Bootstrapping gleitender Durchschnittsmodelle Zusammenfassung In den letzten Jahren wurde das Bootstrap-Verfahren auf die Zeitreihenanalyse erweitert, bei der die Beobachtungen seriell korreliert sind. Die Beiträge konzentrieren sich auf das autoregressive Modell, das alternative Resampling-Verfahren anbietet. Im Gegensatz dazu wurde, abgesehen von einigen empirischen Anwendungen, wenig Aufmerksamkeit auf die Möglichkeit einer Ausweitung der Verwendung des Bootstrap-Verfahrens auf reine gleitende Durchschnitts - (MA) oder gemischte ARMA-Modelle gelegt. In dieser Arbeit präsentieren wir ein neues Bootstrap-Verfahren, das angewendet werden kann, um die Verteilungseigenschaften der gleitenden Durchschnittsparameter-Schätzungen, die durch einen kleinsten quadratischen Ansatz erhalten werden, zu bewerten. Wir diskutieren die Methodik und die Grenzen ihrer Nutzung. Schließlich wird die Leistung des Bootstrap-Ansatzes mit der konkurrierenden Alternative verglichen, die durch die Monte-Carlo-Simulation gegeben ist. Möchten Sie den Rest dieses Artikels lesen. Abstraktes zusammenfassen ABSTRAKT: Die komplexe zusammenhängende Natur von multivariaten Systemen kann zu Beziehungen und Kovarianzstrukturen führen, die sich im Laufe der Zeit ändern. Es wird eine reibungslose Hauptkomponentenanalyse vorgeschlagen, um zu untersuchen, ob und wie sich die Kovarianzstruktur mehrerer Antwortvariablen im Laufe der Zeit ändert, nachdem eine glatte Funktion für den Mittelwert entfernt wurde, und dies wird unter Verwendung von Daten aus einer Flugzeugtechnologiestudie und a See Ökosystem. Inferentielle Verfahren werden in den Fällen von unabhängigen und abhängigen Fehlern untersucht, wobei ein Bootstrapping-Verfahren vorgeschlagen wird, um Änderungen in der Richtung oder Varianz der Komponenten zu detektieren. Artikel November 2012 Claire Miller Adrian Bowman Abstract Abstrakt Zusammenfassung ABSTRAKT: Wir bieten die theoretische Rechtfertigung der bootstrapping stationären invertierbaren Echelon vektor autoregressive Moving-Average (VARMA) Modelle mit linearen Methoden. Die asymptotische Gültigkeit des Bootstraps wird mit starkem weißem Rauschen unter parametrischen und nichtparametrischen Annahmen ermittelt. Unsere Methoden sind praktisch und nützlich für den Aufbau zuverlässiger simulationsbasierter Inferenz - und Prognoserechnungen ohne Implementierung nichtlinearer Schätzmethoden wie zB ML, die in der Regel belastbar, zeitaufwendig oder unpraktisch ist, insbesondere in großen oder stark persistenten Systemen. Die Bedeutung unserer Vorgehensweisen ist im Kontext dynamischer Simulationsverfahren, wie maximierte Monte Carlo (MMC) - Tests, siehe Dufour J-M. Monte Carlo-Tests mit Störungsparametern: ein allgemeiner Ansatz für Finite-Sample-Inferenz und nicht standardisierte Asymptotiken in der Ökonometrie. J Wirtschaftlichkeit. 2006133 (2): 443 & ndash; 477 und Dufour J-M, Jouini T. Finite-Beispiel-Simulations-basierte Tests in VAR-Modellen mit Anwendungen auf Granger-Kausalitätstests. J Wirtschaftlichkeit. 