Moving Average Bootstrap

Ich bin neu bei R und versuche, die bootstrapped Standardabweichung (sd) und den zugehörigen Standardfehler innerhalb eines 30 beobachteten Rollfensters zu berechnen. Die Funktion unten führt das Rolling-Fenster passend, wenn ich will nur sd. Aber wenn ich die Bootstrap-Funktion mit dem Boot-Paket hinzu, bekomme ich den unten angegebenen Fehler. Ich sammle, dass ich versuche zu speichern bootstrap Ergebnisse in einem Vektor, der nicht die richtige Größe ist. Hat jemand irgendeinen Rat, wie man gerade das bootstrapped sd und das assoziierte stderror für jedes Fenster in den Reihen einer neuen Matrix speichert Das Ziel ist, dann das sd und zugehörige 95 Konfidenzintervalle für jedes Fenster entlang der timeseries plotten. Vielen Dank im Voraus für jede Hilfe. Sie können es ganz einfach zu vereinfachen. Ich bin nicht vertraut mit dem Boot-Paket, aber wir können rollen eine Funktion entlang eines Vektors mit der rollapply-Funktion ganz einfach, und dann können wir bootstrap Proben mit der Replikatfunktion: Jede Spalte stellt die rollapply, die bootstraps die Beobachtungen in dem aktuellen Fenster Vor der Anwendung sd. Bootstrapping gleitende durchschnittliche Modelle Zitieren Sie diesen Artikel als: Corduas, MJ It. Statist. Soc. (1992) 1: 227. doi: 10.1007BF02589032 In den letzten Jahren wurde das Bootstrap-Verfahren auf eine 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 dem der konkurrierenden Alternative verglichen, die durch die Monte-Carlo-Simulation gegeben ist. Bootstrap Zeitreihe Moving Durchschnittliche Modelle Forschung teilweise unterstützt durch CNR und MURST. Literatur Burg J. (1975), Maximale Entropiespektralanalyse, Ph. D. Dissertation. . Universität Stanford, Abt. Geophysik. Chatterjee S. (1986), Bootstrapping ARMA-Modelle: einige Simulationen, IEEE-Transaktionen auf dem System, Man amp Kybernetics. 16, 294299. CrossRef Google Scholar Corduas, M. (1990), Approcci alternativi per il ricampionamento nei modelli für Autoregressivi, Atti della, XXXV, Riunione Scientifica SIS. Padova, 2, 6168. Google Scholar Efron B. (1979), Bootstrap-Methoden: ein weiterer Blick auf Jackknife. Annalen der Statistik. 7, 126. MATH MathSciNet Google Scholar Efron B. (1982), The jackknife, der Bootstrap und andere Resampling-Pläne, SIAMCBMS Monograph 38, Philadelphia. Efron B. Tibshirani R. (1986), Bootstrap-Verfahren für Standardfehler-Konfidenzintervalle und andere Maßnahmen der statistischen Genauigkeit. Statistische Wissenschaft. 1, 5477. MathSciNet Google Scholar Freedman D. (1984). Auf bootstrapping zweistufigen kleinsten Quadrate Schätzungen in stationären linearen Modellen, Annals of Statistics. 12, 827842. MATH MathSciNet Google Scholar Hannan E. J. Rissanen J. (1982), Rekursive Schätzung der gemischten autoregressiven gleitenden durchschnittlichen Ordnung, Biometrika. 69, 8194. MATH CrossRef MathSciNet Google Scholar Hannan E. J. Kavalieris L. (1984), Ein Verfahren zur autoregressiven gleitenden Durchschnittsschätzung. Biometrika. 72, 273280. CrossRef MathSciNet Google Scholar Koreisha S. Pukkila T. (1990), Ein verallgemeinerter Kleinstquadratansatz zur Schätzung autoregressiver gleitender Durchschnittsmodelle, Zeitschrift für Zeitreihenanalyse. 2, 139151. MathSciNet Google Scholar Knsch H. R. (1989), The jackknife and the bootstrap für allgemeine stationäre Beobachtungen, Annals of Statistics. 17, 12171241. MATH MathSciNet Google Scholar Liu R. Y. Singh K. (1988), Moving Blöcke Jackknife und Bootstrap erfassen schwache Abhängigkeit, Technical Report. Abteilung für Statistik, Rutgers University. Tjostheim D. Paulsen J. (1983), Bias von einigen allgemein verwendeten Zeitreihenschätzungen, Biometrika. 