Bewegende Gemiddelde Model Eviews

'N Rima staan ​​vir outoregressiewe geïntegreerde bewegende gemiddelde modelle. Eenveranderlike (enkele vektor) ARIMA is 'n vooruitskatting tegniek wat die toekomstige waardes van 'n reeks ten volle gebaseer op sy eie traagheid projekte. Die belangrikste aansoek is op die gebied van korttermyn voorspelling wat ten minste 40 historiese data punte. Dit werk die beste wanneer jou data toon 'n stabiele of konsekwent patroon met verloop van tyd met 'n minimum bedrag van uitskieters. Soms genoem word Posbus-Jenkins (ná die oorspronklike skrywers), ARIMA is gewoonlik beter as gladstrykingstegnieke eksponensiële wanneer die data is redelik lank en die korrelasie tussen die verlede waarnemings is stabiel. As die data is kort of baie volatiel, dan kan 'n paar smoothing metode beter te presteer. As jy nie ten minste 38 datapunte het, moet jy 'n ander metode as ARIMA oorweeg. Die eerste stap in die toepassing van ARIMA metode is om te kyk vir stasionariteit. Stasionariteit impliseer dat die reeks bly op 'n redelik konstante vlak met verloop van tyd. As 'n tendens bestaan, soos in die meeste ekonomiese of besigheid aansoeke, dan is jou data nie stilstaan. Die data moet ook 'n konstante stryd in sy skommelinge oor tyd te wys. Dit is maklik gesien met 'n reeks wat swaar seisoenale en groei teen 'n vinniger tempo. In so 'n geval, sal die wel en wee van die seisoen meer dramaties met verloop van tyd. Sonder hierdie stasionariteit voorwaardes voldoen word, baie van die berekeninge wat verband hou met die proses kan nie bereken word nie. As 'n grafiese plot van die data dui stationariteit, dan moet jy verskil die reeks. Breukmetodes is 'n uitstekende manier om die transformasie van 'n nie-stationaire reeks om 'n stilstaande een. Dit word gedoen deur die aftrekking van die waarneming in die huidige tydperk van die vorige een. As hierdie transformasie slegs een keer gedoen word om 'n reeks, sê jy dat die data het eers differenced. Hierdie proses elimineer wese die tendens as jou reeks groei teen 'n redelik konstante tempo. As dit groei teen 'n vinniger tempo, kan jy dieselfde prosedure en verskil die data weer aansoek doen. Jou data sal dan tweede differenced. Outokorrelasies is numeriese waardes wat aandui hoe 'n data-reeks is wat verband hou met self met verloop van tyd. Meer presies, dit meet hoe sterk datawaardes op 'n bepaalde aantal periodes uitmekaar gekorreleer met mekaar oor tyd. Die aantal periodes uitmekaar is gewoonlik bekend as die lag. Byvoorbeeld, 'n outokorrelasie op lag 1 maatreëls hoe waardes 1 tydperk uitmekaar gekorreleer met mekaar oor die hele reeks. 'N outokorrelasie op lag 2 maatreëls hoe die data twee periodes uitmekaar gekorreleer regdeur die reeks. Outokorrelasies kan wissel van 1 tot -1. 'N Waarde naby aan 1 dui op 'n hoë positiewe korrelasie, terwyl 'n waarde naby aan -1 impliseer 'n hoë negatiewe korrelasie. Hierdie maatreëls is meestal geëvalueer deur middel van grafiese plotte genoem correlagrams. A correlagram plotte die motor - korrelasie waardes vir 'n gegewe reeks by verskillende lags. Dit staan ​​bekend as die outokorrelasie funksie en is baie belangrik in die ARIMA metode. ARIMA metode poog om die bewegings in 'n stilstaande tyd reeks beskryf as 'n funksie van wat is outoregressiewe en bewegende gemiddelde parameters genoem. Dit is waarna verwys word as AR parameters (autoregessive) en MA parameters (bewegende gemiddeldes). 