Testando a hipótese sobre a deriva de parâmetros no modelo de média móvel Cite este artigo como: Erlikh, I. G. Moscow Univ. Matemática. Touro. (2009) 64: 7. doi: 10.3103S0027132209010021 As estatísticas de teste para verificar a conformidade do modelo de média móvel com as observações são construídas. As estatísticas são baseadas em processos seqüenciais construídos usando resíduos e compatíveis com a equação para estimação do parâmetro desconhecido do modelo postulado. No caso estacionário e no caso em que os parâmetros do modelo permitem uma deriva em relação ao tempo, as distribuições limitantes das estatísticas de teste são obtidas. Texto Original Inglês I. G. Erlikh, 2009, publicado em Vestnik Moskovskogo Universiteta, Matematika. Mekhanika, 2009, Vol. 64, No. 1, pp. 811. Referências D. Pikard, Testing and Estimating Change-Point in Time Series, Adv. Appl. Probab. 7. 841 (1985). CrossRef Google Scholar S. Ling, Fraca Convergência dos Processos Empíricos Seqüenciais de Residuais em Modelos Autoregressivos Não Estacionários, Ann. Estatista. 26. 741 (1998). MATH CrossRef MathSciNet Google Scholar J. Bai, Fraca Convergência dos Processos Empíricos Sequenciais de Residuais em Modelos ARMA, Ann. Estatista. 22. 2051 (1994). MATH CrossRef MathSciNet Google Scholar H. L. Koul, assintóticos de alguns estimadores e empiricamente residuais sequenciais em séries temporais não-lineares, Ann. Estatista. 24 (1), 380 (1996). MATH CrossRef MathSciNet Google Scholar M. V. Boldin Processos empíricos de resíduos sequenciais no modelo ARCH, Uspekhi Matem. Nauk 57 (2), 185 (2002) Russ. Matemática. Pesquisas, 57 (2), 413 (2002). MathSciNet Google Scholar M. V. Boldin, sobre estimativas medianas e testes em modelos autoregressivos, matemática. Métodos Estatista. 3 (2), 435 (1994). MathSciNet Google Scholar M. V. Boldin, a estimativa de mínimos de módulos em Autoregression não estacionária e Testes de estacionaria, Theory of Probab. E seu Appl. 41 (2), 409 (1996). MathSciNet Google Scholar P. Billingsley, Convergência de Medidas de Probabilidade (Wiley, 1968 Nauka, Moscou, 1977). A. M. Pardjanadze, Teoremas de Limitação Funcional no Problema de Detecção de Discordância Posteriori, Teoria de Probab. E seu Appl. 31 (2), 408 (1986). Google Scholar Informações de direitos autorais Allerton Press, Inc. 2009 Autores e afiliações IG Erlikh 1 1. Faculdade de Mecânica e Matemática Moscow State University Moscou Rússia Sobre este artigo Testes de hipóteses baseados em bens de ajuste no modelo de série de tempo móvel padrão Pequenas propriedades de amostra de Os testes de t são comparados com os dos testes com base na relativa doçura do ajuste no contexto do modelo de séries temporais em movimento da primeira ordem. Os experimentos de Monte Carlo relatados no artigo sugerem que o tamanho real desses testes-t excede muito os grandes níveis teóricos de significância da amostra, enquanto a conformidade das estatísticas de bondade de ajuste para as correspondências de qui-quadrado apropriadas ou F é muito mais próxima. A evidência apresentada sugere que os praticantes são bem avisados para empregar testes de qualidade de ajuste como um controle dos resultados de t - tests, especialmente quando estes indicam significância. Citação de artigos (0) Recebemos comentários úteis sobre uma versão anterior deste documento de G. William Schwert, mas a responsabilidade por erros é inteiramente nossa. Copyright 1979 Publicado por Elsevier B. V. Uma série de tempo é uma seqüência de observações de uma variável aleatória periódica. Exemplos são a demanda mensal de um produto, a matrícula anual em um departamento da universidade e o fluxo diário de um rio. As séries temporais são importantes para a pesquisa de operações, porque muitas vezes são os impulsionadores dos modelos de decisão. Um modelo de inventário requer estimativas de demandas futuras, um modelo de planejamento de cursos e de pessoal para um departamento universitário exige estimativas de fluxo de estudantes futuros e um modelo para fornecer avisos à população em uma bacia hidrográfica requer estimativas de fluxos de rios para o futuro imediato. A análise de séries temporais fornece ferramentas para selecionar um modelo que descreva a série temporal e usando o modelo para prever eventos futuros. A modelagem das séries temporais é um problema estatístico porque os dados observados são usados em procedimentos computacionais para estimar os coeficientes de um modelo suposto. Os modelos assumem que as observações variam aleatoriamente sobre um valor médio subjacente que é uma função do tempo. Nessas páginas, restringimos a atenção ao uso de dados históricos da série temporal para estimar um modelo dependente do tempo. Os métodos são apropriados para a previsão automática e de curto prazo de informações usadas com freqüência, onde as causas subjacentes da variação do tempo não estão mudando marcadamente no tempo. Na prática, as previsões derivadas por esses métodos são posteriormente modificadas por analistas humanos que incorporam informações não disponíveis a partir dos dados históricos. Nosso objetivo principal nesta seção é apresentar as equações para os quatro métodos de previsão utilizados no suplemento de Previsão: média móvel, alisamento exponencial, regressão e suavização exponencial dupla. Estes são chamados de métodos de suavização. Métodos não considerados incluem previsões qualitativas, regressão múltipla e métodos autorregressivos (ARIMA). Os interessados em uma cobertura mais extensa devem visitar o site dos Princípios de Previsão ou ler um dos vários livros excelentes sobre o assunto. Usamos o livro Forecasting. Por Makridakis, Wheelwright e McGee, John Wiley amp Sons, 1983. Para usar a pasta de exercícios Exemplos do Excel, você deve ter o suplemento Forecasting instalado. Escolha o comando Relink para estabelecer os links para o suplemento. Esta página descreve os modelos utilizados para a previsão simples e a notação utilizada para a análise. Este método de previsão mais simples é a previsão média móvel. O método é simplesmente uma média das últimas observações m. É útil para séries temporais com uma média que muda lentamente. Este método considera todo o passado em sua previsão, mas pesa mais recentemente a experiência recente do que menos recente. Os cálculos são simples porque apenas a estimativa do período anterior e os dados atuais determinam a nova estimativa. O método é útil para séries temporais com uma média que muda lentamente. O método de média móvel não responde bem a uma série de tempo que aumenta ou diminui com o tempo. Aqui, incluímos um termo de tendência linear no modelo. O método de regressão aproxima o modelo construindo uma equação linear que fornece os mínimos quadrados ajustados às últimas observações m.
No comments:
Post a Comment