48, 197199. MathSciNet Google Scholar White H. (1984), Asymptotische Theorie für Ökonometriker. Akademische Presse, Orlando (CA). Google Scholar Copyright-Informationen Societa Italiana di Statistica 1992 Autoren und Mitgliedsverbände Marcella Corduas 1 2 1. Centro di Spezialisierung und Ricerche Portici (NA) Italien 2. Université Napoli Federico II Napoli Italia Über diesen Artikel von Joel L. Horowitz - In Handbuch der Ökonometrie. 2001. Der Bootstrap ist ein Verfahren zum Schätzen der Verteilung eines Schätzers oder einer Teststatistik durch erneutes Abtasten von Daten. Es geht um die Behandlung der Daten, als ob sie die Bevölkerung für die Zwecke der Bewertung der Verteilung von Interesse waren. Unter milden Regelmäßigkeitsbedingungen liefert der Bootstrap einen a. Der Bootstrap ist ein Verfahren zum Schätzen der Verteilung eines Schätzers oder einer Teststatistik durch erneutes Abtasten von Daten. Es geht um die Behandlung der Daten, als ob sie die Bevölkerung für die Zwecke der Bewertung der Verteilung von Interesse waren. Unter milden Regelmäßigkeitsbedingungen liefert der Bootstrap eine Annäherung an die Verteilung einer Schätzung oder Teststatistik, die mindestens genauso genau ist wie die von Wolfgang Hrdle, Joel Horowitz, Jens-peter Kreiss - International Statist. Überprüfung. 2003. Der Bootstrap ist ein Verfahren zum Schätzen der Verteilung eines Schätzers oder einer Teststatistik durch Neuabtasten der Daten oder eines aus den Daten geschätzten Modells. Die Methoden, die für die Implementierung des Bootstraps und die Genauigkeit der Bootstrap-Schätzungen verfügbar sind, hängen davon ab, ob die Daten ein zufälliges Sampl sind. Der Bootstrap ist ein Verfahren zum Schätzen der Verteilung eines Schätzers oder einer Teststatistik durch Neuabtasten der Daten oder eines aus den Daten geschätzten Modells. Die Methoden, die für die Implementierung des Bootstraps und die Genauigkeit der Bootstrap-Schätzungen verfügbar sind, hängen davon ab, ob die Daten eine Zufallsstichprobe aus einer Verteilung oder einer Zeitreihe sind. Dieses Papier beschäftigt sich mit der Anwendung des Bootstraps auf Zeitreihendaten, wenn man kein endlichdimensionales parametrisches Modell hat, das den Datenerzeugungsprozess auf unabhängige Zufallsstichproben reduziert. Wir untersuchen die Methoden, die für die Implementierung des Bootstraps in dieser Situation vorgeschlagen wurden, und diskutieren die Genauigkeit dieser Methoden im Vergleich zu den asymptotischen Approximationen erster Ordnung. Wir argumentieren, dass Methoden zur Implementierung des Bootstraps mit Zeitreihendaten nicht so gut als Methoden für Daten verstanden werden, die nach dem Zufallsprinzip aus einer Verteilung abgetastet werden. Darüber hinaus ist die Leistung des Bootstraps, gemessen durch die Konvergenzrate von Schätzfehlern, tendenziell schlechter mit Zeitreihen als mit Zufallsstichproben. Dies ist ein wichtiges Problem für die angewandte Forschung, weil asymptotische Approximationen erster Ordnung oft ungenau und irreführend sind mit Zeitreihendaten und Proben der Größen, die in Anwendungen aufgetreten sind. Wir schließen, dass es eine Notwendigkeit für weitere Forschung in der Anwendung der bootstrap auf Zeitreihen, und wir beschreiben einige der wichtigen ungelösten Probleme. 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. Aks und Stationaritätstests. Zeitschrift für Unternehmens - und Wirtschaftsstatistik 21 (4), 510-31. 5 Carroll, R. J. 1982. Anpassung an Heteroskedastizität in linearen Modellen. Annalen der Statistik 10, 1224-1233. -6- Cavaliere, G. 2004a. Prüfung der Stationarität unter einer permanenten Varianzverschiebung. Economics Letters 82, 403 & ndash; 408. 