Imagine que você tenha dados sobre os preços de muitos produtos. Para cada um dos produtos, você grava informações de preços semanais. Clear set obs 200 gen prodid n Cada produto tem um preço médio único de produção genérica (5) 7 Você tem dados sobre preços semanais por 200 semanas. Expandir 200 bysort prodid: gen tn label var t Week Há também algumas variações sazonais gen seasonal .2sin (pit50), bem como uma tendência de tendência de tempo geral tendência genera t.005 A primeira observação não está correlacionada com qualquer coisa gen price prodprice2.5 tendência Rpoisson (10) 10 se t1 substituir preço prodprice2 tendência sazonal .7pricen-1 .3rpoisson (10) 10 se t2 substituir preço tendência de produção sazonal .5pricen-1 .2pricen-2 .3rpoisson (10) 10 se t3 substituir preço tendência de produção sazonal .3pricen-1 .2pricen-2 .2pricen-3 .3rpoisson (10) 10 se t4 substituir a tendência do preço de produção sazonal .3pricen-1 .175pricen-2 .125pricen-3 .1pricen-4 .3rpoisson (10) 10 se tgt4 Criar Uma globabl para armazenar global twograph forv i 16 global twograph (preço da linha t if prodid i) twoway twograph, legenda (off) título (Tendências de preços verdadeiras para os primeiros seis produtos) Agora vamos imaginar que os dados gerados acima são a verdadeira informação de preço que É fundamentalmente inobservável. Em vez disso, você tem várias coleções de dados por semana em preços que variam por algum erro addativo aleatório. Expandir 3 bysort prodid t: gen prodobs n gen pricecollect price rnormal (). 25 No entanto, a informação de preço que você possui tem algumas entradas que 10 incorretamente foram erradas. Gen entryerror rbinomial (1, .1) gen scalarerror rormal () 1 gener priceobs pricecollect (1entryerrorscalarerror) label var priceobs Preço Gravado Além disso, 35 de seus dados de preço nunca foram coletados gen faltando rbinomial (1, .35) drop if missing1 Create Um globabl para armazenar global twograph forv i 16 global twograph (preço da linha t if prodid i amp prodobs1) twoway twograph, legenda (desligado) título (Tendências de preços observadas para os primeiros seis produtos) mantenha t pricesobs prodid entryerror Estou mantendo o erro de entrada no Conjunto de dados como meio de comparação, embora não fosse observado diretamente. A questão é: você pode agora com esses dados bagunçados recuperar dados de preços que são semelhantes ao original. A primeira coisa que devemos explorar é a duplicação de dados gravados. Scatter priceobs t if prodid 1, title (É fácil ver desvios individuais) É fácil ver desvios individuais, mas não queremos passar por todos os 200 produtos para identificar valores-limite de preço individualmente. Queremos criar um sistema para identificar outliers. Permite gerar uma média por produto e por tempo de produção: média de prêmio egen (priceobs) Permite sinalizar qualquer observação que seja 120 maior do que a média ou 80 inferior à média. Gen flag (pricemean gt priceobs1.2 pricemean lt pricesobs.8) Vamos ver como ele está funcionando: dois (scatter priceobs t if prodid 1) (scatter priceobs t if prodid 1 amp flag1. Msymbol (lgx)). Título (alguns dos outliers podem ser identificados apenas olhando a média) legend (off) corr flag entryerror Nossa bandeira está correlacionada com cerca de 45 com os erros de entrada. Isso é bom, mas podemos fazer melhor. Eu proponho que ao invés de usar apenas o significado que nós construímos uma média móvel de preços e ver como cada entrada se desvia da média. O único problema é que o comando de média móvel requer xtset e isso requer apenas uma entrada por período de tempo. Então, eu digo que restabilizamos a variável de tempo e adicionamos como se gravamos em um horário diferente da semana o número de observação. Precisamos gerar prodobs recentemente, uma vez que não sabemos qual observação falta em cada produto. Bysort prodid t: gen prodobs n gen t2 t4 prodobs xtset define o id do painel de dados do painel e o nível da série temporal. Xtset prodid t2 O comando que usamos é tssmooth. Ele é codificado de tal forma que, especificando ma significa média móvel e a janela diz a Stata quantos períodos de tempo contar e em quanto atrasado na aeração móvel. Esse comando pode demorar um pouco. Tssmooth ma mapriceobspriceobs, janela (23 0 23) 23 está em vigor 5 semanas adiante e 5 semanas atrás O 0 diz stata para não incluir-se nessa média A média móvel dois (scatter priceobs t if prodid 1) (mapriceobs t if prodid 1) (linha pricemean t if prodid 1). Título (A média móvel é menos aceitável para outliers) A média móvel é mais estável do que apenas a média do tempo. Vamos tentar