'N AR-model met slegs 1 parameter kan geskryf word as. X (t) 'n (1) X (t-1) E (t) waar x (t) tydreekse wat ondersoek word 'n (1) die outoregressiewe parameter van orde 1 X (t-1) die tydreeks uitgestel 1 periode E (t) die foutterm van die model beteken dit eenvoudig dat enige gegewe waarde X (t) kan verduidelik word deur 'n funksie van sy vorige waarde, X (t-1), plus 'n paar onverklaarbare ewekansige fout, E (t). As die beraamde waarde van A (1) was 0,30, dan is die huidige waarde van die reeks sal wees met betrekking tot 30 van sy waarde 1 periode gelede. Natuurlik, kan die reeks word wat verband hou met meer as net 'n verlede waarde. Byvoorbeeld, X (t) 'n (1) X (t-1) A (2) X (t-2) E (t) Dit dui daarop dat die huidige waarde van die reeks is 'n kombinasie van die twee onmiddellik voorafgaande waardes, X (t-1) en X (t-2), plus 'n paar random fout E (t). Ons model is nou 'n outoregressiewe model van orde 2. bewegende gemiddelde modelle: 'n Tweede tipe Box-Jenkins model is 'n bewegende gemiddelde model genoem. Hoewel hierdie modelle lyk baie soortgelyk aan die AR model, die konsep agter hulle is heel anders. Bewegende gemiddelde parameters verband wat gebeur in tydperk t net om die ewekansige foute wat plaasgevind het in die verlede tyd periodes, naamlik E (t-1), E (t-2), ens, eerder as om X (t-1), X ( t-2), (xt-3) as in die outoregressiewe benaderings. 'N bewegende gemiddelde model met 'n MA termyn kan soos volg geskryf word. X (t) - B (1) E (t-1) E (t) Die term B (1) genoem word 'n MA van orde 1. Die negatiewe teken voor die parameter is slegs vir konvensie en word gewoonlik gedruk uit motor - dateer deur die meeste rekenaarprogramme. Bogenoemde model eenvoudig sê dat enige gegewe waarde van X (t) direk verband hou net aan die ewekansige fout in die vorige tydperk, E (t-1), en die huidige foutterm, E (t). Soos in die geval van outoregressiemodelle, kan die bewegende gemiddelde modelle uitgebrei word na 'n hoër orde strukture wat verskillende kombinasies en bewegende gemiddelde lengtes. ARIMA metode kan ook modelle gebou word dat beide outoregressiewe en gemiddelde parameters saam beweeg inkorporeer. Hierdie modelle word dikwels na verwys as gemengde modelle. Hoewel dit maak vir 'n meer ingewikkelde voorspelling instrument, kan die struktuur inderdaad die reeks beter na te boots en produseer 'n meer akkurate skatting. Suiwer modelle impliseer dat die struktuur bestaan ​​slegs uit AR of MA parameters - nie beide. Die ontwikkel deur hierdie benadering modelle word gewoonlik genoem ARIMA modelle omdat hulle 'n kombinasie van outoregressiewe (AR) te gebruik, integrasie (I) - verwys na die omgekeerde proses van breukmetodes die voorspelling te produseer, en bewegende gemiddelde (MA) operasies. 'N ARIMA model word gewoonlik gestel as ARIMA (p, d, q). Dit verteenwoordig die orde van die outoregressiewe komponente (p), die aantal breukmetodes operateurs (d), en die hoogste orde van die bewegende gemiddelde termyn. Byvoorbeeld, ARIMA (2,1,1) beteken dat jy 'n tweede orde outoregressiewe model met 'n eerste orde bewegende gemiddelde komponent waarvan die reeks is differenced keer om stasionariteit veroorsaak. Pluk die reg spesifikasie: Die grootste probleem in die klassieke Box-Jenkins probeer om te besluit watter ARIMA spesifikasie gebruik - i. e. hoeveel AR en / of MA parameters in te sluit. Dit is wat die grootste deel van Box-Jenkings 1976 is gewy aan die identifikasieproses. Dit was afhanklik van grafiese en numeriese eval - uation van die monster outokorrelasie en gedeeltelike outokorrelasiefunksies. Wel, vir jou basiese modelle, die taak is nie te moeilik. Elk outokorrelasiefunksies dat 'n sekere manier te kyk. Maar wanneer jy optrek in kompleksiteit, die patrone is nie so maklik opgespoor. Om sake nog moeiliker maak, jou data verteenwoordig slegs 'n voorbeeld van die onderliggende proses. Dit beteken dat steekproeffoute (uitskieters, meting fout, ens) die teoretiese identifikasie proses kan verdraai. Dit is waarom tradisionele ARIMA modellering is 'n kuns eerder as 'n science.2.1 bewegende gemiddelde modelle (MA modelle) tydreeksmodelle bekend as ARIMA modelle kan die volgende insluit outoregressiewe terme en / of bewegende gemiddelde terme. In Week 1, het ons geleer 'n outoregressiewe term in 'n tydreeks model vir die veranderlike x t is 'n vertraagde waarde van x t. Byvoorbeeld, 'n lag 1 outoregressiewe termyn is x t-1 (vermenigvuldig met 'n koëffisiënt). Hierdie les definieer bewegende gemiddelde terme. 