort prodid: gen tn etiqueta var t Semana Há também alguma variação sazonal variação sazonal .2sin (pit50) Assim como uma tendência geral do tempo tendência gen t.005 A primeira observação não está correlacionada com nada gen preço prodprice2.5 tendência Rpoisson (10) 10 se t1 substituir preço prodprice2 tendência sazonal .7pricen-1 .3rpoisson (10) 10 se t2 substituir preço prodprice tendência sazonal .5pricen-1 .2pricen-2 .3rpoisson (10) 10 se t3 substituir preço prodprice tendência sazonal .3pricen-1 .2pricen-2 .2pricen-3 .3rpoisson (10) 10 se t4 substituir preço prodprice tendência sazonal .3pricen-1 .175pricen-2 .125pricen-3 .1pricen-4 .3rpoisson (10) 10 se tgt4 Criar (Globais para armazenar twograph global forv i 16 twograph global (preço de linha t se prodid i) twograph twoway, legenda (off) título (Verdadeira tendências de preços para os primeiros seis produtos) Agora vamos imaginar que os dados acima gerados é a verdadeira informação de preços que É fundamentalmente inobservável. Em vez disso, você tem várias coleções de dados por semana sobre os preços que cada variam por algum erro addative aleatório. Expand 3 bysort prodid t: gen prodobs n gen preço pricecollect rnormal () 25 No entanto, as informações de preço que você tem tem algumas entradas que 10 foram erroneamente inseridas incorretas. (1, .35) drop if missing1 Criar (1, .35) dropdowns (1, .35) Um globabl para armazenar twograph global forv i 16 global twograph (linha priceobs t se prodid i amp prodobs1) twoway twograph, lenda (off) título (Observou tendências de preços para os primeiros seis produtos) manter t priceobs prodid entryerror Estou mantendo erro de entrada no Conjunto de dados como meio de comparação, embora não seja observado diretamente. A questão é: você pode agora com este dados confusos recuperar dados de preços que é semelhante ao original A primeira coisa que devemos explorar é a duplicação de dados gravados. (É fácil ver desvios individuais) É fácil ver desvios individuais, mas não queremos percorrer todos os 200 produtos para identificar individualmente os valores de preço. Nós queremos vir acima com um sistema para identificar outliers. Vamos gerar uma média por produto e tempo bysort prodid t: egen pricemean mean (priceobs) Permite sinalizar qualquer observação que é 120 maior do que a média ou 80 menos do que a média. Vamos ver como ele está funcionando: dois (scatter priceobs t se prodid 1) (scatter priceobs t se prodid 1 amp flag1. Msymbol (lgx)). Title (Alguns dos outliers podem ser identificados apenas olhando para a média) legend (off) corr flag entryerror Nossa bandeira é correlacionada cerca de 45 com os erros de entrada. Isso é bom, mas podemos fazer melhor. Proponho que em vez de usar apenas a média que nós construímos uma média móvel de preços e ver como cada entrada desvia da média. O único problema é que o comando de média móvel requer xtset e que requer apenas uma entrada por período de tempo. Então, eu digo que nós redimensionamos a variável de tempo e adicionamos como se registradas em um horário diferente da semana o número de observação. Precisamos de gerar novos prodobs uma vez que não sabemos qual observação está faltando em cada produto. Bysort prodid t: prodobs gen gen t2 t4 prodobs xtset define o painel painel de dados id e nível de série de tempo. Xtset prodid t2 O comando que vamos usar é tssmooth É codificado de tal forma que especificando ma significa média móvel e janela diz Stata quantos períodos de tempo para contar à frente e quantos atrás no movimento aerage. Este comando pode demorar um pouco. Tssmooth ma mapriceobspriceobs, janela (23 0 23) 23 está em vigor 5 semanas à frente e 5 semanas atrás O 0 diz stata não incluir inself nessa média A média móvel dois (scatter priceobs t se prodid 1) 1) (linha pricemean t se prodíd 1). A média móvel é mais estável do que apenas a média do tempo. Vamos tentar sinalizar usando a média móvel queda flag2 flag2 (mapriceobs gt priceobs1.2 mapriceobs lt priceobs.8) dois (scatter priceobs t se prodid 1) (scatter priceobs t se prodid 1 amp flag21. Msymbol (lgx)). Title (A Média Móvel também pode ser útil) legenda (desligado) corr flag2 entryerror Largar os dados sinalizados drop if flag21 Colapso ao nível semanal colapso priceobs, por (prodid t) label var priceobs Preço médio observado para i 16 global twograph (scatter (Observado tendências de preços para os primeiros seis produtos) Os dados estão