sinalizar usando o limite médio móvel drop flag2 gen flag2 (map tickobs gt priceobs1.2 mapriceobs lt priceobs.8) dois (scatter priceobs t if prodid 1) (scatter priceobs t if prodid 1 amp flag21. Msymbol (lgx)). Título (The Moving Average também pode ser útil) legenda (desligado) corr flag2 entryerror Solte nossa queda de dados com sinalização, se flag21 Reduzir para os preços semanais de colapso de nível, por etiqueta (prodid t) var priceobs Preço médio observado para 16 16 global twograph (scatter Preços obtidos se prodid i) twoway twograph, legend (off) título (Tendências de preços observadas para os primeiros seis produtos) Os dados estão muito melhores, mas ainda temos alguns valores indesejados indesejados. Poderíamos aproveitar as tendências dos produtos cruzados para ajudar a identificar os valores atípicos dentro dos preços dos produtos. Por exemplo, a média do preço médio (preços) é um preço reduzido se o prodid 1 prevê o resid1, o valor residual dos preços se o prodid 2 prevê resid2, os preços residuais residuais aveprice se prodid 3 prevêem resid3, residual twoway (linha resid1 t if prodid 1) (linha Preços se tido 1) (linha resid2 t se prodid 2) (preço da linha t se prodid 2) (linha resid3 t se prodid 3) (preço da linha t se prodid 3). Título (Os resíduos são indicadores claros de outliers) lenda (desligado) Finalmente, deixe-nos soltar observações com resíduos que são maiores que 1,5 desvios-padrão da média. Quais são os preços de preços de importação, se for prévio o valor residual, resíduo residual, restituir bandeira ((residtemp-r (média) gtr (sd) 1,5 residtemp-r (média) drop residualtemp Vamos ver como ele está funcionando: dois (scatter priceobs t Se prodid 2) (scatter priceobs t if prodid 2 amp flag1. Msymbol (lgx)). Title (Agora, apenas tentando remover alguns outliers finais) lenda (off) Ploting product 1 preço relativo a outliers. Global twograph forv i 16 global twograph ( Preços de linha t se prodid i) Finalmente deixando cair os outliers se flag Um gráfico final global twograph forv i 16 global twograph (scatter priceobs t if prodid i) twoway twograph, legend (off) título (Tendências de preços observadas para os primeiros seis produtos) Não Tão limpo como o nosso primeiro gráfico, mas definitivamente melhorado. Data: análise de dados e software estatístico Nicholas J. Cox, Universidade de Durham, Reino Unido Christopher Baum, Boston College egen, ma () e suas limitações Statarsquos comando mais óbvio para calcular médias móveis é o Ma () diversão De egen. Dada uma expressão, ela cria uma média móvel daquela expressão. Por padrão, é tomado como 3. deve ser estranho. No entanto, como a entrada manual indica, egen, ma () não podem ser combinados com varlist:. E, por esse motivo, não é aplicável aos dados do painel. Em qualquer caso, fica fora do conjunto de comandos especificamente escritos para séries temporais veja séries temporais para detalhes. Abordagens alternativas Para calcular as médias móveis para os dados do painel, existem pelo menos duas opções. Ambos dependem do conjunto de dados ter sido o tsset de antemão. Isto vale muito a pena fazer: não só você pode economizar várias vezes especificando a variável do painel e a variável de tempo, mas o Stata se comporta de forma inteligente com quaisquer lacunas nos dados. 1. Escreva sua própria definição usando gerar Usando operadores de séries temporais, como L. e F.. Dê a definição da média móvel como o argumento para uma declaração de geração. Se você fizer isso, você, naturalmente, não está limitado às médias móveis ponderadas (não ponderadas), calculadas por egen, ma (). Por exemplo, as médias móveis de três períodos, igualmente ponderadas, seriam dadas e alguns pesos podem ser facilmente especificados: você pode, é claro, especificar uma expressão como log (myvar) em vez de um nome de variável como myvar. Uma grande vantagem desta abordagem é que a Stata faz automaticamente o que é certo para os dados do painel: os valores avançados e atrasados são elaborados dentro dos painéis, assim como a lógica dita que deveria ser. A desvantagem mais notável é que a linha de comando pode ficar bastante longa se a média móvel envolver vários termos. Outro exemplo é uma média móvel unilateral baseada apenas em valores anteriores. Isso pode ser útil para gerar uma expectativa adaptativa sobre o que uma variável será baseada puramente em informações até à data: o que alguém poderia prever para o período atual com base nos quatro últimos valores, usando um esquema de ponderação fixa (um atraso de 4 períodos pode ser Especialmente comumente usado com timeseries trimestrais.) 