คำเตือนบางอย่างก่อนดำเนินการต่อ ตามที่ฉันมักจะแนะนำให้นักเรียนของฉันใช้auto.arima()
สิ่งต่าง ๆ เป็นเพียงการประมาณผลลัพธ์แรกของคุณเท่านั้นหรือหากคุณต้องการมีแบบจำลองทางศีลธรรมเมื่อคุณตรวจสอบว่าแบบจำลองเชิงทฤษฎีของคู่แข่งของคุณทำได้ดีกว่า
ข้อมูล
คุณต้องเริ่มต้นอย่างชัดเจนจากคำอธิบายของข้อมูลอนุกรมเวลาที่คุณทำงานด้วย ในเศรษฐศาสตร์มหภาคคุณมักจะทำงานกับข้อมูลที่รวบรวมและวิธีทางเรขาคณิต (น่าประหลาดใจ) มีหลักฐานเชิงประจักษ์มากขึ้นสำหรับข้อมูลอนุกรมเวลาแมโครอาจเป็นเพราะพวกมันส่วนใหญ่แตกสลายเป็นแนวโน้มที่เพิ่มขึ้นอย่างมาก
ตามคำแนะนำของ Rob "มองเห็น" ทำงานสำหรับอนุกรมเวลาที่มีส่วนตามฤดูกาลที่ชัดเจนเนื่องจากข้อมูลประจำปีที่เปลี่ยนแปลงช้านั้นไม่ชัดเจนสำหรับการเปลี่ยนแปลงที่เพิ่มขึ้น โชคดีที่มักจะเห็นแนวโน้มการเติบโตแบบทวีคูณ (หากดูเหมือนว่าจะเป็นแบบเชิงเส้นมากกว่าไม่จำเป็นต้องมีการบันทึก)
แบบ
Y(t)=Xα11(t)...Xαkk(t)ε(t)
ในบันทึกเศรษฐมิติทางการเงินเป็นเรื่องปกติเนื่องจากความนิยมในการส่งคืนบันทึกเนื่องจาก ...
การแปลงบันทึกมีคุณสมบัติที่ดี
αiY(t)Xi(t)
ในแบบจำลองการแก้ไขข้อผิดพลาดเรามีสมมติฐานที่ชัดเจนกว่าว่าสัดส่วนมีความเสถียรมากกว่า ( นิ่ง ) กว่าความแตกต่างแบบสัมบูรณ์
ในทางเศรษฐศาสตร์การเงินมันเป็นเรื่องง่ายที่จะรวมการเข้าสู่ระบบผลตอบแทนเมื่อเวลาผ่านไป
มีเหตุผลอื่น ๆ อีกมากมายที่ไม่ได้กล่าวถึงที่นี่
ในที่สุด
โปรดทราบว่าโดยปกติการแปลงไฟล์จะใช้กับตัวแปรที่ไม่เป็นลบ (ระดับ) หากคุณสังเกตเห็นความแตกต่างของอนุกรมเวลาสองรายการ (เช่นการส่งออกสุทธิ) คุณไม่สามารถแม้แต่จะทำการบันทึกคุณต้องค้นหาข้อมูลต้นฉบับในระดับหรือสมมติว่าเป็นรูปแบบของแนวโน้มทั่วไปที่ถูกลบออก
[ นอกจากนี้หลังจากแก้ไข ] หากคุณยังต้องการเกณฑ์ทางสถิติสำหรับเวลาที่จะทำการแปลงบันทึกการแก้ปัญหาที่เรียบง่ายจะเป็นการทดสอบใด ๆ สำหรับ heteroscedasticity ในกรณีของความแปรปรวนที่เพิ่มขึ้นฉันจะแนะนำการ ทดสอบ Goldfeld-Quandtหรือคล้ายกับมัน ใน R มันตั้งอยู่ในlibrary(lmtest)
และถูกแสดงด้วยgqtest(y~1)
ฟังก์ชั่น เพียงถอยกลับไปที่คำศัพท์ดักถ้าคุณไม่มีรูปแบบการถดถอยใด ๆy
เป็นตัวแปรตามของคุณ