procurando muito melhor, mas ainda temos claramente alguns outliers indesejados. Poderíamos aproveitar as tendências de produtos cruzados para ajudar a identificar valores atípicos dentro dos preços dos produtos. (Por exemplo, por exemplo, por exemplo, por exemplo, por exemplo, por exemplo, por exemplo, por exemplo, por exemplo, (Se o produto é prodíd 2) (line price 3) se o prodid 2) (linha resid3 t se prodid 3) (priceobs t se prodid 3). Título (Os resíduos são indicadores claros de outliers) legenda (off) Finalmente, vamos deixar cair observações com resíduos que são maiores que 1,5 desvios padrão da média. Qui forv i1200 reg priceobs aveprice se prodid i predict residtemp, residual sum residtemp substituir flag ((residtemp-r (média) gtr (sd) 1.5 residtemp-r (média) drop residtemp Vamos ver como ele está funcionando: dois (scatter priceobs t Se prodid 2) (scatter priceobs t se prodid 2 amp flag1. Msymbol (lgx)) title (Agora apenas tentando remover alguns outliers finais) legenda (desligado) Plotting product 1 pricing relativo a outliers. Line priceobs t se prodid i) Finalmente caindo os outliers queda se flag Um gráfico final global twograph forv i 16 global twograph (scatter priceobs t se prodid i) twoway twograph, lenda (off) título (Observou tendências de preços para os primeiros seis produtos) Tão limpo quanto o nosso primeiro gráfico, mas definitivamente muito melhorado. Você deve ter javascript habilitado para visualizar este site. Por favor, altere suas preferências do navegador para ativar o javascript, e recarregar esta página. D Tipos de Previsão Análise de Séries Temporais Técnicas Qualitativas Definidas na Previsão Raízes de Suporte Consenso do Painel de Pesquisa de Mercado Analogia Histórica Método Delphi Análise de Séries Temporais Média Móvel Simples Média Mínima Ponderada Alisamento Exponencial Alinhamento Exponencial Alisamento Definido Alfa Constante Alinhada Delta (948) Erros Fontes de Erro Medição de Erro Desvio Absoluto Médio (MAD) Sinal de Rastreio Definido Análise de Regressão Linear Definida Previsão de Regressão Linear Definida Decomposição de uma Série de Tempo Previsão de Relação Cônica Relação Casual Definida Análise de Regressão MúltiplaFocus Previsão Metodologia de Foco Pré - Planejamento, Previsão e Reabastecimento Colaborativo (CPFR) CPFR DefinedForecasts são vitais para cada organização de negócios e para cada decisão de gerenciamento significativo. Embora uma previsão nunca seja perfeita devido à natureza dinâmica do ambiente de negócios externo, ela é benéfica para todos os níveis de planejamento funcional, planejamento estratégico e planejamento orçamentário. Os tomadores de decisão usam previsões para tomar muitas decisões importantes a respeito da direção futura da organização. As técnicas e modelos de previsão podem ser qualitativos e quantitativos, e seu nível de sofisticação depende do tipo de informação e do impacto da decisão. O modelo de previsão que uma empresa deve adotar depende de vários fatores, incluindo: horizonte temporal de previsão, disponibilidade de dados, precisão necessária, tamanho do orçamento de previsão e disponibilidade de pessoal qualificado. O gerenciamento de demanda existe para coordenar e controlar todas as fontes de demanda para que o sistema produtivo possa ser usado de forma eficiente eo produto seja entregue a tempo. A demanda pode ser dependente da demanda por outros produtos ou serviços ou independente porque não pode ser derivada diretamente da de outros produtos. A previsão pode ser classificada em quatro tipos básicos: qualitativo, análise de séries temporais, relações causais e simulação. Técnicas qualitativas na previsão podem incluir previsão de raízes, pesquisa de mercado, consenso de painel, analogia histórica e o método Delphi. Modelos de previsão de séries temporais tentam prever o futuro com base em dados passados. Uma previsão média móvel simples é usada quando a demanda por um produto ou serviço é constante, sem quaisquer variações sazonais. Uma média ponderada da média móvel varia os pesos, dado um fator particular e é assim capaz de variar os efeitos entre dados atuais e passados. A suavização exponencial melhora as previsões de média móvel ponderada e simples, uma vez que a suavização exponencial considera os pontos de dados mais recentes como mais importantes. Para corrigir qualquer tendência para cima ou para baixo nos dados coletados ao longo de períodos de