2. Use egen, filter () de SSC Use o filtro de função egen () do usuário do pacote egenmore em SSC. No Stata 7 (atualizado após 14 de novembro de 2001), você pode instalar este pacote depois do qual ajuda, além disso, aponta para detalhes no filtro (). Os dois exemplos acima serão renderizados (Nesta comparação, a abordagem de geração é talvez mais transparente, mas veremos um exemplo do oposto em um momento.) Os atrasos são um número. Leva a desvios negativos: neste caso -11 se expande para -1 0 1 ou liderar 1, lag 0, lag 1. Os coeficientes, outro número, multiplicam os itens atrasados ou atrasados correspondentes: neste caso, esses itens são F1.myvar . Myvar e L1.myvar. O efeito da opção de normalização é escalar cada coeficiente pela soma dos coeficientes de modo que o coeficiente de coeficiente (1 1 1) seja equivalente aos coeficientes de 13 13 13 e a normalização de coef (1 2 1) seja equivalente aos coeficientes de 14 12 14 . Você deve especificar não apenas os atrasos, mas também os coeficientes. Como egen, ma () fornece o caso igualmente ponderado, a lógica principal para egen, filter () é suportar o caso pontualmente ponderado, para o qual você deve especificar coeficientes. Também pode-se dizer que obrigar os usuários a especificar coeficientes é uma pressão pequena sobre eles para pensar sobre os coeficientes que eles querem. A principal justificativa para os pesos iguais é, contudo, a simplicidade, mas pesos iguais têm propriedades de domínio de freqüência péssimas, para mencionar apenas uma consideração. O terceiro exemplo acima poderia ser qualquer um dos quais é tão complicado quanto a abordagem de geração. Há casos em que egen, filter () dá uma formulação mais simples do que gerar. Se você quer um filtro binomial de nove séculos, que os climatologistas acham útil, então parece talvez menos horrível do que, e mais fácil de conseguir, do mesmo modo, assim como com a abordagem de geração, egen, filter () funciona corretamente com os dados do painel. Na verdade, como afirmado acima, depende do conjunto de dados ter sido tsset de antemão. Uma dica gráfica Depois de calcular suas médias móveis, você provavelmente vai querer olhar para um gráfico. O comando do usuário com tsgraph é inteligente sobre conjuntos de dados tsset. Instale-o em um Stata 7 atualizado por ssc inst tsgraph. E quanto a subconjunto com se nenhum dos exemplos acima faz uso de restrições if. Na verdade egen, ma () não permitirá se for especificado. Ocasionalmente, as pessoas querem usar se ao calcular médias móveis, mas seu uso é um pouco mais complicado do que normalmente. O que você esperaria de uma média móvel calculada com if. Vamos identificar duas possibilidades: interpretação fraca: não quero ver nenhum resultado para as observações excluídas. Interpretação forte: eu nem quero que você use os valores para as observações excluídas. Aqui está um exemplo concreto. Suponha que, como consequência de alguma condição, as observações 1-42 estão incluídas, mas não as observações 43. Mas a média móvel para 42 dependerá, entre outras coisas, do valor para a observação 43, se a média se estender para trás e para frente e for pelo menos de 3, e dependerá de algumas das observações 44 em algumas circunstâncias. Nosso palpite é que a maioria das pessoas iria para a interpretação fraca, mas se isso é correto, egen, filter () não é compatível se também. Você sempre pode ignorar o que você não quer ou mesmo definir valores indesejados a perder depois, usando a substituição. Uma nota sobre resultados faltantes nas extremidades da série Como as médias móveis são funções de atrasos e ligações, egen, ma () produz ausente onde os atrasos e as derivações não existem, no início e no final da série. Uma opção de nomiss força o cálculo de médias móveis mais curtas e não centradas para as caudas. Em contraste, nem gerar nem egen, filter () faz, ou permite, qualquer coisa especial para evitar resultados perdidos. Se algum dos valores necessários para o cálculo estiver faltando, esse resultado está faltando. Cabe aos usuários decidir se e quais são as cirurgias corretivas necessárias para essas observações, presumivelmente depois de analisar o conjunto de dados e considerando qualquer ciência subjacente que possa ser trazida. Exibições 9.5 Lista de recursos EViews oferece uma ampla variedade de recursos poderosos para dados Manipulação, estatística e análise econométrica, previsão e simulação, apresentação de dados e programação. Embora não possamos listar tudo, a lista a seguir oferece um vislumbre dos importantes recursos do EViews: rótulos de dados básicos de numeração, alfanuméricos (seqüência de caracteres) e de data series. Extensa biblioteca de operadores e funções estatísticas, matemáticas, de data e de string. Linguagem poderosa para manipulação de expressão e transformação de dados existentes usando operadores e funções. Amostras e objetos de exemplo facilitam o processamento em subconjuntos de dados. Suporte para estruturas de dados complexas, incluindo dados datados regularmente, dados datados irregulares, dados de seção transversal com identificadores de observação, dados de painel datados e não datados. Arquivos de trabalho de várias páginas. EViews nativos, bancos de dados baseados em disco fornecem poderosos recursos de consulta e integração com os arquivos de trabalho EViews. Converta dados entre EViews e vários formatos de planilha, estatística e banco de dados, incluindo (mas não limitado a): arquivos Microsoft Access e Excel (incluindo. XSLX e. XLSM), arquivos Gauss Dataset, arquivos de transporte SAS, arquivos nativos e portáteis SPSS, Arquivos Stata, arquivos ASCII em formato bruto ou arquivos binários, HTML ou bancos de dados ODBC e consultas (o suporte a ODBC é fornecido apenas na Enterprise Edition). Suporte OLE para ligar a saída EViews, incluindo tabelas e gráficos, para outros pacotes, incluindo Microsoft Excel, Word e Powerpoint. Suporte OLEDB para leitura de arquivos de trabalho EViews e bancos de dados usando clientes com conhecimento de OLEDB ou programas personalizados. Suporte para bases de dados FRED (Federal Reserve Economic Data). Suporte Enterprise Edition para os bancos de dados da Global Insight DRIPro e DRIBase, Haver Analytics DLX, FAME, EcoWin, Bloomberg, EIA, CEIC, Datastream, FactSet e Moodys Economy. O EViews Microsoft Excel Add-in permite que você vincule ou importe dados de arquivos de trabalho EViews e bancos de dados dentro do Excel. O suporte para arrastar e soltar para ler dados simplesmente solta arquivos em EViews para conversão automática e vinculação de dados estrangeiros no formato de arquivo de trabalho EViews. Ferramentas poderosas para criar novas páginas do arquivo de trabalho a partir de valores e datas em séries existentes. Combinar mesclar, juntar, anexar, subconjunto, redimensionar, classificar e remodelar (pilha e desmarcar) os arquivos de trabalho. Conversão de freqüência automática fácil de usar ao copiar ou vincular dados entre páginas de diferentes freqüências. A conversão de frequência e a combinação de mesclagem suportam a atualização dinâmica sempre que a mudança de dados subjacente. Série de fórmulas de atualizações automáticas que são automaticamente recalculadas sempre que a mudança de dados subjacente. Conversão de freqüência fácil de usar: basta copiar ou vincular dados entre páginas de diferentes freqüências. Ferramentas para remoção de amostras e geração de números aleatórios para simulação. Geração de números aleatórios para 18 diferentes funções de distribuição usando três geradores de números aleatórios diferentes. Suporte para o acesso à unidade em nuvem, permitindo que você abra e salve arquivos diretamente nas contas Dropbox, OneDrive, Google Drive e Caixa. Manipulação de dados da série de tempos Suporte integrado para o gerenciamento de datas e dados de séries temporais (regulares e irregulares). Suporte para dados de frequência regular comuns (Anual, Semestral, Trimestral, Mensal, Bimestral, Quinzena, Dez dias, Semanalmente, Diário - Semana de 5 dias, Diário - Semana de 7 dias). Suporte para dados de alta freqüência (intradía), permitindo horas, minutos e segundos de freqüências. Além disso, há uma série de freqüências regulares freqüentemente encontradas, incluindo Multi-Year, Bimestral, Quincena, Dez-Dia e Diariamente com um intervalo arbitrário de dias da semana. Funções e operadores de séries temporais especializadas: atrasos, diferenças, diferenças de log, médias móveis, etc. Conversão de freqüência: vários métodos de alta a baixa e baixa a alta. Suavização exponencial: solteiro, duplo, Holt-Winters e suavização ETS. Ferramentas integradas para regressão de clareamento. Filtragem Hodrick-Prescott. Filtro de passagem de banda (frequência): filtros de assimetria de comprimento total e de amostra completa de Baxter-King, Christiano-Fitzgerald. Ajuste sazonal: Censo X-13, X-12-ARIMA, TramoSeats, média móvel. Interpolação para preencher valores faltantes dentro de uma série: Linear, Log-Linear, Spline Catmull-Rom, Cardeal Spline. Estatísticas Resumos de dados básicos por resumos de grupos. Testes de igualdade: t-tests, ANOVA (equilibrado e desequilibrado, com ou sem variâncias heterossejizadas), Wilcoxon, Mann-Whitney, Chi-quadrado