2006135 (1-2): 229-254 für den Fall VAR. Simulationsnachweis zeigt, dass unsere Bootstrap-Methoden im Vergleich zu herkömmlichen Asymptotiken gute Finite-Sample-Eigenschaften haben, um die tatsächliche Verteilung der VARMA-Schätzwerte des Schülersystems und die Bereitstellung von Echelon-Parameter-Vertrauenssätzen mit zufriedenstellender Deckung zu approximieren. In dieser Studie stellen wir eine algorithmische Struktur vor, die auf paraconsistischer annotierter Logik (PAL) basiert, die die Kalküle der in einem Datensatz vorhandenen Durchschnittswerte simulieren und die Variationen des Durchschnitts mit nur PAL erkennen kann Konzepte. Wir nennen die Struktur als paraconsistentes künstliches neuronales Netzwerk zur Extraktion von gleitendem Durchschnitt (PANnet (Mathrm)). Als Beispiel für ihre Anwendung, verwenden wir PANnet (Mathrm), um bei der Analyse eines endgültigen Produktqualitätsindex im Zusammenhang mit der Elektrotechnik zu unterstützen. Um das endgültige Ergebnis zu erhalten, haben wir PANnet (mathrm) angewandt, um das statistische Verhalten der Statistical Process Control (SPC) zu simulieren, indem wir Werte vergleichen, die mit einem Ranking erzielt wurden, das Qualitätsindexstandards auf Basis der elektrischen Energieverteilung festlegt. Zuerst wurden Tests unter Verwendung von Daten mit zufälligen Werten durchgeführt, um das Verhalten von PANnet (mathrm) zu verifizieren und die optimale Anzahl von Algorithmen einzustellen, um eine optimierte Rechenstruktur zu bilden. Dann nutzten wir eine Datenbank mit tatsächlichen elektrischen Spannungswerten, die von einem elektrischen Energieversorgungsnetz eines Stromversorgungsnetzes in Brasilien erzeugt wurden. In den verschiedenen Tests, PANnet (Mathrm) geeignet erkannt Veränderungen und identifiziert Variationen der elektrischen Spannung in 220-V-Übertragungsleitungen. Die Ergebnisse zeigen, dass PANnet (mathrm) verwendet werden kann, um eine effiziente Architektur für die Ermittlung und Überwachung von Qualitäts-Scores mit Anwendungen in verschiedenen Bereichen der Technik, insbesondere für die Erkennung von Qualitätsindex in einem Stromverteilungsnetz zu erstellen. Kapitel Jan 2016 Zeitschrift für Statistische Berechnung und Simulation von Peter Bhlmann. 1999. Wir vergleichen und überprüfen Block-, Sieb - und Lokalbootstraps für Zeitreihen und beleuchten so die theoretischen Fakten sowie die Performance bei Nite-Sample-Daten. Unsere (Re-) Sicht ist selektiv mit der Absicht, ein neues und faires Bild über einige besondere Aspekte der bootstrapping Zeitreihen zu erhalten. Die ge. Wir vergleichen und überprüfen Block-, Sieb - und Lokalbootstraps für Zeitreihen und beleuchten so die theoretischen Fakten sowie die Performance bei Nite-Sample-Daten. Unsere (Re-) Ansicht ist selektiv mit der Absicht, ein neues und faires Bild über einige besondere Aspekte der Bootstrapping-Zeitreihen zu erhalten. Die Allgemeingültigkeit des Block-Bootstraps wird durch Sieb-Bootstraps kontrastiert. Wir diskutieren Implementierungs-Dis-Vorteile und argumentieren, dass zwei Arten von Sieben die Blockmethode übertreffen, jede in ihrer eigenen wichtigen Nische, nämlich lineare und kategorische Prozesse. Lokale Bootstraps, die für nichtparametrische Glättungsprobleme ausgelegt sind, sind einfach zu verwenden und zu implementieren, weisen aber in einigen Fällen eine geringe Leistung auf. Schlüsselwörter und Phrasen. Autoregression, Block-Bootstrap, kategoriale Zeitreihen, Kontextalgorithmus, Doppel-Bootstrap, linearer Prozess, lokaler Bootstrap, Markov-Kette, Siebbootstrap, stationärer Prozess. 1 Einführung Bootstrapping kann als Simulation eines statistischen oder statistischen Pro betrachtet werden. Von Wolfgang Hrdle, Helmut Ltkepohl, Rong Chen. 1996 Abstract nicht gefunden von Jrgen Franke, Jens-peter Kreiss, Enno Mammen - Bernoulli. 