tempo para constantes de suavização são usados. Alpha é a constante de suavização, enquanto delta reduz o impacto do erro que ocorre entre o real ea previsão. Os erros de previsão são a diferença entre o valor da previsão eo que realmente ocorreu. Todas as previsões contêm algum grau de erro no entanto, é importante distinguir entre fontes de erro e medição de erro. Fontes de erro são erros aleatórios e viés. Várias medidas existem para descrever o grau de erro em uma previsão. Erros de polarização ocorrem quando um erro é cometido, isto é, não incluindo a variável correta ou deslocando a demanda sazonal. Enquanto erros aleatórios não podem ser detectados, eles ocorrem normalmente. Um sinal de rastreamento indica se a média da previsão está mantendo o ritmo com quaisquer mudanças de movimento na demanda. O MAD ou o desvio absoluto médio também é uma ferramenta simples e útil na obtenção de sinais de rastreamento. Uma ferramenta de previsão mais sofisticada para definir a relação funcional entre duas ou mais variáveis correlacionadas é a regressão linear. Isso pode ser usado para prever uma variável dado o valor para outro. É útil para períodos de tempo mais curtos, uma vez que assume uma relação linear entre as variáveis. A previsão de relações causais tenta determinar a ocorrência de um evento com base na ocorrência de outro evento. A previsão do foco tenta várias regras que parecem lógicas e fáceis de entender para projetar dados passados para o futuro. Hoje, muitos programas de previsão de computador estão disponíveis para prever facilmente as variáveis. Ao tomar decisões de longo prazo com base em previsões futuras, deve-se ter grande cuidado em desenvolver a previsão. Análise de dados e software estatístico Análise dinâmica de dados de painel (DPD) A Stata possui um conjunto de ferramentas para análise dinâmica de dados de painel: xtabond implementa o estimador de Arellano e Bond, que usa as condições de momento em Que as defasagens da variável dependente e as primeiras diferenças das variáveis exógenas são instrumentos para a primeira equação diferenciada. Xtdpdsys implementa o estimador de sistema de Arellano e BoverBlundell e Bond, que usa as condições de momento xtabond e condições de momento em que as primeiras diferenças retardadas da variável dependente são instrumentos para a equação de nível. Xtdpd. Para usuários avançados, é uma alternativa mais flexível que pode encaixar modelos com correlações médias móveis de baixa ordem nos erros idiossincráticos e variáveis predeterminadas com uma estrutura mais complicada do que permitida com xtabond e xtdpdsys. As ferramentas de pós-estimativa permitem testar a correlação serial nos resíduos primeiro-diferenciados e testar a validade das restrições overidentifying. Baseando-se no trabalho de Layard e Nickell (1986), Arellano e Bond (1991) encaixam um modelo dinâmico de demanda de mão-de-obra a um grupo de empresas desequilibrado localizado no Reino Unido. Primeiro, modelamos o emprego em salários, estoque de capital, produção industrial, manequins de ano e uma tendência de tempo, incluindo um atraso de emprego e dois atrasos de salários e estoque de capital. Usaremos o estimador ArellanondashBond de uma etapa e solicitaremos seu VCE robusto: Como incluímos um atraso de n no nosso modelo de regressão, xtabond usou os retornos 2 e de volta como instrumentos. Diferenças das variáveis exógenas também servem como instrumentos. Aqui nós remodelamos o nosso modelo, usando xtdpdsys em vez disso para que possamos obter as estimativas ArellanondashBoverBlundellndashBond: Comparando os rodapés dos dois commandsrsquo saída ilustra a diferença chave entre os dois estimadores. Xtdpdsys incluiu as diferenças retardadas de n como instrumentos na equação de nível xtabond não. As condições de momento destes estimadores GMM são válidas apenas se não houver correlação serial nos erros idiossincráticos. Como a primeira diferença de ruído branco é necessariamente autocorrelacionada, precisamos apenas nos preocupar com a segunda e maior autocorrelação. Podemos usar estat abond para testar a autocorrelação: Referências Arellano, M. e S. Bond. 1991. Alguns testes de especificação para dados de painel: evidência Monte Carlo e uma aplicação para equações de emprego. A Revisão dos Estudos Econométricos 58: 277ndash297. Layard, R. e S. J. Nickell. 