mediano, Kruskal-Wallis, van der Waerden, F-test, Siegel-Tukey, Bartlett , Levene, Brown-Forsythe. Tabulação cruzada de tabulação unidirecional com medidas de associação (Coeficiente Phi, Cramers V, Coeficiente de Contingência) e teste de independência (Pearson Chi-Square, Ratio de Probabilidade G2). Análise de covariância e correlação incluindo Pearson, Spearman rank-order, Kendalls tau-a e tau-b e análise parcial. Análise de componentes principais, incluindo parcelas de scree, biplots e lotes de carregamento, e cálculos de pontuação de componente ponderada. Análise de fator que permite a computação de medidas de associação (incluindo covariância e correlação), estimativas de singularidade, estimativas de carga de fatores e pontuações de fatores, além de realizar diagnósticos de estimação e rotação de fatores usando um dos mais de 30 métodos ortogonais e oblíquos diferentes. Testes de função de distribuição empírica (EDF) para as distribuições Normal, Exponencial, Extreme value, Logistic, Chi-square, Weibull ou Gamma (Kolmogorov-Smirnov, Lilliefors, Cramer-von Mises, Anderson-Darling, Watson). Histogramas, Polígonos de Freqüência, Polígonos de Freqüência de Borda, Histogramas médios com Shifting, CDF-sobrevivente-quantile, Quantile-Quantile, densidade de kernel, distribuições teóricas ajustadas, boxplots. Scatterplots com linhas de regressão paramétrica e não paramétrica (LOWESS, polinômio local), regressão do kernel (Nadaraya-Watson, linear local, polinômio local). Ou elipses de confiança. Autocorrelação de séries temporais, autocorrelação parcial, correlação cruzada, estatísticas Q. Testes de causalidade de Granger, incluindo a causalidade do painel Granger. Testes de raiz unitária: Dickey-Fuller aumentado, GLS transformou Dickey-Fuller, Phillips-Perron, KPSS, Eliot-Richardson-Stock Point Optimal, Ng-Perron, bem como testes para raízes unitárias com pontos de interrupção. Testes de Cointegração: Johansen, Engle-Granger, Phillips-Ouliaris, Park adicionaram variáveis e a estabilidade de Hansen. Testes de independência: Brock, Dechert, Scheinkman e LeBaron Testes de proporção de variância: Lo e MacKinlay, Kim bootstrap selvagem, Wrights rank, rank-score e sign-tests. Wald e testes de proporção de variância de comparação múltipla (Richardson e Smith, Chow e Denning). Cálculo de variância e covariância de longo prazo: covariâncias de longo prazo simétricas ou unilaterais usando núcleo não paramétrico (Newey-West, 1987, Andrews, 1991), VARHAC paramétrico (Den Haan e Levin 1997) e cerne pre-branco (Andrews e Monahan, 1992) métodos. Além disso, o EViews suporta métodos de seleção de largura de banda automática Andrews (1991) e Newey-West (1994) para estimadores de kernel e métodos de seleção de comprimento de atraso baseados em critérios de informação para VARHAC e estimativa de pré-capuz. Painel e Pool Por grupo e estatísticas e testes por período. Testes de raiz unitária: Levin-Lin-Chu, Breitung, Im-Pesaran-Shin, Fisher, Hadri. Testes de Cointegração: Pedroni, Kao, Maddala e Wu. Painel dentro de covariâncias de série e componentes principais. Testes de causalidade do painel Dumitrescu-Hurlin (2017). Testes de dependência de seção transversal. Regressão de estimativa Quadrados mínimos ordinários e não lineares (regressão múltipla). Regressão linear com PDLs em qualquer número de variáveis independentes. Regressão robusta. Derivados analíticos para estimativa não linear. Menos quadrados ponderados. Erros padrão robustos de White e Newey-West. Os erros padrão do HAC podem ser computados usando métodos kernel paramétrico, paramétrico VARHAC e pré-branco e permitem métodos de seleção de largura de banda automática Andrews e Newey-West para estimadores de kernel e métodos de seleção de comprimento de atraso baseados em critérios de informação para VARHAC e estimativa de pré-capimpiamento. Regressão de cuares lineares e desvios mínimos absolutos (LAD), incluindo cálculos de covariância de Hubers Sandwich e bootstrapping. Regressão passo a passo com sete procedimentos de seleção diferentes. Regressão de limite, incluindo TAR e SETAR. ARMA e ARMAX Modelos lineares com média móvel móvel autorregressiva sazonal e erros sazonais da média móvel. Modelos não-lineares com especificações AR e SAR. Estimativa usando o método backcasting de Box e Jenkins, mínimos quadrados condicionais, ML ou GLS. Modelos ARFIMA fracamente integrados. Variáveis instrumentais e GMM Variáveis lineares e não-lineares de duas etapas mínimas (2SLSIV) e Método de Momentos Generalizados (GMM). Estimação 2SLSIV linear e não linear com erros AR e SAR. Informações limitadas Maximum