1997. Kernelglättung in nichtparametrischen autoregressiven Schemata bietet ein leistungsfähiges Werkzeug bei der Modellierung von Zeitreihen. In dieser Arbeit wird gezeigt, dass der Bootstrap zur Abschätzung der Verteilung von Kernelglättern verwendet werden kann. Dies kann durch Nachahmung der stochastischen Natur des gesamten Prozesses im Kofferraum erfolgen. Kernelglättung in nichtparametrischen autoregressiven Schemata bietet ein leistungsfähiges Werkzeug bei der Modellierung von Zeitreihen. In dieser Arbeit wird gezeigt, dass der Bootstrap zur Abschätzung der Verteilung von Kernelglättern verwendet werden kann. Dies kann durch Nachahmen der stochastischen Natur des gesamten Prozesses im Bootstrap-Resampling oder durch Erzeugen eines einfachen Regressionsmodells erfolgen. Die Konsistenz dieser Bootstrap-Prozeduren wird angezeigt. 1 Einführung Nichtlineare Modellierung von Zeitreihen erschien als ein vielversprechender Ansatz in der angewandten Zeitreihenanalyse. Viele parametrische Modelle finden sich in den Büchern von Priestley (1988) und Tong (1990). In dieser Arbeit betrachten wir nichtparametrische Modelle der nichtlinearen Autoregression. Durch ökonometrische Anwendungen motiviert, erlauben wir heteroschedastische Fehler: Xtm (XtGamma1.XtGammap) oe (XtGamma1.XtGammaq) ampquot tt0 1 2. (1.1) Hier sind (ampquot t) i. i.d. Zufallsvariablen mit Mittelwert 0 und Varianz 1. Darüber hinaus sind m und oe unbekannt. Von Lorenzo Pascual, Juan Romo, Esther Ruiz - Zeitschrift für Zeitreihenanalyse. In dieser Arbeit schlagen wir eine neue Bootstrap-Strategie vor, um Vorhersageintervalle für autoregressive integrierte gleitende Durchschnittsprozesse zu erhalten. Sein Hauptvorteil gegenüber anderen Bootstrap-Verfahren, die zuvor für autoregressive integrierte Prozesse vorgeschlagen wurden, ist, dass die Variabilität aufgrund der Parameterschätzung sein kann. In dieser Arbeit schlagen wir eine neue Bootstrap-Strategie vor, um Vorhersageintervalle für autoregressive integrierte gleitende Durchschnittsprozesse zu erhalten. Sein Hauptvorteil gegenüber anderen Bootstrap-Verfahren, die zuvor für autoregressive integrierte Prozesse vorgeschlagen wurden, besteht darin, dass die Variabilität aufgrund der Parameterschätzung in Vorhersageintervalle integriert werden kann, ohne die Rückwärtsdarstellung des Prozesses zu erfordern. Folglich ist das Verfahren sehr flexibel und kann auf Prozesse erweitert werden, selbst wenn ihre Rückwärtsdarstellung nicht verfügbar ist. Darüber hinaus ist ihre Umsetzung sehr einfach. Die asymptotischen Eigenschaften der Bootstrap-Prädiktionsdichten werden erhalten. Umfangreiche Finite-Probe-Monte-Carlo-Experimente werden durchgeführt, um die Performance der vorgeschlagenen Strategie gegenüber alternativen Verfahren zu vergleichen. Das Verhalten unseres Vorschlags entspricht oder übertrifft in den meisten Fällen die Alternativen. Zudem wird unsere Bootstrap-Strategie erstmals angewendet, um die Vorhersagedichte von Prozessen mit gleitenden Durchschnittskomponenten zu erhalten. Von Jens-Peter Kreiss. 1997. In dieser Arbeit beschäftigen wir uns mit stationären autoregressiven Prozessen von endlicher oder unendlicher, aber unbekannter Ordnung. Unter allgemeineren Annahmen leiten wir die asymptotische Konsistenz eines üblichen Rest-Bootstrap-Verfahrens für reibungslose Funktionen der empirischen Autokovarianz und Autokorrelation her. Besonders t. In dieser Arbeit beschäftigen wir uns mit stationären autoregressiven Prozessen von endlicher oder unendlicher, aber unbekannter Ordnung. Unter allgemeineren Annahmen leiten wir die asymptotische Konsistenz eines üblichen Rest-Bootstrap-Verfahrens für reibungslose Funktionen der empirischen Autokovarianz und Autokorrelation her. Insbesondere die Reihenfolge des eingebauten autoregressiven Modells ist datenabhängig. Ergänzend zum üblichen Rest-Bootstrap betrachten wir ein Wild-Bootstrap-Verfahren. Einige Anmerkungen zur asymptotischen Genauigkeit der beiden vorgeschlagenen Bootstrap-Verfahren und einer Simulationsstudie schließen das Papier. Von Violetta Dalla, Javier Hidalgo Abstract nicht gefunden von Ke-li Xu, Peter C. B. Phillips. 