1986. Desemprego na Grã-Bretanha. Economizar 53: 5121ndash5169.EViews 8 Lista de Recursos EViews 8 oferece uma ampla gama de recursos poderosos para manipulação de dados, estatísticas e análise econométrica, previsão e simulação, apresentação de dados e programação. Embora não possamos listar tudo, a lista a seguir oferece um vislumbre dos recursos importantes do EViews: Manuseio de dados básicos Numérico, alfanumérico (seqüência de caracteres) e rótulos de valor da série de datas. Extensa biblioteca de operadores e funções estatísticas, matemáticas, data e string. Linguagem poderosa para manipulação de expressão e transformação de dados existentes usando operadores e funções. Amostras e objetos de amostra facilitam o processamento em subconjuntos de dados. Suporte para estruturas de dados complexas, incluindo dados datados regulares, dados datados irregulares, dados de corte transversal com identificadores de observação, datados e dados de painel não datados. Arquivos de trabalho de várias páginas. Os bancos de dados nativos EViews baseados em disco fornecem recursos de consulta poderosos e integração com arquivos de trabalho do EViews. Converta dados entre EViews e vários formatos de planilha, estatística e banco de dados, incluindo (mas não limitado a): arquivos Microsoft Access e Excel (incluindo. XSLX e. XLSM), arquivos Gauss Dataset, arquivos SAS Transport, arquivos SPSS nativos e portáteis, Arquivos Stata, texto ASCII formatado em bruto ou arquivos binários, HTML ou bancos de dados e consultas ODBC (o suporte ODBC é fornecido somente na Enterprise Edition). Suporte OLE para vincular saída EViews, incluindo tabelas e gráficos, a outros pacotes, incluindo Microsoft Excel, Word e Powerpoint. Suporte OLEDB para leitura de arquivos de trabalho EViews e bancos de dados usando clientes conscientes do OLEDB ou programas personalizados. Suporte para bancos de dados FRED (Federal Reserve Economic Data). Enterprise Edition para os bancos de dados Global Insight DRIPro e DRIBase, Haver Analytics DLX, FAME, EcoWin, Datastream, FactSet e Moodys Economy. O suplemento Microsoft Excel do EViews permite que você vincule ou importe dados de arquivos de trabalho EViews e bancos de dados do Excel. Arraste e solte apoio para a leitura de dados simplesmente soltar arquivos em EViews para conversão automática de dados estrangeiros em EViews workfile formato. Poderosas ferramentas para criar novas páginas de arquivo de trabalho a partir de valores e datas em séries existentes. Combinar fusões, junções, anexos, subconjuntos, redimensionamento, ordenação e remodelação (pilha e descompactação) de arquivos de trabalho. Fácil de usar conversão de freqüência automática ao copiar ou ligar dados entre páginas de freqüência diferente. A conversão de freqüência ea fusão de correspondência suportam atualização dinâmica sempre que os dados subjacentes mudam. Atualização automática de séries de fórmulas que são recalculadas automaticamente sempre que os dados subjacentes mudam. Fácil de usar a conversão de freqüência, simplesmente copiar ou vincular dados entre páginas de freqüência diferente. Ferramentas para reamostragem e geração de números aleatórios para simulação. Geração de números aleatórios para 18 funções de distribuição diferentes usando três geradores de números aleatórios diferentes. Manuseio de dados de séries temporais Suporte integrado para manipulação de datas e dados de séries temporais (regulares e irregulares). Suporte para dados comuns de freqüência regular (anual, semestral, trimestral, mensal, bimestral, quinzena, dez dias, semanal, diária - semana de 5 dias, diária - semana de 7 dias). Suporte para dados de alta freqüência (intraday), permitindo horas, minutos e freqüências de segundos. Além disso, há um número de freqüências regulares menos comumente encontradas, incluindo Multi-ano, Bimestral, Quinzena, Dez-Dia e Diário com uma gama arbitrária de dias da semana. Funções de séries de tempo especializadas e operadores: defasagens, diferenças, log-diferenças, médias móveis, etc Conversão de freqüência: vários alta a baixa e baixa a alta. Suavização exponencial: simples, dupla, Holt-Winters e ETS suavização. Ferramentas embutidas para regressão de branqueamento. Hodrick-Prescott filtragem. Filtragem de frequências: Baxter-King, Christiano-Fitzgerald Filtros assimétricos de comprimento fixo e de amostra completa. Ajuste sazonal: Censo X-13, X-12-ARIMA, TramoSeats, média móvel. Interpolação para preencher valores ausentes dentro de uma