Esta pergunta já tem uma resposta aqui: Para um modelo ARIMA (0,0,1), entendo que R segue a equação: xt mu e (t) thetae (t-1) (Por favor, corrija se eu estiver errado) Suponha que e (t-1) é igual ao residual da última observação. Por exemplo, aqui estão as primeiras quatro observações em uma amostra de dados: 526 658 624 611 Estes são os parâmetros Arima (0,0,1) modelo deu: interceptar 246,1848 ma1 0,9893 E o primeiro valor que R ajustando usando o modelo é: 327.0773 Como eu obtenho o segundo valor que eu usei: 246.1848 (0.9893 (526-327.0773)) 442.979 Mas o 2o valor ajustado dado por R é. 434.7928 Eu suponho que a diferença é por causa do termo e (t). Mas eu não sei como calcular o termo e (t). Pediu Jul 28 14 às 16:12 marcado como duplicado por Glenb 9830. Nick Stauner. W huber 9830 Jul 29 14 at 1:24 Esta pergunta foi feita antes e já tem uma resposta. Se essas respostas não abordarem completamente a sua pergunta, faça uma nova pergunta. Você pode obter os valores ajustados como previsões de uma etapa usando o algoritmo de inovações. Veja por exemplo a proposição 5.5.2 em Brockwell e Davis downloable da internet eu encontrei estes slides. É muito mais fácil obter os valores ajustados como a diferença entre os valores observados e os resíduos. Neste caso, sua pergunta se resume a obter os resíduos. Tomemos esta série gerada como um processo MA (1): Os resíduos, hat t, podem ser obtidos como um filtro recursivo: Por exemplo, podemos obter o residual no ponto de tempo 140 como o valor observado em t140 menos a média estimada menos T139): O filtro de função pode ser usado para fazer esses cálculos: Você pode ver que o resultado é muito próximo dos resíduos retornados por resíduos. A diferença nos primeiros resíduos é mais provável devido a alguma inicialização que eu possa ter omitido. Os valores ajustados são apenas os valores observados menos os resíduos: Na prática, você deve usar as funções residuais e montado, mas para fins pedagógicos você pode tentar a equação recursiva usada acima. Você pode começar fazendo alguns exemplos à mão, como mostrado acima. Eu recomendo que você leia também a documentação do filtro de função e compare alguns de seus cálculos com ele. Uma vez que você compreende as operações envolvidas na computação dos valores residuais e ajustados você poderá fazer um uso knowledgeable das funções mais práticas residuals e cabido. Você pode encontrar alguma outra informação relacionada a sua pergunta neste borne. Esta é uma pergunta básica em modelos de Box-Jenkins MA. Como eu entendo, um modelo de MA é basicamente uma regressão linear de valores de séries temporais Y contra termos de erro anteriores et. E. Isto é, a observação Y é primeiro regredida contra os seus valores anteriores Y. Y e depois um ou mais valores de Y - hat são usados como os termos de erro para o modelo MA. Mas como os termos de erro são calculados em um modelo ARIMA (0, 0, 2) Se o modelo MA é usado sem uma parte autorregressiva e, portanto, sem valor estimado, como posso ter um termo de erro perguntado Apr 7 12 at 12:48 MA Model Estimation: Vamos supor uma série com 100 pontos de tempo, e dizer que isso é caracterizado por MA (1) modelo sem intercepto. Então o modelo é dado por ytvarepsilont-thetavarepsilon, quad t1,2, cdots, 100quad (1) O termo de erro aqui não é observado. Assim, para obter isto, Box et al. Análise de Séries Temporais: Previsão e Controle (3ª Edição). Página 228. Sugerem que o termo de erro é computado recursivamente por, então o termo de erro para t1 é, varepsilon y thetavarepsilon Agora não podemos calcular isto sem conhecer o valor de theta. Assim, para obter isso, precisamos calcular a estimativa inicial ou preliminar do modelo, referir Box et al. Do referido livro, Secção 6.3.2 página 202, que tem sido mostrado que as primeiras q autocorrelações do processo MA (q) são diferentes de zero e podem ser escritas em termos dos parâmetros do modelo como rhokdisplaystylefrac theta1theta theta2theta cdotstheta thetaq quad K1,2, cdots, q A expressão acima forrho1, rho2cdots, rhoq nos termos theta1, theta2, cdots, thetaq, fornece q equações em q desconhecidos. As estimativas preliminares das thetas podem ser obtidas substituindo as estimativas rk por rhok na equação acima. Note-se que rk é a autocorrelação estimada. Há mais discussão na Seção 6.3 - Estimativas iniciais para os parâmetros. Por favor leia sobre isso. Agora, supondo que obtemos a estimativa inicial theta0.5. Então, varepsilon y 0.5varepsilon Agora, outro problema é que não temos valor para varepsilon0 porque t começa em 1, e por isso não podemos computar varepsilon1. Felizmente, existem dois métodos dois obter isso, verossimilhança condicional probabilidade incondicional de acordo com Box et al. Seção 7.1.3, página 227. Os valores de varepsilon0 podem ser substituídos a zero como uma aproximação se n for moderado ou grande, este método é Probabilidade Condicional. Caso contrário, é utilizada a Probabilidade Incondicional, em que o valor de varepsilon0 é obtido por retro-previsão, Box et al. Recomendamos este método. Leia mais sobre back-forecasting na Seção 7.1.4, na página 231. Depois de obter as estimativas iniciais eo valor de varepsilon0, então finalmente podemos prosseguir com o cálculo recursivo do termo de erro. Em seguida, o estágio final é estimar o parâmetro do modelo (1), lembre-se que esta não é mais a estimativa preliminar. Na estimativa do parâmetro theta, eu uso o procedimento de Estimação Não-Linear, particularmente o algoritmo de Levenberg-Marquardt, já que os modelos de MA são não-lineares em seu parâmetro. Moving Average - MA BREAKING DOWN Média Móvel - MA Como exemplo SMA, considere uma segurança com o seguinte fechamento Preços durante 15 dias: Semana 1 (5 dias) 20, 22, 24, 25, 23 Semana 2 (5 dias) 26, 28, 26, 29, 27 Semana 3 (5 dias) 28, 30, 27, 29, 28 Um MA de 10 dias seria a média dos preços de fechamento para os primeiros 10 dias como o primeiro ponto de dados. O ponto de dados seguinte iria cair o preço mais antigo, adicione o preço no dia 11 e tomar a média, e assim por diante, como mostrado abaixo. Conforme observado anteriormente, MAs atraso ação preço atual porque eles são baseados em preços passados quanto maior for o período de tempo para o MA, maior será o desfasamento. Assim, um MA de 200 dias terá um grau muito maior de atraso do que um MA de 20 dias porque contém preços nos últimos 200 dias. A duração do MA para usar depende dos objetivos de negociação, com MAs mais curtos usados para negociação de curto prazo e MA de longo prazo mais adequado para investidores de longo prazo. O MA de 200 dias é amplamente seguido por investidores e comerciantes, com quebras acima e abaixo desta média móvel considerada como sinais comerciais importantes. MAs também transmitir sinais comerciais importantes por conta própria, ou quando duas médias se cruzam. Um aumento MA indica que a segurança está em uma tendência de alta. Enquanto um declínio MA indica que está em uma tendência de baixa. Da mesma forma, o impulso ascendente é confirmado com um crossover de alta. Que ocorre quando um MA de curto prazo cruza acima de um MA de longo prazo. Momento descendente é confirmado com um crossover de baixa, que ocorre quando um MA de curto prazo cruza abaixo de um MA de longo prazo.
No comments:
Post a Comment