2007. Stabile autoregressive Modelle von bekannter endlicher Ordnung werden mit Martingalunterschiedenfehlern betrachtet, die durch eine unbekannte nichtparametrische zeitvariierende Funktion, die Heterogenität erzeugt, skaliert werden. Ein wichtiger Spezialfall ist die strukturelle Veränderung der Fehlerabweichung, in den meisten praktischen Fällen aber das Muster. Stabile autoregressive Modelle von bekannter endlicher Ordnung werden mit Martingalunterschiedenfehlern betrachtet, die durch eine unbekannte nichtparametrische zeitvariierende Funktion, die Heterogenität erzeugt, skaliert werden. Ein wichtiger Spezialfall ist die strukturelle Veränderung der Fehlerabweichung, aber in den meisten praktischen Fällen ist das Muster der Varianzänderung über die Zeit unbekannt und kann zu Verschiebungen an unbekannten diskreten Zeitpunkten, kontinuierlicher Evolution oder Kombinationen der beiden führen. Dieses Papier entwickelt kernel-basierte Schätzer der Rest-Varianzen und der zugehörigen adaptiven Kleinste-Quadrate - (ALS-) Schätzer der autoregressiven Koeffizienten. Diese werden als asymptotisch wirksam mit der gleichen Grenzverteilung gezeigt wie die unauslöschbaren verallgemeinerten kleinsten Quadrate (GLS). Vergleiche der effizienten Prozedur und gewöhnlichen kleinsten Quadrate (OLS) zeigen, dass kleinste Quadrate in einigen Fällen extrem ineffizient sein können, während sie in anderen nahezu optimal sind. Simulationen zeigen, dass die adaptiven Schätzer, wenn die kleinsten Quadrate gut funktionieren, vergleichsweise gut abschneiden, wohingegen, wenn die kleinsten Quadrate schlecht arbeiten, große Effizienzgewinne durch die neuen Schätzer erreicht werden. Nahe Transformationen integrierter Zeitreihen. Ökonometrische Theorie 15, 269-298. 25 Park, J. Phillips, P. C. B. 2001. Nichtlineare Regression mit integrierten Zeitreihen. Econometrica 69, 117 & ndash; 161. 26 - 26 - Park, S. Lee, S. Jeon J. 2000. Der Cusum von Quadraten testen Varianzänderungen in autoregressiven Modellen unendlicher Ordnung. Journal der koreanischen Statistischen Gesellschaft 29, 351-361. 27 Phillips, P. C. B. von G. Hainz, R. Dahlhaus. Für stationäre lineare Prozesse Kolmogorov-Smirnov Typ Güte-von-Fit-Tests für zusammengesetzte Hypothesen auf der Grundlage von Frequenzbereich bootstrap Methoden vorgeschlagen. Ähnliche Bootstrap-Tests zum Vergleich der spektralen Verteilungen zweier Zeitreihen werden vorgeschlagen. Die kleine Probenleistung der Tests. Für stationäre lineare Prozesse Kolmogorov-Smirnov Typ Güte-von-Fit-Tests für zusammengesetzte Hypothesen auf der Grundlage von Frequenzbereich bootstrap Methoden vorgeschlagen. Ähnliche Bootstrap-Tests zum Vergleich der spektralen Verteilungen zweier Zeitreihen werden vorgeschlagen. Die kleine Probendurchführung der Tests wird durch Simulationen untersucht, und ein reales Datenbeispiel wird zur Veranschaulichung gegeben. Von Carsten Jentsch, Jens-peter Kreiss. Abstrakt. Das Papier überprüft die Autoregressive Aided Periodogramm bootstrap (AAPB), die in Krei und Paparoditis (2003) vorgeschlagen wurde. Ihre Idee war, einen parametrischen Zeitbereich und einen nicht parametrischen Bootstrap des