Moving Average Bootstrap

Eu sou novo em R e estou tentando calcular o desvio padrão de bootstrapped (sd) e erro padrão associado dentro de uma janela de rolamento de 30 observações. A função abaixo executa a janela rolante apropriadamente se eu quiser apenas sd. Mas quando adiciono a função bootstrap usando o pacote de inicialização, recebo o erro especificado abaixo. Eu acho que estou tentando armazenar os resultados do bootstrap em um vetor que não é o tamanho correto. Alguém tem algum conselho sobre como armazenar apenas o sd bootstrapped e o stderror associado para cada janela em linhas de uma nova matriz. O objetivo é traçar o sd e os intervalos de confiança 95 associados para cada janela ao longo dos timeseries. Agradecemos antecipadamente por qualquer ajuda. Perguntou 29 de abril às 19:08 Você pode simplificá-lo bastante. Eu não estou familiarizado com o pacote de inicialização, mas podemos rolar uma função ao longo de um vetor usando a função rollapply com bastante facilidade e então podemos fazer amostras de bootstrap usando a função replicar: cada coluna representa o rollapply que arranca as observações na janela atual Antes de aplicar sd. Modelos em movimento da média móvel Cite este artigo como: Corduas, MJ It. Estatista. Soc. (1992) 1: 227. doi: 10.1007BF02589032 Nos últimos anos, o método bootstrap foi ampliado para análise de séries temporais, onde as observações estão correlacionadas em série. As contribuições focalizaram o modelo autoregressivo produzindo procedimentos alternativos de reescalonamento. Em contraste, além de algumas aplicações empíricas, foi dada pouca atenção à possibilidade de ampliar o uso do método bootstrap para a média móvel pura (MA) ou modelos ARMA misturados. Neste artigo, apresentamos um novo procedimento de inicialização que pode ser aplicado para avaliar as propriedades distributivas das estimativas de parâmetros médios móveis obtidas por uma abordagem de mínimos quadrados. Discutimos a metodologia e os limites de seu uso. Finalmente, o desempenho da abordagem bootstrap é comparado com o da alternativa concorrente dada pela simulação de Monte Carlo. Séries temporais bootstrap Modelos em média móveis Pesquisas parcialmente suportadas por CNR e MURST. Referências Burg J. (1975), análise espectral máxima de entropia, Ph. D. Dissert. . Universidade de Stanford, Departamento de Geofísica. Chatterjee S. (1986), Bootstrapping modelos ARMA: algumas simulações, IEEE Transactions on System, Man amp Cybernetics. 16, 294299. CrossRef Google Scholar Corduas, M. (1990), Approcci alternativi per il ricampionamento nei modelli Autoregressivi, Atti della XXXV Riunione Scientifica SIS. Padova, 2, 6168. Google Scholar Efron B. (1979), métodos Bootstrap: outro olhar para Jackknife. Anais das estatísticas. 7, 126. MATH MathSciNet Google Scholar Efron B. (1982), The Jackknife, o bootstrap e outros planos de reescalonamento, SIAMCBMS Monograph 38, Philadelphia. Efron B. Tibshirani R. (1986), métodos Bootstrap para intervalos de confiança de erro padrão e outras medidas de precisão estatística. Ciência estatística. 1, 5477. MathSciNet Google Scholar Freedman D. (1984). No bootstrapping estimativas de mínimos quadrados de dois estágios em modelos lineares estacionários, Annals of Statistics. 12, 827842. MATH MathSciNet Google Scholar Hannan E. J. Rissanen J. (1982), estimativa recursiva da ordem média móvel móvel autorregressiva, Biometrika. 69, 8194. MATH CrossRef MathSciNet Google Scholar Hannan E. J. Kavalieris L. (1984), método para estimar a média móvel auto - ressorial. Biometrika. 72, 273280. CrossRef MathSciNet Google Scholar Koreisha S. Pukkila T. (1990), uma abordagem generalizada de mínimos quadrados para a estimativa de modelos de média móvel autorregressiva, Journal of Time Series Analysis. 2, 139151. MathSciNet Google Scholar Knsch H. R. (1989), o jackknife eo bootstrap para observações estacionárias gerais, Annals of Statistics. 17, 12171241. MATH MathSciNet Google Scholar Liu R. Y. Singh K. (1988), Movendo blocos jackknife e bootstrap captura dependência fraca, Relatório Técnico. Departamento de Estatística, Universidade de Rutgers. Tjostheim D. Paulsen J. (1983), Bias de algumas estimativas da série de tempo comummente utilizadas, Biometrika. 