'N bewegende gemiddelde termyn in 'n tydreeks model is 'n verlede fout (vermenigvuldig met 'n koëffisiënt). Laat (WT omslaan N (0, sigma2w)), wat beteken dat die w t is identies, onafhanklik versprei, elk met 'n normaalverdeling met gemiddelde 0 en dieselfde afwyking. Die 1 ste orde bewegende gemiddelde model, aangedui deur MA (1) is (xt mu wt theta1w) Die 2de orde bewegende gemiddelde model, aangedui deur MA (2) is (xt mu wt theta1w theta2w) Die Q de orde bewegende gemiddelde model , aangedui deur MA (Q) is (xt mu wt theta1w theta2w kolle thetaqw) Nota. Baie handboeke en sagteware programme definieer die model met negatiewe tekens voor die terme. Dit nie die geval verander die algemene teoretiese eienskappe van die model, hoewel dit flip die algebraïese tekens van beraamde koëffisiënt waardes en (unsquared) terme in formules vir ACFs en afwykings. Jy moet jou sagteware kyk om te kontroleer of negatiewe of positiewe tekens is gebruik om korrek te skryf die beraamde model. R gebruik positiewe tekens in sy onderliggende model, soos ons hier doen. Teoretiese Eienskappe van 'n tydreeks met 'n MA (1) Model Let daarop dat die enigste nie-nul waarde in die teoretiese ACF is vir lag 1. Alle ander outokorrelasies is 0. So 'n monster ACF met 'n beduidende outokorrelasie net by lag 1 is 'n aanduiding van 'n moontlike MA (1) model. Vir belangstellende studente, bewyse van hierdie eienskappe is 'n bylae tot hierdie opdragstuk. Voorbeeld 1 Veronderstel dat 'n MA (1) model is x t 10 w t 0,7 w t-1. waar (WT omslaan N (0,1)). So het die koëffisiënt 1 0.7. Die teoretiese ACF gegee word deur 'n plot van hierdie volg ACF. Die plot net aangedui is die teoretiese ACF vir 'n MA (1) met 1 0.7. In die praktyk, 'n monster gewoond gewoonlik verskaf so 'n duidelike patroon. Die gebruik van R, gesimuleerde ons N 100 monster waardes gebruik te maak van die model x t 10 w t 0,7 w t-1 waar w t IID N (0,1). Vir hierdie simulasie, 'n tydreeks plot van die steekproefdata volg. Ons kan nie sê baie van hierdie plot. Die monster ACF vir die gesimuleerde data volg. Ons sien 'n skerp styging in lag 1 gevolg deur die algemeen nie-beduidende waardes vir lags afgelope 1. Let daarop dat die monster ACF kom nie ooreen met die teoretiese patroon van die onderliggende MA (1), en dit is dat al outokorrelasies vir lags afgelope 1 sal wees 0 . 'n ander voorbeeld sou 'n effens verskillende monster ACF hieronder getoon, maar sal waarskynlik dieselfde breë funksies. Theroretical Eienskappe van 'n tydreeks met 'n MA (2) model vir die MA (2) model, teoretiese eienskappe is soos volg: Let daarop dat die enigste nie-nul waardes in die teoretiese ACF is vir lags 1 en 2. outokorrelasies vir hoër lags is 0 . So, 'n monster ACF met 'n beduidende outokorrelasies by lags 1 en 2, maar nie-beduidende outokorrelasies vir hoër lags dui op 'n moontlike MA (2) model. IID N (0,1). Die koëffisiënte is 1 0.5 en 2 0.3. Want dit is 'n MA (2), sal die teoretiese ACF nul waardes het net by lags 1 en 2. Waardes van die twee nie-nul outokorrelasies is 'n plot van die teoretiese ACF volg. Soos byna altyd die geval is, monster data gewoond te tree heeltemal so perfek as teorie. Ons gesimuleerde N 150 monster waardes vir die model x t 10 w t 0,5 w t-1 0,3 w t-2. waar w t IID N (0,1). Die tydreekse plot van die data volg. Soos met die tydreeks plot vir die MA (1) voorbeeld van die data, kan nie vir jou sê baie daaruit. Die monster ACF vir die gesimuleerde