7 Cavaliere, G. 2004b. Einheitswurzeltests unter zeitvariablen Varianzverschiebungen. Econometric R. von Michael Sherman - Zeitschrift für Statistische Planung und Inferenz. 1998. Es gibt zwei Hauptansätze für die Unterabtastung abhängiger Daten: modellbasiert und modellfrei. Im ersteren wird die Abhängigkeitsstruktur in Form von wenigen unbekannten Parametern und unabhängigen Fehlern modelliert. In letzterem wird die beobachtete Reihe in Blöcke geteilt, und diese Blöcke werden verwendet, um zu erfassen. Es gibt zwei Hauptansätze für die Unterabtastung abhängiger Daten: modellbasiert und modellfrei. Im ersteren wird die Abhängigkeitsstruktur in Form von wenigen unbekannten Parametern und unabhängigen Fehlern modelliert. In letzterem wird die beobachtete Reihe in Blöcke geteilt, und diese Blöcke werden verwendet, um die Abhängigkeit in der ursprünglichen Reihe zu erfassen. Es ist vernünftig anzunehmen, dass der modellbasierte Ansatz unter dem korrekten Modell und unterhalb der fehlenden Spezifikation des korrekten Modells überlegen ist. Wir formalisieren diesen Kompromiss zwischen Effizienz und Robustheit und untersuchen, wie er in der Autoregressive-Moving-Average-Klasse von Modellen spielt. Michael Sherman ist stellvertretender Professor an der Abteilung für Statistik, Texas AampampM University, College Station, TX 1: EINFÜHRUNG Es gibt zwei prinzipielle Ansätze zur Unterabtastung für abhängige Sequenzen: Modellbasiert und modellfrei. Im modellbasierten Ansatz die Abhängigkeit. N dann bootstrapiert werden, und Pseudo-Zeitreihen können aus dem geschätzten Modell gebildet werden. Einige Beispiele dieses Ansatzes aus der Literatur sind die Autoregressionsverfahren (Bose 1988), der gleitende Durchschnitt (-Bose, 1990), lineare dynamische Modelle (Freedman, 1984), Vorhersageintervalle (Thombs, 1990), explosive Autoregression, (Basawa et al., 1989) und instabile Autoregression (Datta, 1996). In der modellfreien Annäherung th. Von Andres M. Alonso, Juan Romo. Es wurden bereits einige Techniken zur Wiederabtastung abhängiger Daten vorgeschlagen. In diesem Papier verwenden wir fehlende Werte Techniken, um die bewegten Blöcke Jackknife und Bootstrap zu ändern. Im Einzelnen betrachten wir die Blöcke von gelöschten Beobachtungen in der blockweisen Steckdose als fehlende Daten, die reco sind. Es wurden bereits einige Techniken zur Wiederabtastung abhängiger Daten vorgeschlagen. In diesem Papier verwenden wir fehlende Werte Techniken, um die bewegten Blöcke Jackknife und Bootstrap zu ändern. Im Einzelnen betrachten wir die Blöcke von gelöschten Beobachtungen im Blockkontaktmesser als fehlende Daten, die durch fehlende Werteschätzungen, die die Beobachtungsabhängigkeitsstruktur enthalten, wiederhergestellt werden. Somit schätzen wir die Varianz einer Statistik als gewichtete Stichprobenabweichung der in einer vollständigen Reihe ausgewerteten Statistik. Die Konsistenz der Varianz und die Verteilungsschätzungen des Stichprobenmittels werden festgelegt. Auch setzen wir die fehlende Werte Ansatz für die blockweise Bootstrap, indem einige fehlende Beobachtungen in zwei aufeinander folgenden Blöcke und wir zeigen die Konsistenz der Varianz und die Verteilung Schätzer des Stichprobenmittels. Schließlich stellen wir die Ergebnisse einer umfangreichen Monte-Carlo-Studie vor, um die Leistungsfähigkeit dieser Methoden für endliche Stichprobengrößen zu bewerten, was zeigt, dass unser Vorschlag Varianzschätzungen für mehrere Zeitreihenstatistiken mit kleineren mittleren quadratischen Fehlern liefert als frühere Verfahren. 2 von Stanislav Anatolyev. 