Likelihood (LIML) e estimativa da classe K. Ampla gama de especificações da matriz de peso de GMM (branco, HAC, fornecido pelo usuário) com controle sobre a iteração da matriz de peso. As opções de estimativa GMM incluem estimativa de atualização contínua (CUE) e uma série de novas opções de erro padrão, incluindo erros padrão do Windmeijer. Os diagnósticos específicos de IVGMM incluem Teste de Ortogonalização de Instrumentos, um Teste de Endogeneidade de Regressor, um Teste de Instrumento Fraco e um teste de ponto de ruptura específico do GMM. ARCHGARCH GARCH (p, q), EGARCH, TARCH, Componente GARCH, Power ARCH, GARCH integrado. A equação média linear ou não-linear pode incluir os termos ARCH e ARMA, tanto as equações médias quanto as variáveis permitem variáveis exógenas. Normal, Estudantes t e Distribuições de Erros Generalizados. Erros padrão robustos da Bollerslev-Wooldridge. Previsões dentro e fora da amostra da variância condicional e média e componentes permanentes. Modelos de variáveis dependentes limitados Logit binário, Probit e Gompit (Extreme Value). Ordered Logit, Probit e Gompit (Extreme Value). Modelos censurados e truncados com erros normais, logísticos e de valor extremo (Tobit, etc.). Contagem de modelos com Poisson, binômio negativo e quimixabilidade máxima (QML) especificações. Modelos de seleção Heckman. Erros padrão robustos da HuberWhite. Os modelos de contagem suportam modelos padrão linear ou erros padrão QML. Hosmer-Lemeshow e Andrews Testes de qualidade para modelos binários. Guarde facilmente os resultados (incluindo resíduos e gradientes generalizados) para novos objetos EViews para análise posterior. O mecanismo geral de estimação GLM pode ser usado para estimar vários desses modelos, com a opção de incluir covariâncias robustas. Painel DataPooled Série temporal, dados transversais Estimação linear e não linear com seção transversal aditiva e período de efeitos fixos ou aleatórios. Escolha de estimadores sem escala quadrática (QUEs) para variações de componentes em modelos de efeitos aleatórios: Swamy-Arora, Wallace-Hussain, Wansbeek-Kapteyn. Estimação de 2SLSIV com efeitos fixos ou aleatórios de seção transversal e período. Estimativa com erros AR usando mínimos quadrados não-lineares em uma especificação transformada Quadrados mínimos geralmente generalizados, estimativa 2SLSIV generalizada, estimativa de GMM, permitindo as especificações heterossejadas e cruzadas de seção transversal ou período. Estimativa de dados de painel dinâmico linear usando primeiras diferenças ou desvios ortogonais com instrumentos pré-determinados específicos do período (Arellano-Bond). Testes de correlação em série do painel (Arellano-Bond). Os cálculos de erro padrão robustos incluem sete tipos de erros padrão robustos corrigidos por painel branco (PCSE). Teste de restrições de coeficientes, variáveis omitidas e redundantes, teste de Hausman para efeitos aleatórios correlacionados. Testes de raiz da unidade de painel: Levin-Lin-Chu, Breitung, Im-Pesaran-Shin, testes de tipo Fisher usando testes de ADF e PP (Maddala-Wu, Choi), Hadri. Estimativa de cointegração de painel: OLS totalmente modificado (FMOLS, Pedroni 2000) ou quadrados mínimos dinâmicos ordinários (DOLS, Kao e Chaing 2000, Mark e Sul 2003). Estimativa do grupo médio médio (PMG). Modelos Lineares Generalizados Normal, Poisson, Binomial, Binômio Negativo, Gamma, Gaussiano Inverso, Mena Exponencial, Média de Energia, famílias de Binômio Quadrado. Identidade, log, log-complemento, logit, probit, log-log, log-log de cortesia, inverso, energia, índice de chance de energia, Box-Cox, Box-Cox odds ratio link functions. Variação prévia e ponderação de freqüência. Fixed, Pearson Chi-Sq, desvio e especificações de dispersão especificadas pelo usuário. Suporte para estimativa QML e testes. Quadratic Hill Climbing, Newton-Raphson, IRLS - Fisher Scoring e algoritmos de estimação BHHH. Covariâncias de coeficientes comuns calculadas utilizando Hessian esperado ou observado ou o produto externo dos gradientes. Estimativas robustas de covariância usando métodos GLM, HAC ou HuberWhite. Single Equation Cointegrating Regression Support para três métodos de estimação totalmente eficientes, OLS totalmente modificado (Phillips e Hansen, 1992), Regressão cointegrada canônica (Park 1992) e OLS dinâmico (Saikkonen 1992, Stock e Watson 1993 Engle e Granger (1987) e Phillips e Ouliaris (1990) testes baseados em resíduos, o teste de instabilidade de Hansens (1992b) e Parks (1992) adicionaram o teste de variáveis. Especificação flexível da tendência e regressores deterministas na equação e