data volg. Die patroon is tipies vir situasies waar 'n MA (2) model nuttig kan wees. Daar is twee statisties beduidende spykers by lags 1 en 2, gevolg deur nie-beduidende waardes vir ander lags. Let daarop dat as gevolg van steekproeffout, die monster ACF nie die teoretiese patroon presies ooreenstem. ACF vir Algemene MA (Q) Models n eiendom van MA (Q) modelle in die algemeen is dat daar nie-nul outokorrelasies vir die eerste Q lags en outokorrelasies 0 vir alle lags GT q. Nie-uniekheid van verband tussen waardes van 1 en (rho1) in MA (1) Model. In die MA (1) model, vir enige waarde van 1. die wedersydse 01/01 gee dieselfde waarde vir so 'n voorbeeld, gebruik 0,5 vir 1. en gebruik dan 1 / (0,5) 2 vir 1. Jy sal kry (rho1) 0.4 in beide gevalle. Om 'n teoretiese beperking genoem inverteerbaarheid bevredig. Ons beperk MA (1) modelle om waardes met absolute waarde minder as 1. In die voorbeeld net gegee, 1 0.5 sal 'n toelaatbare parameter waarde wees nie, terwyl 1 1 / 0.5 2 nie. Inverteerbaarheid van MA modelle 'n MA-model word gesê omkeerbare te wees indien dit algebraïes gelykstaande aan 'n konvergerende oneindige orde AR model. Bevestig deur die, bedoel ons dat die AR koëffisiënte daal tot 0 as ons terug beweeg in die tyd. Inverteerbaarheid is 'n beperking geprogrammeer in die tyd reeks sagteware wat gebruik word om die koëffisiënte van modelle te skat met MA terme. Dit is nie iets wat ons gaan vir die data-analise. Bykomende inligting oor die inverteerbaarheid beperking vir MA (1) modelle word in die bylaag. Gevorderde teorie Nota. Vir 'n MA (Q) model met 'n bepaalde ACF, daar is net een omkeerbare model. Die noodsaaklike voorwaarde vir inverteerbaarheid is dat die koëffisiënte waardes sodanig dat die vergelyking 1- 1 y. - Q y q 0 het oplossings vir y wat buite die eenheidsirkel val. R-kode vir die voorbeelde in Voorbeeld 1, ons geplot die teoretiese ACF van die model x t 10 w t. 7W t-1. en dan nageboots N 150 waardes van hierdie model en geplot die monster tydreekse en die monster ACF vir die gesimuleerde data. Die R bevele gebruik word om die teoretiese ACF plot was: acfma1ARMAacf (Mac (0,7), lag. max10) 10 lags van ACF vir MA (1) met theta1 0.7 lags0: 10 skep 'n veranderlike genaamd lags wat wissel van 0 tot 10. plot (lags, acfma1, xlimc (1,10), ylabr, typeh, hoof ACF vir MA (1) met theta1 0.7) abline (H0) voeg n horisontale as om die plot die eerste opdrag bepaal die ACF en slaan dit in 'n voorwerp vernoem acfma1 (ons keuse van naam). Die plot opdrag (die 3de gebod) erwe lags teenoor die ACF waardes vir lags 1 tot 10. Die ylab parameter etikette die y-as en die belangrikste parameter sit 'n titel op die plot. Om te sien die numeriese waardes van die ACF net gebruik die opdrag acfma1. Die simulasie en erwe is gedoen met die volgende opdragte. xcarima. sim (N150, lys (Mac (0,7))) Simuleer N 150 waardes van MA (1) xxc10 voeg 10 tot gemiddelde 10. Simulasie gebreke maak beteken 0. plot (x, typeb, mainSimulated MA (1) data) ACF (x, xlimc (1,10), mainACF vir gesimuleerde steekproefdata) In Voorbeeld 2, ons geplot die teoretiese ACF van die model xt 10 wt 0,5 w t-1 0,3 w t-2. en dan nageboots N 150 waardes van hierdie model en geplot die monster tydreekse en die monster ACF vir die gesimuleerde data. Die R bevele gebruik was acfma2ARMAacf (Mac (0.5,0.3), lag. max10) acfma2 lags0: 10 plot (lags, acfma2, xlimc (1,10), ylabr, typeh, hoof ACF vir MA (2) met theta1 0.5, theta20.3) abline (H0) xcarima. sim (N150, lys (Mac (0.5, 0.3))) xxc10 plot (x, typeb, hoof Gesimuleerde MA (2) Series) ACF (x, xlimc (1,10), mainACF vir gesimuleerde MA (2) Data) Bylae: Bewys van eiendomme van MA (1) vir belangstellende studente, hier is bewyse vir teoretiese eienskappe van die MA (1) model. Variansie: (teks (xt) teks (mu wt theta1 w) 0 teks (WT) teks (theta1w) sigma2w theta21sigma2w (1theta21) sigma2w) Wanneer h 1, die vorige uitdrukking 1 W 2. Vir enige h 2, die vorige uitdrukking 0 . die rede hiervoor is dat per definisie van onafhanklikheid van die WT. E (w k w j) 0 vir enige k j. Verder, omdat die w t het intussen 0, E (w j w j) E (w j 2) w 2. Vir 'n tydreeks, Pas hierdie resultaat aan die ACF hierbo kry. 