2002. Wir studieren die Leistung der Bootstrap-Inferenz in kleinen Proben in einem kurzen Horizont linearen Vorhersage-Modell. Die Simulationsnachweise zeigen, dass der Rest-Bootstrap auch in Situationen, in denen die Nicht-IID-Struktur von Wold-Innovationen erwartet wird, die Schlussfolgerung verunreinigt, gut funktioniert. Kleine Dist. Wir studieren die Leistung der Bootstrap-Inferenz in kleinen Proben in einem kurzen Horizont linearen Vorhersage-Modell. Die Simulationsnachweise zeigen, dass der Rest-Bootstrap auch in Situationen, in denen die Nicht-IID-Struktur von Wold-Innovationen erwartet wird, die Schlussfolgerung verunreinigt, gut funktioniert. Kleine Verzerrungen, die durch das Vorhandensein einer starken bedingten Heteroskedastizität verursacht werden, werden teilweise durch den wilden Bootstrap entfernt, während die Verwendung jeder Variation des Blockbootstraps mit Korrekturfaktoren aufgrund der Notwendigkeit, eine Blocklänge auszuwählen, und zusätzlich rechnerisch, problematischer ist Intensiver. Von unbekannten Autoren. Robustheit des restbasierten Bootstraps auf die Zusammensetzung von seriell korrelierten Fehlern durch Stanislav Anatolyev New Economic School, Moskau In einem einfachen autoregressiven Modell mit seriell korrelierten Fehlern bewerten wir Größenverzerrungen, die aus dem Rest-Bootstrap resultieren, wenn die Wold-Innovation ist. Robustheit des restbasierten Bootstraps auf die Zusammensetzung von seriell korrelierten Fehlern durch Stanislav Anatolyev New Economic School, Moskau In einem einfachen autoregressiven Modell mit seriell korrelierten Fehlern bewerten wir Größenverzerrungen, die aus dem Rest-Bootstrap resultieren, wenn die Wold-Innovation seriell abhängig ist Wird erwartet, dass die Schlussfolgerung zu kontaminieren. Kleine Verzerrungen, die durch die Präsenz starker bedingter Heteroskedastizität oder anderer Nichtlinearitäten verursacht werden, können zum Teil mit Hilfe des Wildbootstraps entfernt werden. (4), aber nicht unter den DGPs (5), (6) oder (7). 4 Bootstrap-Resampling Im Rest-Bootstrap analysiert man die Wold-Innovation im Fehlerfall als IID-Prozess (-Bose 1990, Kreiss und Franke 1992). Nachdem die Residuen et, t 1,. T 5 berechnet werden, werden die Schätzungen der Wold-Innovationen t, t 1,. T auf die folgende Weise. Wir berechnen eine Schätzung von. Von Nalini Ravishanker, Lilian S.-Y. Wu, Dipak K. Dey. Gleichzeitige Ausreißerblöcke (Additiv oder Reallokation), die durch spezielle Ereignisse verursacht werden, treten häufig in wiederholten Geschäftszeitreihen auf. Wenn die Zeitreihen eine starke Abhängigkeit zwischen den Reihen aufweisen, liefern Schrumpfungsschätztechniken verbesserte Schätzungen der Zeitreihenmodellparameter und des ou. Gleichzeitige Ausreißerblöcke (Additiv oder Reallokation), die durch spezielle Ereignisse verursacht werden, treten häufig in wiederholten Geschäftszeitreihen auf. Wenn die Zeitreihen eine starke Abhängigkeit zwischen den Reihen aufweisen, liefern Schrumpfungsschätztechniken verbesserte Schätzungen der Zeitreihenmodellparameter und des Ausreißerblocks. Eine Bootstrap-Schätzung der Kovarianzmatrix des Vektors der Ausreißergrößen ermöglicht es, die Abhängigkeit einzubeziehen und die Schrumpfungsschätzungen zu erhalten. 1 Einleitung Die amerikanische Industrie zeichnet sich durch ständigen Wandel aus. Unternehmen führen neue Produkte ein und reorganisieren. In diesem Umfeld des ständigen Wandels sind die historischen Daten, auf denen die Prognosen basieren, oftmals kurz, in der Regel von nicht mehr als drei oder vier Jahren monatlicher Daten. Häufig sind Unternehmen in kleinere Einheiten oder Divisionen und kurze Datenreihen sind für jede Abteilung, die zu einer Reihe von wiederholten Zeitreihen. Zum Beispiel in der IBM, ist die Division in Bezug auf geografische Gebiete und. Von Seongman Moon, Carlos Velasco. Zeitschrift homepage: elsevierlocatejeconom.