série: Linear, Log-Linear, Spline Catmull-Rom, Spline Cardinal. Estatísticas Resumos de dados básicos resumos por grupos. Testes de igualdade: testes t, ANOVA (balanceada e desequilibrada, com ou sem variância heteroscedástica), Wilcoxon, Mann-Whitney, Qui-quadrado mediano, Kruskal-Wallis, van der Waerden, teste F, Siegel-Tukey, Bartlett , Levene, Brown-Forsythe. Tabulação em um sentido tabulação cruzada com medidas de associação (Coeficiente Phi, Cramers V, Coeficiente de Contingência) e testes de independência (Qui-Quadrado de Pearson, Razão de Verossimilhança G2). Análise de covariância e correlação incluindo Pearson, Spearman rank-order, Kendalls tau-a e tau-b e análise parcial. Análise de componentes principais, incluindo parcelas de acertos, biplots e parcelas de carregamento, e cálculos ponderados pontuação componente. Análise de fatores permitindo o cálculo de medidas de associação (incluindo covariância e correlação), estimativas de unicidade, estimativas de carga fatorial e escore fatorial, bem como a realização de diagnósticos de estimativa ea rotação de fatores usando um de mais de 30 diferentes métodos ortogonais e oblíquos. Testes de Função de Distribuição Empírica (EDF) para as distribuições Normal, Exponencial, Valor Extremo, Logístico, Qui-quadrado, Weibull ou Gamma (Kolmogorov-Smirnov, Lilliefors, Cramer-von Mises, Anderson-Darling, Watson). Histogramas, polígonos de frequência, polígonos de frequência de borda, histogramas de deslocamento médio, quantile de sobrevivente de CDF, quantile-quantile, densidade de grãos, distribuições teóricas ajustadas, Lotes de dispersão com linhas de regressão paramétricas e não-paramétricas (LOWESS, polinómio local), regressão do kernel (Nadaraya-Watson, local linear, polinómio local). Ou elipses de confiança. Autocorrelação de séries temporais, autocorrelação parcial, correlação cruzada, Q-estatística. Testes de causalidade de Granger, incluindo a causalidade de Granger. Testes de raiz unitária: Dickey-Fuller aumentado, Dickey-Fuller transformado por GLS, Phillips-Perron, KPSS, Ponto Eliot-Richardson-Stock Optimal, Ng-Perron. Ensaios de Cointegração: Johansen, Engle-Granger, Phillips-Ouliaris, Park adicionaram variáveis, e Hansen estabilidade. Testes de independência: Brock, Dechert, Scheinkman e LeBaron Testes de razão de variância: Lo e MacKinlay, Kim bootstrap selvagem, classificação Wrights, pontuação e testes de signos. Wald e testes de razão de variância de comparação múltipla (Richardson e Smith, Chow e Denning). Cálculo de variância e covariância de longo prazo: covariâncias de longo prazo simétricas ou unilaterais usando grãos não paramétricos (Newey-West 1987, Andrews 1991), VARHAC paramétrico (Den Haan e Levin 1997) e grão pré-blanqueado (Andrews e Monahan, 1992) métodos. Além disso, EViews suporta métodos de seleção automática de largura de banda de Andrews (1991) e Newey-West (1994) para estimadores de kernel e métodos de seleção de comprimento de latência baseados em critérios de informação para VARHAC e estimativa de pré-branqueamento. Painel e Pool por grupo e estatísticas por período e testes. Testes de raiz unitária: Levin-Lin-Chu, Breitung, Im-Pesaran-Shin, Fisher, Hadri. Testes de Cointegração: Pedroni, Kao, Maddala e Wu. Painel dentro de covariâncias em série e componentes principais. Dumitrescu-Hurlin (2012) testes de causalidade de painel. Regressão de Estimação Quadrados mínimos lineares e não-lineares (regressão múltipla). Regressão linear com PDLs em qualquer número de variáveis independentes. Regressão robusta. Derivados analíticos para estimativa não linear. Quadrados mínimos ponderados. White e Newey-West erros padrão robustos. Os erros padrão do HAC podem ser calculados usando o kernel não paramétrico, VARHAC paramétrico e métodos de kernel prewhitened e permitem métodos de seleção automática de largura de banda de Andrews e Newey-West para estimadores de kernel e métodos de seleção de comprimento de lag com base em critérios de VARHAC e prewhitening. Regressão quantita linear e menos desvios absolutos (LAD), incluindo os cálculos de covariância de Hubers Sandwich e bootstrapping. Regressão stepwise com 7 procedimentos de seleção diferentes. ARMA e ARMAX Modelos lineares com média móvel autorregressiva, auto-regressão sazonal e erros de média móvel sazonal. Modelos não-lineares com especificações AR e SAR. Estimativa usando o método de backcasting de Box e Jenkins, ou