'N omkeerbare MA model is die een wat geskryf kan word as 'n oneindige orde AR model wat konvergeer sodat die AR koëffisiënte konvergeer na 0 as ons oneindig terug in die tyd beweeg. Wel demonstreer inverteerbaarheid vir die MA (1) model. Ons het toe plaasvervanger verhouding (2) vir w t-1 in vergelyking (1) (3) (ZT wt theta1 (Z - theta1w) wt theta1z - theta2w) op tydstip t-2. vergelyking (2) word Ons het toe plaasvervanger verhouding (4) vir w t-2 in vergelyking (3) (ZT wt theta1 Z - theta21w wt theta1z - theta21 (Z - theta1w) wt theta1z - theta12z theta31w) As ons voortgaan ( oneindig), sou ons die oneindige orde AR model kry (ZT wt theta1 Z - theta21z theta31z - theta41z kolletjies) Nota egter dat as 1 1, die koëffisiënte die lags van Z vermenigvuldig sal toeneem (oneindig) in grootte as ons terug beweeg in tyd. Om dit te voorkom, moet ons 1 LT1. Dit is die voorwaarde vir 'n omkeerbare MA (1) model. Oneindige Bestel MA model In week 3, goed sien dat 'n AR (1) model kan omgeskakel word na 'n oneindige orde MA model: (xt - mu wt phi1w phi21w kolle phik1 w kolle som phij1w) Hierdie opsomming van verlede wit geraas terme is bekende as die oorsaaklike voorstelling van 'n AR (1). Met ander woorde, x t is 'n spesiale tipe MA met 'n oneindige aantal terme terug gaan in die tyd. Dit is 'n oneindige orde MA of MA () genoem. 'N Eindige orde MA is 'n oneindige orde AR en enige eindige orde AR is 'n oneindige orde MA. Onthou in Week 1, het ons opgemerk dat 'n vereiste vir 'n stilstaande AR (1) is dat 1 LT1. Kom ons bereken die Var (x t) met behulp van die oorsaaklike verteenwoordiging. Die laaste stap gebruik 'n basiese feit oor meetkundige reeks wat vereis (phi1lt1) anders sal die reeks divergeer. NavigationIm nie 'n kenner op hierdie, maar my verstand van die probleem is die volgende: Die reeks processed vir enkel eksponensiële gladstryking bere 'n vorm van eksponensieel geweeg bewegende gemiddelde berekening. Die een probleem is dat EViews initialisatie die rekursie met behulp van die gemiddelde van die (min of meer) eerste helfte van die waarnemings wat mag of nie mag wees wat jy wil hê. Alternatiewelik, kan jy rol jou eie redelik maklik. As, byvoorbeeld, jy wil die eerste waarneming waarde gebruik om die rekursie inisialiseer, kan jy gebruik maak van die opdragte SMPL eerste eerste skalaar alfa 0,3 reeks ema y SMPL first1 laaste ema alphay (1-alfa) ema (-1) waar Ive arbitrêr stel die parameter smoothing om 0,3. Hoe stel ek die skatting tydperk en die voorspelling tydperk in die bogenoemde opdrag is die skalaar alfa 0,3 gewig Kan ek verander dit dan na 0,5. 7 en 0,9 as verskillende gewigte Maak die laaste verteenwoordig die voorspelling tydperk asseblief ek baie dringend hulp nodig het. Dankie Ek dink die vraag en die antwoord is nie ooreenstem met hier. DGW, wat jy is op soek na die tegnikus of risikobestuurders weergawe van 'n bewegende gemiddelde wat gewigte meer onlangse tye hoër as ander met die vermoë om die lengte van die venster beheer deur 'n parameter. Ek het 'n subroutine wat dit doen en dit word hieronder geplaas. Let daarop dat jy sal nodig hê om te kom met 'n manier om die eerste en laaste beskikbare waardes van jou reeks vind en slaag hulle in (i didnt gee dat kode in hierdie voorbeeld, maar is bly om dit te plaas as iemand belangstel). Ek let dit in die kode, maar hier, vir duidelikheid, hierdie funksie neem 'n venster argument (dieselfde as