especificação de regressores de cointegração. Estimativa completa de variações de longo prazo para FMOLS e CCR. Seleção de atraso automático ou fixo para atrasos e derivações de DOLS e para regressão de branqueamento de variância de longo prazo. OLS rescaneado e cálculos de erros robustos padrão para DOLS. Máxima probabilidade máxima especificada pelo usuário Use expressões de série EViews padrão para descrever as contribuições de verossibilidade de log. Exemplos para logit multinomial e condicional, modelos de transformação Box-Cox, modelos de comutação de desequilíbrio, modelo probit S com erros heterossegativos, logit aninhado, seleção de amostras de Heckman e modelos de risco de Weibull. Sistemas de equações Estimativa linear e não linear. Menos quadrados, 2SLS, estimativa ponderada da equação, Regressão aparentemente não relacionada e Quadrados mínimos de três estágios. GMM com matrizes de ponderação branca e HAC. Estimativa de AR usando mínimos quadrados não lineares em uma especificação transformada. Informação máxima máxima máxima (FIML). Estimar as factorizações estruturais nos VARs ao impor restrições de curto ou longo prazo. VAR bayesianos. Funções de resposta de impulso em vários formatos tabulares e gráficos com erros padrão calculados analiticamente ou por métodos de Monte Carlo. Choques de resposta de impulso calculados a partir da factorização de Cholesky, resíduos de desvio padrão de uma unidade ou padrão (ignorando correlações), impulsos generalizados, fatoração estrutural ou uma forma de matriz vetorial especificada pelo usuário. Imponha e teste restrições lineares nas relações de co-integração ou coeficientes de ajuste em modelos VEC. Veja ou gere relações de cointegração de modelos VEC estimados. Diagnósticos extensivos, incluindo: testes de causalidade de Granger, testes de exclusão de lagatação conjunta, avaliação de critérios de comprimento de paralisação, correlogramas, autocorrelação, testes de normalidade e heterocedasticidade, testes de cointegração, outros diagnósticos multivariados. Correlação de Constantes Condicionais ARCH Multivariada (p, q), Diálogo VECH (p, q), Diagonal BEKK (p, q), com termos assimétricos. Opção de parametrização extensa para a matriz de coeficientes Diagonal VECHs. Variáveis exógenas permitidas nas equações média e variância não linear e os termos AR permitidos nas equações médias. Erros padrão robustos da Bollerslev-Wooldridge. Normal ou Estudantes t distribuição de erros multivariados Uma escolha de derivados analíticos ou (rápidos ou lentos) numéricos. (Derivados de análise não disponíveis para alguns modelos complexos.) Gerar covariância, variância ou correlação em vários formatos tabulares e gráficos a partir de modelos ARCH estimados. Algoritmo de filtro do Estado Space Kalman para estimar os modelos estruturais individuais e multi-equivalentes especificados pelo usuário. Variáveis exógenas na equação de estado e especificações de variância totalmente parametrizadas. Gerar sinais, estados e erros de um passo à frente, filtrados ou suavizados. Os exemplos incluem parâmetros de variação do tempo, ARMA multivariada e modelos de volatilidade estocástica de quasilikelihood. Testes e Avaliação Parcelas reais, instaladas e residuais. Testes Wald para restrições de coeficientes lineares e não-lineares com elipses de confiança que mostram a região de confiança conjunta de quaisquer duas funções dos parâmetros estimados. Outros diagnósticos de coeficientes: coeficientes padronizados e elasticidades de coeficientes, intervalos de confiança, fatores de inflação de variância, decomposições de variância de coeficientes. Variáveis omitidas e redundantes Testes LR, correlogramas residuais residuais e quadrados e estatísticas Q, correlação serial residual e testes ARCH LM. White, Breusch-Pagan, Godfrey, Harvey e Glejser testes de heterossessibilidade. Diagnósticos de estabilidade: teste de ponto de interrupção de Chow e testes de previsão, teste de ponto de ruptura desconhecido de Whent-Andrews, testes de ponto de interrupção de Bai-Perron, testes Ramsey RESET, estimativa recursiva de OLS, estatísticas de influência, gráficos de alavancagem. Diagnósticos de equações ARMA: gráficos ou tabelas das raízes inversas do polinômio AR e ou MA, compare o padrão de autocorrelação teórico (estimado) com o padrão de correlação real para os resíduos estruturais, exiba a resposta de impulso ARMA a um choque de inovação e a freqüência ARMA espectro. Guarde facilmente os resultados (coeficientes, matrizes de covariância de coeficientes, resíduos, gradientes, etc.) para objetos EViews para análise posterior. Veja