Frequenzbereichs zu kombinieren, um nicht nur einen Teil, sondern so weit wie möglich die kompl. Abstrakt. Das Papier überprüft die Autoregressive Aided Periodogramm bootstrap (AAPB), die in Krei und Paparoditis (2003) vorgeschlagen wurde. Ihre Idee war, einen parametrischen Zeitbereich und einen nichtparametrischen Bootstrap des Frequenzbereichs zu kombinieren, um nicht nur einen Teil, sondern so weit wie möglich die gesamte Kovarianzstruktur der zugrundeliegenden Zeitreihen zu imitieren. Wir erweitern die AAPB in zwei Richtungen. Unser Vorgehen führt explizit zu Bootstrap-Beobachtungen im Zeitbereich und ist auf multivariate lineare Prozesse anwendbar, stimmt aber im univariaten Fall genau mit dem AAPB überein, wenn es auf Funktionale des Periodogramms angewendet wird. Die entwickelte asymptotische Theorie zeigt die Gültigkeit der multiplen Hybrid-Bootstrap-Prozedur für die Stichprobenmittel-, Kernspektraldichte-Schätzungen und mit geringerer Allgemeinheit für Autokovarianzen. 1. von Michael H. Neumann. 1997. Die Theorie der Zeitreihenanalyse wird häufig im Kontext endlichdimensionaler Modelle für den Datenerzeugungsprozess entwickelt. Während entsprechende Schätzer wie die einer bedingten Mittelfunktion auch dann sinnvoll sind, wenn der wahre Abhängigkeitsmechanismus komplexer ist, sind wir es. Die Theorie der Zeitreihenanalyse wird häufig im Kontext endlichdimensionaler Modelle für den Datenerzeugungsprozess entwickelt. Während entsprechende Schätzungen wie die einer bedingten Mittelfunktion auch dann sinnvoll sind, wenn der wahre Abhängigkeitsmechanismus komplexer aufgebaut ist, ist es üblicherweise notwendig, die gesamte Abhängigkeitsstruktur asymptotisch zu erfassen, damit der Bootstrap gültig ist. Allerdings bleiben bestimmte modellbasierte Bootstrap-Methoden für einige interessante Mengen gültig, die in nichtparametrischen Statistiken auftreten. Wir verallgemeinern das bekannte ampquotwhitening durch das windowingampquot-Prinzip auf gemeinsame Verteilungen nichtparametrischer Schätzer der Autoregression. Als Konsequenz ergibt sich, dass modellbasierte nichtparametrische Bootstrap-Schemata für supremum-artige Funktionalitäten gültig bleiben, solange sie die entsprechenden endlichdimensionalen gemeinsamen Verteilungen konsequent nachahmen. Als Beispiel untersuchen wir eine endliche Ordnung Markov Kette bootstrap im Rahmen eines allgemeinen stationären. Bootstrapping stationären autoregressive gleitende durchschnittliche Modelle "Jedoch ist dieser zufällige Ansatz nicht in der Lage, die zeitliche Korrelationsstruktur zu garantieren, so dass es nicht in der Lage ist, die statistische Eigenschaft zu reflektieren Der kurzfristigen Fluktuation. In diesem Beitrag stellen wir zwei Methoden vor, um die plausible Sequenz der Fluktuation zu generieren, die eine basiert auf dem ARA-Bootstrap-Ansatz 2 und der andere basiert auf dem Block-Bootstrap-Ansatz 5. Der bisherige Ansatz wurde in unserem Vorherige Arbeit 6. Zusammenfassung Abstract Versteckte Zusammenfassung ABSTRAKT: Unerwartete Fluktuation der Windleistung wird ernsthafte Probleme aus der Sicht der stabilen Versorgung für ein Stromnetz werden. Der Einsatz eines im Netz installierten Batteriesystems zur Minderung der kurzfristigen Fluktuation ist einer der neuen Ansätze zur Netzstabilisierung. In dieser Arbeit schlagen wir ein Verfahren zur Erzeugung synthetischer Windkraftprofile mit hoher zeitlicher Auflösung für die Kraftfluss-Simulation vor, die darauf abzielt, die Auswirkungen von Windkraftschwankungen abzuschätzen und das