por mínimos quadrados condicionais. Variáveis instrumentais e GMM Variáveis lineares e não lineares de dois estágios de mínimos quadradosinstrumental (2SLSIV) e estimativa do Método Generalizado de Momentos (GMM). Estimativa linear e não linear 2SLSIV com erros AR e SAR. Informações Limitadas de Máxima Verossimilhança (LIML) e K-classe. Ampla gama de especificações de matriz de ponderação GMM (White, HAC, User-provided) com controle sobre a iteração da matriz de peso. As opções de estimação do GMM incluem a atualização contínua da estimativa (CUE) e uma série de novas opções de erro padrão, incluindo erros padrão do Windmeijer. Os diagnósticos específicos do IVGMM incluem o Teste de Ortogonalidade de Instrumentos, o Teste de Endogeneidade de Regressor, o Teste de Fraqueza Fraca e um teste de ponto de interrupção específico para GMM, ARCHGARCH GARCH (p, q), EGARCH, TARCH, GARCH de Componentes, Power ARCH e GARCH Integrado. A equação média linear ou não linear pode incluir os termos ARCH e ARMA, tanto as equações de média quanto de variância permitem variáveis exógenas. Normal, Alunos t e Distribuições de Erros Generalizadas. Bollerslev-Wooldridge erros padrão robustos. Dentro e fora das previsões de amostra da variância condicional e da média, e componentes permanentes. Modelos variáveis dependentes limitados Logit binário, Probit, e Gompit (valor extremo). Ordem Logit, Probit e Gompit (Valor Extremo). Modelos censurados e truncados com erros normais, logísticos e de valores extremos (Tobit, etc.). Contagem de modelos com Poisson, binômio negativo, e quasi-máxima verossimilhança (QML) especificações. Heckman modelos de seleção. HuberWhite erros padrão robustos. Os modelos de contagem suportam o modelo linear generalizado ou erros padrão QML. Hosmer-Lemeshow e Andrews Teste de bondade de ajuste para modelos binários. Grave facilmente resultados (incluindo resíduos e gradientes generalizados) para novos objetos EViews para análise posterior. O motor de estimativa GLM geral pode ser usado para estimar vários destes modelos, com a opção de incluir covariâncias robustas. Painel DataPooled Série de Tempo, Dados Transversais Estimativa linear e não linear com adição de seção transversal e período de efeitos fixos ou aleatórios. Escolha de estimadores sem graus quadráticos (QUEs) para variâncias de componentes em modelos de efeitos aleatórios: Swamy-Arora, Wallace-Hussain, Wansbeek-Kapteyn. Estimativa 2SLSIV com efeitos fixos ou aleatórios de secção transversal e período. Estimativa com erros AR usando quadrados mínimos não lineares em uma especificação transformada Estimativa generalizada de mínimos quadrados, 2SLSIV generalizada, estimativa de GMM permitindo especificações heterocedasticidas e correlacionadas de seção transversal ou período. Estimativa de dados de painéis dinâmicos lineares usando primeiras diferenças ou desvios ortogonais com instrumentos predeterminados de período específico (Arellano-Bond). Testes de correlação serial do painel (Arellano-Bond). Os robustos cálculos de erro padrão incluem sete tipos de erros padrão brancos e corrigidos por painéis (PCSE) robustos. Teste de restrições de coeficientes, variáveis omitidas e redundantes, teste de Hausman para efeitos aleatórios correlacionados. Testes de raiz unitária do painel: testes de Levin-Lin-Chu, Breitung, Im-Pesaran-Shin, Fisher usando testes ADF e PP (Maddala-Wu, Choi), Hadri. Estimativa de cointegração de painéis: OLS totalmente modificado (FMOLS, Pedroni 2000) ou mínimos quadrados dinâmicos ordinários (DOLS, Kao e Chaing 2000, Mark e Sul 2003). Modelos Lineares Generalizados Normal, Poisson, Binomial, Binomial Negativo, Gamma, Gaussiano Inverso, Mena Exponencial, Média de Potência, Binomial Quadrado de famílias. Identidade, log, log-complementar, logit, probit, log-log, log-log de cortesia, inverso, poder, odds ratio, Box-Cox, Box-Cox. Variância prévia e ponderação de frequência. Fixo, Pearson Chi-Sq, desvio e especificações de dispersão especificadas pelo usuário. Suporte para estimativa e teste de QML. Quadratic Hill Climbing, Newton-Raphson, IRLS - Fisher Scoring e algoritmos de estimação BHHH. Covariâncias de coeficientes normais calculadas usando Hessian esperado ou observado ou o produto externo dos gradientes. Estimativas robustas de covariância usando métodos GLM, HAC ou HuberWhite. Regressão de Cointegração Canônica (Park 1992) e Dynamic OLS (Saikkonen 1992, Stock e Watson 