คำถามติดแท็ก cointegration

ฉันมีชุดข้อมูลอนุกรมเวลา แต่ละซีรี่ส์ครอบคลุมช่วงเวลาเดียวกันแม้ว่าวันที่ที่เกิดขึ้นจริงในแต่ละช่วงเวลาอาจไม่ตรงกับ กล่าวคือถ้าหากต้องอ่านอนุกรมเวลาในเมทริกซ์ 2D มันจะมีลักษณะดังนี้: 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 ฉันต้องการเขียนสคริปต์ R ที่จะแยกอนุกรมเวลา {T1, T2, ... TN} …

38 r  time-series  clustering  cointegration 

ฉันสับสนเกี่ยวกับรูปแบบการแก้ไขข้อผิดพลาดของเวกเตอร์ ( VECM ) พื้นหลังทางเทคนิค: VECMนำเสนอความเป็นไปได้ในการใช้Vector Autoregressive Model ( VAR ) กับอนุกรมเวลาหลายตัวแปรในตัว ในตำราเรียนพวกเขาตั้งชื่อปัญหาบางอย่างในการใช้VARกับอนุกรมเวลาแบบบูรณาการสิ่งสำคัญที่สุดคือการถดถอยแบบเผด็จการ กระบวนการประเมินVECMประกอบด้วยขั้นตอนสามขั้นตอนต่อไปนี้ซึ่งเป็นขั้นตอนที่สับสนสำหรับฉันขั้นตอนแรก: ข้อมูลจำเพาะและการประมาณค่าของโมเดลVARสำหรับอนุกรมเวลาหลายตัวแปรรวม คำนวณการทดสอบอัตราส่วนความน่าจะเป็นเพื่อกำหนดจำนวนความสัมพันธ์ของการมีส่วนร่วม หลังจากกำหนดจำนวน cointegrations ให้ประเมินVECM ในขั้นตอนแรกหนึ่งประมาณการแบบจำลองVAR ที่มีจำนวนของความล่าช้าที่เหมาะสม (ใช้ความดีปกติของเกณฑ์พอดี) และตรวจสอบว่าส่วนที่เหลือสอดคล้องกับสมมติฐานของแบบจำลองหรือไม่นั่นคือการไม่มีความสัมพันธ์แบบอนุกรมและความสัมพันธ์แบบ heteroscedasticity . ดังนั้นหนึ่งการตรวจสอบว่ารูปแบบVARอย่างเหมาะสมอธิบายอนุกรมเวลาหลายตัวแปรและหนึ่งดำเนินการเพื่อขั้นตอนต่อไปถ้ามันเป็นเท่านั้น และตอนนี้สำหรับคำถามของฉัน: ถ้าแบบจำลองVARอธิบายข้อมูลได้ดีทำไมฉันต้องใช้VECMเลย? หากเป้าหมายของฉันคือการสร้างการคาดการณ์มันไม่เพียงพอที่จะประเมินVARและตรวจสอบสมมติฐานและถ้าพวกเขาบรรลุเป้าหมายเพียงใช้โมเดลนี้

30 time-series  forecasting  var  cointegration  vecm 

ฉันยังไม่ชัดเจนในการคำนวณ cointegration ด้วยอนุกรมเวลาที่ผิดปกติ (ควรใช้แบบทดสอบ Johansenกับ VECM) ความคิดเริ่มต้นของฉันคือการทำให้ซีรีส์เป็นแบบปกติและแก้ไขค่าที่หายไปแม้ว่าจะมีอคติในการประมาณค่า มีวรรณกรรมในเรื่องนี้บ้างไหม?