erforderliche Batteriesystem anzugeben. Wir zeigen numerisch die Plausibilität der synthetischen Windkraftprofile unter dem Gesichtspunkt der statistischen Eigenschaften. Volltext Artikel November 2016 Seigo Furuya Yu Fujimoto Noboru Murata Yasuhiro Hayashi quotDie Rechtfertigung für einen parametrischen Bootstrap ist, dass im Rahmen von Dufour et al. (2010) sind die Fehler eingeschränkt, und der parametrische Bootstrap bewahrt die Einschränkung. Ein anderer Ansatz wäre, ein nichtparametrisches, restbasiertes Bootstrap-Verfahren zu verwenden (siehe Kreiss und Franke 1992 und Kreiss 1997). Ein kombinierter Lagrange-Multiplikator (LM) - Test für autoregressive bedingte heteroskedastische (ARCH) Fehler in vektorautoregressiven (VAR) - Modellen wird vorgeschlagen, indem ein exakter Monte Carlo ersetzt wird (vgl. Gonalves and Kilian (2004), Hafner and Herwartz) MC) durch einen Bootstrap-MC-Test, wenn das Modell Verzögerungen enthält. Der Test umgibt das Problem der hohen Dimensionalität in multivariaten Tests für ARCH in VAR-Modellen. Es erfordert nur die Berechnung univariate Statistiken. Ein Berechnungsvorteil besteht daher darin, dass die Anzahl der zu schätzenden Parameter unabhängig von der Dimension des VAR-Prozesses ist. Der Bootstrap-MC-Test wird als asymptotisch gültig angezeigt. Monte-Carlo-Simulationen zeigen, dass der Test gute Finite-Sample-Eigenschaften aufweist. Der Test ist robust gegen eine nicht-normale Fehlerverteilung. Zwei Finanzanwendungen multivariater LM-Tests für ARCH auf Credit Default Swap (CDS) Preise und Euribor Zinssätze werden vorgestellt. Die Ergebnisse deuten darauf hin, dass die Fehler schief und schwere tailed sind, und dass es erhebliche ARCH-Effekte. Volltext-Artikel Nov 2016 P. S. Catani N. J.C. Ahlgren quotholds, vgl. Kreiss amp Franke (1992) zum Nachweis des univariaten Falles. Die Fälle (ii) und (iii) können genau gleich behandelt werden. Abstract Zusammenfassung Abstraktes Abstraktes ABSTRAKT Wir leiten einen Rahmen für asymptotisch gültige Schlussfolgerungen in stabilen vektorautoregressiven (VAR) Modellen mit bedingter Heteroskedastizität unbekannter Form ab. Wir beweisen ein gemeinsames zentrales Limit-Theorem für den VAR-Slogeparameter und die Innovationskovarianzparameter-Schätzer und adressieren auch die Bootstrap-Inferenz. Unsere Ergebnisse sind für die korrekte Schlussfolgerung von VAR-Statistiken wichtig, die sowohl von der VAR-Steigung als auch von den Varianzparametern abhängen, wie z. B. In strukturellen Impulsantwortfunktionen (IRFs). Wir zeigen auch, dass wilde und paarweise Bootstrap-Schemata bei Vorliegen bedingter Heteroskedastizität fehlschlagen, wenn Folgerung auf (Funktionen) der bedingungslosen Varianzparameter von Interesse ist, weil sie die relevante vierte Momentenstruktur der Fehlerterme nicht korrekt replizieren. Im Gegensatz dazu führt der restbasierte Bewegungsblock-Bootstrap zu einer asymptotisch gültigen Schlussfolgerung. Wir veranschaulichen die praktischen Auswirkungen unserer theoretischen Ergebnisse durch die Bereitstellung von Simulationsnachweisen zu den Finite-Probe-Eigenschaften unterschiedlicher Inferenzverfahren für IRFs. Unsere Ergebnisse weisen darauf hin, dass die Schätzung Unsicherheit dramatisch steigen kann in Gegenwart von bedingter Heteroskedastizität. Darüber hinaus sind die meisten Schlußfolgerungsmethoden wahrscheinlich, die wahre Schätzungsunsicherheit im wesentlichen in endlichen Proben zu unterschätzen. Volltext-Artikel Aug 2014 Ralf Brggemann Carsten Jentsch Carsten Trenkler
No comments:
Post a Comment