1993 Engle e Granger (1987) e Phillips e Ouliaris (1990), teste de instabilidade de Hansens (1992b), e Parks (1992), variáveis de teste de variáveis, especificação flexível da tendência e regressores determinísticos na especificação de regressores de equação e cointegração. FMOLS e CCR Seleção de defasagem automática ou fixa para DOLS atrasos e leads e para a regressão de branqueamento de variância de longo prazo OLS rescaled e cálculos de erro padrão robusto para DOLS Máxima Verossimilhança Utilizada Utilize expressões de série EViews padrão para descrever as contribuições de probabilidade de log. Exemplos de logit multinomial e condicional, modelos de transformação Box-Cox, modelos de comutação de desequilíbrio, modelo probit S com erros heteroskedastic, logit aninhado, seleção de amostras de Heckman e modelos de perigo de Weibull. Sistemas de Equações Estimativa linear e não linear. Mínimos quadrados, 2SLS, estimativa ponderada por equação, regressão aparentemente não relacionada, GMM de três estágios com mínimos quadrados com matrizes de ponderação White e HAC. AR utilizando os mínimos quadrados não lineares numa especificação transformada. Full Information Máxima Verossimilhança (FIML). Estimar as fatorizações estruturais em VAR, impondo restrições de curto ou longo prazo. Bayesian VARs. Funções de resposta de impulso em vários formatos tabulares e gráficos com erros padrão calculados analiticamente ou por métodos de Monte Carlo. Choques de resposta de impulso calculados a partir da factorização de Cholesky, resíduos de uma unidade ou um desvio padrão (ignorando as correlações), impulsos generalizados, factorização estrutural ou uma matriz vetorial especificada pelo usuário. Impor e testar restrições lineares sobre as relações de cointegração e / ou coeficientes de ajuste em modelos VEC. Visualize ou gere relações de cointegração a partir de modelos VEC estimados. Diagnósticos extensivos incluindo: testes de causalidade de Granger, testes de exclusão conjunta de lag, avaliação de critérios de comprimento de latência, correlogramas, autocorrelação, testes de normalidade e heterocedasticidade, testes de cointegração e outros diagnósticos multivariados. Multicariada ARCH Correlação Condicional Constante (p, q), Diagonal VECH (p, q), Diagonal BEKK (p, q), com termos assimétricos. Extensa escolha de parametrização para a matriz de coeficientes Diagonal VECHs. Variáveis exógenas permitidas nas equações de média e variância não lineares e termos AR permitidos nas equações de média. Bollerslev-Wooldridge erros padrão robustos. Normal ou Estudantes t distribuição de erros multivariada Uma escolha de analítico ou (rápido ou lento) derivados numéricos. (Derivados do Analytics não disponíveis para alguns modelos complexos.) Gerar covariância, variação ou correlação em vários formatos tabulares e gráficos a partir de modelos ARCH estimados. Algoritmo de filtro de Kalman de espaço de estados para estimar modelos estruturais de single - e multiequation especificados pelo usuário. Variáveis exógenas na equação de estado e especificações de variância totalmente parametrizadas. Gere um passo à frente, filtrados ou suavizados sinais, estados e erros. Os exemplos incluem parâmetros variáveis no tempo, ARMA multivariada e modelos de volatilidade estocástica de quasilikelihood. Ensaios e Avaliação Parcelas reais, ajustadas e residuais. Wald para as elipses de confiança de restrições de coeficientes lineares e não-lineares mostrando a região de confiança conjunta de quaisquer duas funções dos parâmetros estimados. Outros coeficientes de diagnóstico: coeficientes padronizados e elasticidades de coeficientes, intervalos de confiança, fatores de inflação de variação, decomposições de variância de coeficientes. Variáveis omitidas e redundantes: testes LR, correla - gramas residuais e quadrados e estatísticas Q, correlação serial residual e testes ARM LM. White, Breusch-Pagan, Godfrey, Harvey e testes de heteroscedasticidade Glejser. Diagnósticos de estabilidade: testes de breakpoint e de previsões de Chow, teste de ponto de ruptura desconhecido de Quandt-Andrews, testes de ponto de interrupção Bai-Perron, testes Ramsey RESET, estimativa recursiva OLS, estatísticas de influência, gráficos de alavancagem. Diagnóstico da equação ARMA: gráficos ou tabelas das raízes inversas do polinômio AR e / ou MA, comparar o padrão teórico (estimado) de autocorrelação com o padrão de