48, 197199. MathSciNet Google Scholar White H. (1984), Teoria assintótica para econometristas. Academic Press, Orlando (CA). Google Scholar Informação de direitos autorais Societa Italiana di Statistica 1992 Autores e afiliações Marcella Corduas 1 2 1. Centro de especialidade e Ricerche Portici (NA) Itália 2. Universit di Napoli Federico II Napoli Italia Sobre este artigo por Joel L. Horowitz - Handbook of Econometrics. 2001. O bootstrap é um método para estimar a distribuição de um estimador ou estatística de teste reescalonando os dados. Isso equivale a tratar os dados como se fossem a população com o objetivo de avaliar a distribuição de interesse. Em condições de regularidade moderada, o bootstrap produz um a. O bootstrap é um método para estimar a distribuição de um estimador ou estatística de teste reescalonando os dados. Isso equivale a tratar os dados como se fossem a população com o objetivo de avaliar a distribuição de interesse. Sob condições de regularidade moderada, o bootstrap fornece uma aproximação à distribuição de um estimador ou estatística de teste que é pelo menos tão preciso quanto o de Wolfgang Hrdle, Joel Horowitz, Jens-Peter Kreiss - International Statist. Reveja. 2003. O bootstrap é um método para estimar a distribuição de um estimador ou estatística de teste reescalonando os dados ou um modelo estimado a partir dos dados. Os métodos disponíveis para implementar o bootstrap e a precisão das estimativas de bootstrap dependem de se os dados são uma amostra aleatória. O bootstrap é um método para estimar a distribuição de um estimador ou estatística de teste reescalonando os dados ou um modelo estimado a partir dos dados. Os métodos disponíveis para implementar o bootstrap e a precisão das estimativas do bootstrap dependem de se os dados são uma amostra aleatória de uma série de distribuição ou de tempo. Este artigo está preocupado com a aplicação do bootstrap para dados de séries temporais quando não existe um modelo paramétrico finito-dimensional que reduz o processo de geração de dados para amostragem aleatória independente. Revisamos os métodos que foram propostos para implementar o bootstrap nesta situação e discutimos a precisão desses métodos em relação à das aproximações assintóticas de primeira ordem. Argumentamos que os métodos para implementar o bootstrap com dados de séries temporais não são tão bem entendidos como métodos para dados que são amostrados aleatoriamente de uma distribuição. Além disso, o desempenho do bootstrap, conforme medido pela taxa de convergência de erros de estimativa, tende a ser mais pobre com séries temporais do que com amostras aleatórias. Este é um problema importante para a pesquisa aplicada porque as aproximações assintóticas de primeira ordem são muitas vezes imprecisas e enganosas com dados de séries temporais e amostras dos tamanhos encontrados em aplicativos. Concluímos que há uma necessidade de pesquisa adicional na aplicação do bootstrap para séries temporais e descrevemos alguns dos principais problemas não resolvidos. Por Ke-li Xu, Peter C. B. Phillips. 2007. Modelos autoregressivos estáveis ​​de uma ordem finita conhecida são considerados com erros de diferenças de martingale escalonados por uma função não-paramétrica desconhecida que gera heterogeneidade. Um caso especial importante envolve mudança estrutural na variação do erro, mas na maioria dos casos práticos o padrão. Modelos autoregressivos estáveis ​​de uma ordem finita conhecida são considerados com erros de diferenças de martingale escalonados por uma função não-paramétrica desconhecida que gera heterogeneidade. Um caso especial importante envolve mudança estrutural na variação do erro, mas na maioria dos casos práticos o padrão de mudança de variância ao longo do tempo é desconhecido e pode envolver mudanças em pontos discretos desconhecidos no tempo, evolução contínua ou combinações dos dois. Este artigo desenvolve estimadores baseados no núcleo das variâncias residuais e os estimadores de mínimos quadrados adaptativos associados (ALS) dos coeficientes autorregressivos. Estes