per in movav (reeks, per)) en 'n lambda, of verval, koëffisiënt. As die verval koëffisiënt 1, dan is jy net 'n bewegende gemiddelde. As die verval koëffisiënt 0 dan moet jy net die vorige tydperke waarde. So skaal dit 0-1 (die meeste wat ek sien in die praktyk is gt.85). Dit is soos die slaan van die probleem met 'n baie groot hamer, maar ek weet van geen ander manier om dit aan te pak. die calc tyd is noodwendig 'n funksie van die venster, maar dit behoort nie te swaar vir redelik grootte reeks en projekte. DGW, hoop die kode antwoorde op jou oorspronklike navraag. As jy 'n skoner manier om te bereken gevind, wil dit graag sien. P. s. Ek het voortgegaan en gepos word om die eerste / laaste datum beskikbaar kode sowel. hierdie roetine sal die eksponensieel Geweegde bewegende gemiddelde vir 'n gegewe venster te bereken vir 'n bepaalde reeks. Moet spesifiseer 'n lambda koëffisiënt tussen 0 en 1. formule met vergunning van boek: Market Models deur Carol Alexander formuleblad is soos volg: Teller / Noemer Waar: Teller x (t-1) coeffx (t-2) coeff2x (t-3). coeff (N-1) x (t-N) Noemer 1coeffcoeff2. coeff (N-1) x die reeks wat jy die berekening van die ewma op. coeff is die lambda-koëffisiënt om die spoed van verval te beheer vir ouer waardes. As coeff 1 dan moet jy 'n ewe geweegde bewegende gemiddelde. As coeff 0 dan is jy net die vorige waarde. sluit in 'n roetine te later die eerste en laaste datums van data vind vir 'n series..more op daardie. sluit m: toolboxfindfactorstartenddates. prg die parameters spesifiseer. Subroutine CalcEWMA (skalaar coeff, skalaar venster string reeks, string agtervoegsel) waar: coeff lambda venster die duur van die bewegende gemiddelde (10dma, 50dma, ens) reeks die naam van die reeks wat jy die berekening van die ewma vir. agtervoegsel die string te voeg tot die naam reeks om die nuwe ewma reeks aanwys. volle monster SMPL al hierdie afdeling handel oor die vind van die eerste en laaste beskikbare data vir 'n gegewe reeks. Ek weet nie van EVIEWS6 manier om dit te doen met 'n funksie. So ek het 'n subroutine wat ek gebruik in alle vorme van roetines. groep tydelike totmkus groep quottempquot die insette is 'n groep wat al die reeks wat ek wil kry begin-en einddatum vir bevat. findfactorstartenddates noem (groep) die opbrengs van my roetine is 'n tabel met die naam starteneddate die eerste beskikbare datum in kolom 2 en die laaste beskikbare datum in kolom 3. eerste dtoo (startenddate (1, 2)) laaste dtoo (startenddate (1, 3)) op hierdie punt moet jy die waarneming getal het vir jou eerste en laaste beskikbare data punt. skep die naam van die nuwe reeks sal ons gebruik. ewma seriesstr (venster) quotdewmaquot verwyder indien dit reeds bestaan. As isobject (ewma) dan verwyder endif die reeks te skep. reeks gelyke geweegde bewegende gemiddelde beweeg deur elke punt in die tyd in 'n lus. Want ek (firstwindow) met verlede num 0 inisialiseer den 0 inisialiseer lus deur die ewma venster tydraamwerk. vir N 1 tot venster noot wat op die eerste lus eksponent 0 sodat eerste waarde van teller amp deler is 1 num num (i-N) coeff (N-1) den den coeff (N-1) volgende nou skep die Exp. Wgtd. Mvavg (i) num / den volgende Endsub vir die toets. As 'n beroep van 'n ander program, net kommentaar lewer hierdie lyn. noem calcewma (0,9, 10, quottotmkusquot, quotdewmaquot) Subroutine FindFactorStartEndDates (string grplist) hierdie program neem 'n lys van faktore en bevind dat die begin dag vir elkeen. Dit is nuttig wanneer die bou van 'n model met 'n kort stert faktore. Watter het die meeste data beskikbaar wat die naam van die groep vir die faktor lys FactorList grplist A talbe vernoem Begindatum sal gebruik word om die faktor name te teken en begin datums. indien dit bestaan, verwyder dit om verwarring te voorkom. As isobject (quotStartEndDatequot) dan verwyder StartEndDate endif Bou 'n tendens veranderlike te bepaal hoe baie waarnemings daar. As isobject (quottrendquot) dan tendens endif Reeks tendens tendens verwyder () nou skep Begindatum Table StartEndDate Vind die aantal faktore in die lys LastFactor. count Vir j 1 tot LastFactor Factor. seriesname (j) want ek 1 tot OBS (Trend) indien ISNA ((i)) 0 dan vir ki te OBS (Trend) As ISNA ((k)) 1 dan die vorige datum is die laaste StartEndDate (j, 3) otod (k-1) exitloop endif volgende exitloop endif volgende StartEndDate ( j, 2) otod (i) StartEndDate (j, 1) faktor volgende skoon te maak. As isobject (quottrendquot) dan tendens verwyder endif EndSub vir die toets oproep findfactorstartenddates (quota3myieldmoquot) EViews Oorsig: Data Management Deel 3: Gesofistikeerd Databestuur kragtige analitiese gereedskap is net nuttig as jy maklik kan werk met jou data. EViews bied die wydste verskeidenheid van data bestuur gereedskap wat beskikbaar is in 'n ekonometriese sagteware. Van sy uitgebreide biblioteek van wiskundige, statistiese, datum, string, en tydreeks operateurs en funksies, om omvattende ondersteuning vir numeriese, karakter, en datum data, EViews bied die data hantering funksies youve gekom om te verwag van moderne statistiese sagteware. Uitgebreide funksie Biblioteek EViews sluit 'n uitgebreide biblioteek van funksies vir die werk met data. Behalwe die standaard wiskundige en trigonometriese funksies, EViews bied funksies vir beskrywende statistiek, kumulatiewe en beweeg statistieke, deur-groep statistieke, spesiale funksies, gespesialiseerde datum en tyd reeks operasies, workfile, waarde kaart, en finansiële berekeninge. EViews maak ook voorsiening ewekansige getal kragopwekkers (Knuth, LEcuyer of Mersenne-Twister), funksies digtheid en kumulatiewe verdelingsfunksies agtien verskillende distributions. These gebruik kan word in die skep van nuwe reeks, of in die berekening van skalaar en oorsig uitdrukkings. EViews bied 'n uitgebreide biblioteek van funksies. Gesofistikeerde Expression Hantering EViews kragtige instrumente vir die hantering uitdrukking beteken dat jy uitdrukkings kan gebruik feitlik oral sal jy 'n reeks gebruik. Jy hoef nie te nuwe veranderlikes om te werk met die logaritme van Y, die bewegende gemiddelde van W, of die verhouding van X na Y (of enige ander geldige uitdrukking) te skep. In plaas daarvan, kan jy die uitdrukking gebruik in die berekening van beskrywende statistiek, as deel van 'n vergelyking of model spesifikasie, of in die bou van grafieke. Wanneer jy voorspel met behulp van 'n vergelyking met 'n uitdrukking vir die afhanklike veranderlike, sal EViews (indien moontlik) toelaat om die onderliggende afhanklike veranderlike te voorspel en sal die beraamde vertrouensinterval dienooreenkomstig aan te pas. Byvoorbeeld, as die afhanklike veranderlike is gespesifiseer as log (G), kan jy kies om óf die log of die vlak van G voorspel, en om die toepaslike, moontlik asimmetriese, vertrouensinterval bereken. Werk direk met uitdrukkings in die plek van veranderlikes. Links, formules en Waardes Maps Link voorwerpe kan jy reeks wat verwys na data wat in ander workfiles of workfile bladsye te skep. Links toelaat om data te kombineer op verskillende frekwensies, of pas saamsmelt in die data van 'n opsomming bladsy in 'n individu bladsy so dat die data dinamiese opgedateer wanneer die onderliggende data verandering. Net so, binne 'n workfile, formules kan toegeskryf word aan datareeks sodat die datareeks outomaties herbereken wanneer die onderliggende data is verander. Waarde vir etikette (bv quotHighquot, quotMedquot, quotLowquot, wat ooreenstem met 2, 1, 0) toegepas kan word om numeriese of alfa-reeks sodat kategoriese data kan vertoon met betekenisvolle etikette. Ingeboude