também Estimativa e Sistemas de Equações para procedimentos de teste especializados adicionais. Previsão e simulação Previsão estática ou dinâmica dentro ou fora da amostra de objetos de equação estimados com o cálculo do erro padrão da previsão. Gráficos de previsão e avaliação de previsão na amostra: RMSE, MAE, MAPE, Theil Inequality Coefficient e proporções Ferramentas de construção de modelos de última geração para previsão de equações múltiplas e simulação multivariada. As equações de modelos podem ser inseridas em texto ou como links para atualização automática em re-estimativa. Exibir estrutura de dependência ou variáveis endógenas e exógenas de suas equações. Gauss-Seidel, Broetwen e Newton solucionadores modelo para simulação não estocástica e estocástica. A solução para frente não estocástica resolve soluções para expectativas consistentes do modelo. A simulação Stochasitc pode usar restos bootstrapped. Resolva os problemas de controle para que a variável endógena alcance um alvo especificado pelo usuário. Padronização da equação sofisticada, fator de adição e suporte de substituição. Gerencie e compare cenários de soluções múltiplas envolvendo vários conjuntos de pressupostos. As visualizações e procedimentos de modelos incorporados exibem resultados de simulação em forma gráfica ou tabular. Gráficos e Tabelas Linha, traçado de pontos, área, barra, espiga, sazonal, torta, linha x, pontos de dispersão, blocos de caixa, barra de erro, alto-baixo-aberto-fechado e faixa de área. Gráficos categóricos e resumidos poderosos e fáceis de usar. Gráficos de atualização automática que atualizam como mudança de dados subjacente. Informações de observação e exibição de valor quando você posiciona o cursor sobre um ponto no gráfico. Histogramas, historias médias variadas, polois de freqüência, polígonos de frequência de borda, cofres, densidade de kernel, distribuições teóricas ajustadas, boxplots, CDF, sobrevivente, quantile, quantile-quantile. Scatterplots com qualquer combinação de kernel paramétrico e não paramétrico (Nadaraya-Watson, linear local, polinômio local) e as linhas de regressão mais próxima (LOWESS), ou elipses de confiança. Personalização baseada em comando e ponto-a-ponto interativo. Maior personalização do fundo do gráfico, quadro, legendas, eixos, escala, linhas, símbolos, texto, sombreamento, desvanecimento, com recursos aprimorados do modelo de gráfico. Personalização da tabela com controle sobre a face, tamanho e cor da fonte da célula, cor e bordas do fundo da célula, fusão e anotação. Copie e cole gráficos em outros aplicativos do Windows, ou salve gráficos como metadados regulares ou aprimorados do Windows, arquivos PostScript encapsulados, bitmaps, GIFs, PNGs ou JPGs. Copie e cole as tabelas para outro aplicativo ou salve em um arquivo RTF, HTML ou texto. Gerencie gráficos e tabelas em um objeto de spool que permite exibir vários resultados e análises em um objeto Comandos e Programação O idioma de comando orientado a objetos fornece acesso a itens de menu. Execução em lote de comandos em arquivos de programa. Looping e condição de ramificação, sub-rotina e processamento de macro. Objetos de vetor String e String para processamento de seqüência de caracteres. Biblioteca extensa de funções de lista de string e string. Suporte extensivo de matriz: manipulação de matriz, multiplicação, inversão, produtos Kronecker, solução de valor próprio e decomposição de valor singular. Suporte ao servidor de automação COM de interface externa e complementos EViews COM para que programas ou scripts externos possam iniciar ou controlar EViews, transferir dados e executar comandos EViews. O EViews oferece o aplicativo de suporte ao cliente COM Automation para servidores MATLAB e R para que EViews possam ser usados para iniciar ou controlar o aplicativo, transferir dados ou executar comandos. O EViews Microsoft Excel Add-in oferece uma interface simples para buscar e vincular a partir do Microsoft Excel (2000 e posterior) para objetos de série e matriz armazenados em arquivos de trabalho e bancos de dados EViews. A infraestrutura de complementos EViews oferece acesso contínuo a programas definidos pelo usuário usando o comando EViews padrão, menu e interface de objeto. Baixe e instale Complementos pré-definidos do site EViews. Home AboutContact Para obter informações sobre vendas, envie um e-mail para as vendas. Para obter suporte técnico, envie um e-mail para o Suporte. Inclua seu número de série com toda a correspondência por e-mail. Para obter informações de contato adicionais, consulte nossa página Sobre.
Comments
Post a Comment