são mostrados como sendo assintoticamente eficientes, tendo a mesma distribuição de limites que os mínimos quadrados generalizados infisáveis ​​(GLS). As comparações do procedimento eficiente e dos mínimos quadrados comuns (OLS) revelam que os mínimos quadrados podem ser extremamente ineficientes em alguns casos, enquanto são quase ótimos em outros. As simulações mostram que, quando os mínimos quadrados funcionam bem, os estimadores adaptativos são comparativamente bons, enquanto que quando os mínimos quadrados funcionam mal, ganhos maiores de eficiência são alcançados pelos novos estimadores. Aks e testes de estacionararia. Journal of Business and Economic Statistics 21 (4), 510-31. 5 Carroll, R. J. 1982. Adaptação para heterocedasticidade em modelos lineares. Anais das estatísticas 10, 1224-1233. -6-- Cavaliere, G. 2004a. Testando a estacionaridade sob uma mudança de variância permanente. Economics Letters 82, 403-408. 7 Cavaliere, G. 2004b. Testes de raiz unitária em variações de variância variando no tempo. R. econométrica de Michael Sherman - Journal of Statistical Planning and Inference. 1998. Existem duas abordagens principais para a subamostragem para dados dependentes: modelo baseado e modelo livre. No primeiro, a estrutura de dependência é modelada em termos de alguns parâmetros desconhecidos e erros independentes. Nos últimos, a série observada é dividida em blocos, e esses blocos são usados ​​para capturar. Existem duas abordagens principais para a subamostragem para dados dependentes: modelo baseado e modelo livre. No primeiro, a estrutura de dependência é modelada em termos de alguns parâmetros desconhecidos e erros independentes. No último, a série observada é dividida em blocos, e esses blocos são usados ​​para capturar a dependência na série original. É razoável supor que a abordagem baseada em modelo é superior no modelo correto e inferior em falta de especificação do modelo correto. Formalizamos essa compensação entre eficiência e robustez e examinamos a forma como ela se desenrola na classe de modelos Autoregressive-Moving Average. Palavras-chave: Remamada, Dependência, Não paramétrico, sem modelo, Time-Series, Bootstrap Michael Sherman é professor assistente no Departamento de Estatística, Texas AampampM University, College Station, TX 1: INTRODUÇÃO Existem duas abordagens principais para submamamação para seqüências dependentes: Modelo baseado e modelo livre. Na abordagem baseada em modelos, a dependência. N então seja bootstrapped, e pseudo séries temporais podem ser formadas a partir do modelo estimado. Alguns exemplos dessa abordagem da literatura são os casos de auto-agressão (Bose, 1988), média móvel (-Bose, 1990--), modelos dinâmicos lineares (Freedman, 1984), intervalos de predição (Thombs, 1990), auto-agressão explosiva, (Basawa et al., 1989) e auto-regeneração instável (Datta, 1996). No modelo de abordagem gratuita th. Por Andrés M. Alonso, Juan Romo. Várias técnicas para reescalonamento de dados dependentes já foram propostas. Neste artigo, usamos técnicas de valores perdidos para modificar os blocos em movimento jackknife e bootstrap. Mais especificamente, consideramos os blocos de observações excluídas no jackknife blockwise como dados ausentes que são reco. Várias técnicas para reescalonamento de dados dependentes já foram propostas. Neste artigo, usamos técnicas de valores perdidos para modificar os blocos em movimento jackknife e bootstrap. Mais especificamente, consideramos os blocos de observações excluídas no jackknife blockwise como dados faltantes, que são recuperados por estimativas de valores em falta, incorporando a estrutura de dependência de observação. Assim, estimamos a variância de uma estatística como variância da amostra ponderada da estatística avaliada em uma série completa. A consistência da variância e os estimadores de distribuição da média da amostra são estabelecidos. Além disso, aplicamos a abordagem de valores em falta ao bootstrap de bloqueio, incluindo algumas observações faltantes entre dois blocos consecutivos e demonstramos a consistência da variância e os estimadores de distribuição da média da amostra. Finalmente, apresentamos os resultados de um extenso estudo de Monte Carlo para avaliar o desempenho desses métodos para tamanhos de amostra finitos, mostrando que nossa proposta fornece estimativas de variância para várias estatísticas de séries temporais com menor erro quadrático médio do que os procedimentos anteriores. 