correlação real para os resíduos estruturais, exibir a resposta do impulso ARMA a um choque de inovação e a freqüência ARMA espectro. Grave facilmente resultados (coeficientes, matrizes de covariância de coeficientes, resíduos, gradientes, etc.) para objetos EViews para análise posterior. Ver também Estimativa e Sistemas de Equações para procedimentos adicionais de testes especializados. Previsão e Simulação Previsões estáticas ou dinâmicas dentro ou fora da amostra a partir de objetos de equação estimados com cálculo do erro padrão da previsão. Forecast graphs and in-sample forecast evaluation: RMSE, MAE, MAPE, Theil Inequality Coefficient and proportions State-of-the-art model building tools for multiple equation forecasting and multivariate simulation. Model equations may be entered in text or as links for automatic updating on re-estimation. Display dependency structure or endogenous and exogenous variables of your equations. Gauss-Seidel, Broyden and Newton model solvers for non-stochastic and stochastic simulation. Non-stochastic forward solution solve for model consistent expectations. Stochasitc simulation can use bootstrapped residuals. Solve control problems so that endogenous variable achieves a user-specified target. Sophisticated equation normalization, add factor and override support. Manage and compare multiple solution scenarios involving various sets of assumptions. Built-in model views and procedures display simulation results in graphical or tabular form. Graphs and Tables Line, dot plot, area, bar, spike, seasonal, pie, xy-line, scatterplots, boxplots, error bar, high-low-open-close, and area band. Powerful, easy-to-use categorical and summary graphs. Auto-updating graphs which update as underlying data change. Observation info and value display when you hover the cursor over a point in the graph. Histograms, average shifted historgrams, frequency polyons, edge frequency polygons, boxplots, kernel density, fitted theoretical distributions, boxplots, CDF, survivor, quantile, quantile-quantile. Scatterplots with any combination parametric and nonparametric kernel (Nadaraya-Watson, local linear, local polynomial) and nearest neighbor (LOWESS) regression lines, or confidence ellipses. Interactive point-and-click or command-based customization. Extensive customization of graph background, frame, legends, axes, scaling, lines, symbols, text, shading, fading, with improved graph template features. Table customization with control over cell font face, size, and color, cell background color and borders, merging, and annotation. Copy-and-paste graphs into other Windows applications, or save graphs as Windows regular or enhanced metafiles, encapsulated PostScript files, bitmaps, GIFs, PNGs or JPGs. Copy-and-paste tables to another application or save to an RTF, HTML, or text file. Manage graphs and tables together in a spool object that lets you display multiple results and analyses in one object Commands and Programming Object-oriented command language provides access to menu items Batch execution of commands in program files. Looping and condition branching, subroutine, and macro processing. String and string vector objects for string processing. Extensive library of string and string list functions. Extensive matrix support: matrix manipulation, multiplication, inversion, Kronecker products, eigenvalue solution, and singular value decomposition. External Interface and Add-Ins EViews COM automation server support so that external programs or scripts can launch or control EViews, transfer data, and execute EViews commands. EViews offers COM Automation client support application for MATLAB and R servers so that EViews may be used to launch or control the application, transfer data, or execute commands. The EViews Microsoft Excel Add-in offers a simple interface for fetching and linking from within Microsoft Excel (2000 and later) to series and matrix objects stored in EViews workfiles and databases. The EViews Add-ins infrastructure offers seamless access to user-defined programs using the standard EViews command, menu, and object interface. Download and install predefined Add-ins from the EViews website. For sales information please email saleseviews For technical support please email supporteviews Please include your serial number with all email correspondence. For additional contact information, see our About page.
No comments:
Post a Comment