15 time-series  cointegration  unevenly-spaced-time-series 

ฉันพยายามที่จะทดสอบ cointegration ระหว่างสองชุดเวลา ทั้งสองซีรี่ส์มีข้อมูลครอบคลุมทุกสัปดาห์ ~ 3 ปี ฉันกำลังพยายามทำวิธีสองขั้นตอนของ Engle-Granger คำสั่งของฉันของการดำเนินการดังต่อไปนี้ ทดสอบแต่ละชุดเวลาสำหรับรูทยูนิตผ่าน Augmented Dickey-Fuller สมมติว่าทั้งคู่มีรูทหน่วยจากนั้นหาการประมาณเชิงเส้นตรงของความสัมพันธ์ผ่าน OLS จากนั้นสร้างชุดของส่วนที่เหลือ ทดสอบส่วนที่เหลือสำหรับรูทยูนิตผ่าน Augmented Dickey-Fuller สรุป cointegration (หรือไม่) โดยผลของ 3 คำถาม: วิธีนี้ดูใช้ได้ไหม? (ฉันเป็นระดับปริญญาตรีและฉันกำลังมองหาการวิเคราะห์ข้อมูลของฉันในแบบที่ถูกต้องไม่จำเป็นต้องวิเคราะห์ข้อมูลด้วยวิธีการที่เข้มงวดที่สุด) หากชุดหนึ่งไม่สามารถปฏิเสธสมมติฐานว่างด้วย ADF (และดังนั้นจึงไม่มีหน่วยรูท) ในขั้นตอนที่ 1 มีเหตุผลหรือไม่ที่จะสรุปว่าทั้งสองชุดไม่ได้ถูกรวมเข้าด้วยกันเพราะชุดข้อมูลหนึ่งไม่ใช่ชุดข้อมูล? ฉันจะไม่คิดอย่างนั้น แต่ฉันต้องการให้แน่ใจ ชุดข้อมูลทั้งสองมีลักษณะ "สุ่ม" ดังนั้นฉันจึงสงสัยว่าเหมาะสมหรือไม่ที่จะใช้ OLS เพื่อวัดความสัมพันธ์เพื่อรับส่วนที่เหลือ

13 time-series  cointegration  unit-root  augmented-dickey-fuller 

เมื่อทำการ preforming Johansen Cointegration test สำหรับ 2 time series (ในกรณีง่าย ๆ ) คุณจำเป็นต้องตัดสินใจว่าความล่าช้าที่คุณต้องการใช้ การทดสอบความล่าช้าที่แตกต่างกันให้ผลลัพธ์ที่แตกต่างกัน: สำหรับบางระดับความล่าช้าสมมติฐานว่างสามารถถูกปฏิเสธ แต่สำหรับคนอื่นมันไม่สามารถทำได้ คำถามของฉันคือวิธีการที่ถูกต้องโดยอิงจากข้อมูลอินพุตเพื่อตัดสินใจว่าฉันต้องใช้ความล่าช้าอะไรเมื่อทำการทดสอบ Johansen ล่วงหน้า ป.ล. ฉันส่งคำถามนี้ไปที่ quant.stackexchange แต่บางคนก็แนะนำว่ามันเหมาะสมกับกลุ่มนี้มากกว่า

13 time-series  cointegration 

"การปลอมแบบน่าเกรงขาม" (ในบริบทของอนุกรมเวลา) และคำที่เกี่ยวข้องเช่นการทดสอบรูทยูนิทเป็นสิ่งที่ฉันได้ยินมามากมายเกี่ยวกับเรื่องนี้ แต่ไม่เข้าใจเลย มันเกิดขึ้นเมื่อใดโดยสัญชาตญาณ (ฉันเชื่อว่ามันเป็นตอนที่อนุกรมเวลาสองชุดของคุณถูกรวมกันนั่นคือชุดค่าผสมเชิงเส้นบางส่วนของชุดแบบคงที่ แต่ฉันไม่เห็นว่าทำไมตัวกรองควรนำไปสู่ ฉันกำลังมองหาความเข้าใจระดับสูงของการทดสอบ cointegration / unit root / Granger causality เกี่ยวกับการถดถอยแบบเผ็ด ดังนั้นการตอบสนองที่กำหนดเองหรือลิงก์ไปยังการอ้างอิงที่ฉันสามารถเรียนรู้เพิ่มเติมจะดีมาก

10 time-series  regression  cointegration 

ฉันพยายามเข้าใจวิธี Johansen ให้ดีขึ้นดังนั้นฉันจึงพัฒนาตัวอย่าง 3.1 ที่ได้รับจากหนังสือLikelihood-Based-Inference-Cointegrated-Autoregressive-Econometrics ที่เรามีสามกระบวนการ: X1t=∑i=1tϵ1i+ϵ2tX1t=∑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} ดังนั้นเวกเตอร์ cointegration ควรเป็น [a, -1, 0] และ [0, 0 1] แต่เมื่อฉันใช้วิธี Johansen ฉันไม่สามารถรับพวกเขาได้ รหัสที่ฉันพยายามทำมีดังต่อไปนี้: import numpy as np import matplotlib.pyplot as plt import pandas as pd …

9 self-study  cointegration  vecm