2 por Stanislav Anatolyev. 2002. Estudamos o desempenho da inferência bootstrap em amostras pequenas em um modelo de predição linear de curto horizonte. As evidências de simulação mostram que o bootstrap residual funciona bem mesmo em situações em que a estrutura não-IID das inovações Wold deve contaminar a inferência. Dist dist. Estudamos o desempenho da inferência bootstrap em amostras pequenas em um modelo de predição linear de curto horizonte. As evidências de simulação mostram que o bootstrap residual funciona bem mesmo em situações em que a estrutura não-IID das inovações Wold deve contaminar a inferência. As pequenas distorções causadas pela presença de uma forte heterocedasticidade condicional são parcialmente removidas pelo bootstrap selvagem, enquanto o uso de qualquer variação do bootstrap do bloco com fatores de correção é mais problemático devido à necessidade de selecionar um comprimento de bloco e, além disso, é computacionalmente Mais intensivo. Por autores desconhecidos. Robustez do bootstrap residual para a composição de erros correlacionados em série por Stanislav Anatolyev New Economic School, Moscou Em um modelo autoregressivo simples com erros correlacionados em série, avaliamos as distorções de tamanho resultantes do bootstrap residual quando a inovação Wold se encontra. Robusteza do bootstrap residual para a composição de erros correlacionados em série por Stanislav Anatolyev New Economic School, Moscou Em um modelo autoregressivo simples com erros correlacionados em série, avaliamos distorções de tamanho resultantes do bootstrap residual quando a inovação Wold é dependente em série e, portanto, É esperado para contaminar a inferência. Pequenas distorções causadas pela presença de forte heterocedasticidade condicional ou outras não-linearidades podem ser parcialmente removidas por meio do bootstrap selvagem. O IDE é IID sob o DGP (4), mas não está dentro dos DGPs (5), (6) ou (7). 4 Reaprovação do Bootstrap No bootstrap residual, uma reaviva a inovação Wold no erro tratado como um processo IID (-Bose 1990--, Kreiss e Franke, 1992). Após os resíduos e, t 1,. T são 5 calculados, restauramos as estimativas das inovações Wold t, t 1,. T da seguinte maneira. Calculamos uma estimativa de. Por Nalini Ravishanker, Lilian S.-Y. Wu, Dipak K. Dey. Blocos ultrapassados ​​contemporâneos (aditivo ou reatribuição) causados ​​por eventos especiais freqüentemente ocorrem em séries temporais repetidas de negócios. Quando as séries temporais têm forte dependência inter-série, as técnicas de estimativa de encolhimento proporcionam estimativas melhoradas dos parâmetros do modelo da série temporal e do ou. Blocos ultrapassados ​​contemporâneos (aditivo ou reatribuição) causados ​​por eventos especiais freqüentemente ocorrem em séries temporais repetidas de negócios. Quando as séries temporais possuem forte dependência inter-série, as técnicas de estimativa de encolhimento proporcionam estimativas melhoradas dos parâmetros do modelo da série temporal e do bloqueio outlier. Uma estimativa de bootstrap da matriz de covariância do vetor de magnitudes anatômicas nos permite incorporar a dependência e obter as estimativas de encolhimento. 1 Introdução A indústria americana é caracterizada por mudanças constantes. As empresas introduzem novos produtos e se reorganizam. Neste ambiente de mudança constante, os dados históricos sobre os quais as previsões são baseadas são freqüentemente curtos, compreendendo geralmente não mais de três ou quatro anos de dados mensais. Muitas vezes, as empresas são organizadas em unidades ou divisões menores e séries curtas de dados estão disponíveis para cada divisão, levando a um conjunto de séries temporais repetidas. Por exemplo, na IBM, a divisão é em termos de áreas geográficas e. Por Seongman Moon, Carlos Velasco. Página inicial do jornal: elsevierlocatejeconom.