funksies toelaat dat jy om te werk met óf die onderliggende of die gekarteer waardes wanneer berekeninge. Links kan gebruik word vir dinamiese frekwensie sukses of wedstryd samesmelting. Datastrukture en tipes EViews kan hanteer komplekse datastrukture, insluitend gereelde en ongereelde gedateer data, deursnit data met sigbare tekens identifiseerders, en gedateer en ongedateerde paneel data. Benewens numeriese data, kan 'n EViews workfile ook alfanumeriese (karakterstring) data, en reekse met datums, wat almal kan gemanipuleer word met behulp van 'n uitgebreide biblioteek van funksies bevat. EViews bied ook 'n wye verskeidenheid van instrumente vir die werk met datastelle (workfiles), data, insluitend die vermoë om reeks kombineer deur komplekse wedstryd saamsmelt kriteria en workfile prosedures vir die verandering van die struktuur van jou data: aansluit, voeg, subset, die grootte, soort, en hervorm (stapel en unstack). EViews workfiles kan hoogs gestruktureer. Enterprise Edition Ondersteuning vir ODBC, FAME TM. DRIBase, en Haver Analytics Databasisse As deel van die EViews Enterprise Edition ( 'n ekstra koste opsie oor EViews Standard Edition), ondersteuning word verskaf om toegang tot data wat in relasionele databasisse (via ODBC bestuurders) en om databasisse in 'n verskeidenheid van eie strukture gebruik deur kommersiële data en databasis verkopers. Open Database Connectivity (ODBC) is 'n standaard deur baie relasionele databasis stelsels insluitend Oracle, Microsoft SQL Server en IBM DB2. EViews kan jy om te lees of te skryf hele tafels van ODBC databasis, of om 'n nuwe workfile van die resultate van 'n SQL navraag te skep. EViews Enterprise Edition ondersteun ook toegang tot roem TM formaat databasisse (beide plaaslike en bediener-gebaseerde) Global insigte DRIPro en DRIBase databanke, Haver Analytics DLX databasisse, Data Stream, FactSet, en Moodys Ekonomie. Die bekende, maklik-om-te gebruik EViews databasis koppelvlak is uitgebrei om hierdie data formate, sodat jy kan werk met buitelandse databasisse so maklik soos moedertaal EViews databasisse. Frekwensie sukses Wanneer jy data van 'n databasis of van 'n ander workfile of workfile bladsy in te voer, is dit outomaties omgeskakel word na die frekwensie van jou huidige projek. EViews bied baie opsies vir frekwensie sukses, en sluit in steun vir die omskakeling van die daaglikse, weeklikse, of onreëlmatige-frekwensie data. Reeks kan 'n voorkeur omskakeling metode word toegeken, sodat jy verskillende metodes vir verskillende reeks gebruik sonder om die omskakeling metode spesifiseer elke keer as 'n reeks is aangevra. Jy kan selfs links sodat die frekwensie omskep data reeks word outomaties herbereken wanneer die onderliggende data is verander. Gee 'n reeks spesifieke outomatiese omskakeling of kies 'n spesifieke metode. Vir verkope inligting stuur 'n epos saleseviews vir tegniese ondersteuning kan jou stuur supporteviews Sluit asb jou reeksnommer met alle e-pos korrespondensie. Vir meer kontak besonderhede, sien ons omtrent page. When berekening 'n lopende bewegende gemiddelde, die plasing van die gemiddelde in die middel tydperk sinvol In die vorige voorbeeld het ons die gemiddeld van die eerste 3 tydperke bereken en sit dit langs tydperk 3. Ons die gemiddelde kon geplaas in die middel van die tyd interval van drie tydperke, dit wil sê langs tydperk 2. dit werk goed met vreemde tydperke, maar nie so goed vir selfs tydperke. So waar sou ons plaas die eerste bewegende gemiddelde wanneer M 4 Tegnies, sou die bewegende gemiddelde op t 2.5, 3.5 val. Om hierdie probleem wat ons glad Mas using 2. So glad ons die stryk waardes As ons gemiddeld 'n gelyke getal terme te vermy, moet ons die stryk waardes glad Die volgende tabel toon die resultate met behulp van M 4.