Testing for Fundamental Vector Moving Average Representations Indiana University Bloomington - Department of Economics Datum Geschrieben: 16. Dezember 2015 Wir schlagen einen Test für die Invertierbarkeit oder Grundität der strukturellen Vektor autoregressive gleitende durchschnittliche Modelle, die durch nicht-Gaussian unabhängige und identisch verteilte (iid) strukturelle Schocks erzeugt werden . Wir beweisen, dass in diesen Modellen und unter einigen Regelmäßigkeitsbedingungen die Wold-Innovationen eine martingale Differenzfolge (mds) sind, wenn und nur wenn die strukturellen Schocks grundlegend sind. Diese einfache, aber leistungsfähige Charakterisierung schlägt eine empirische Strategie vor, um die Invertierbarkeit zu beurteilen. Wir schlagen einen Test vor, der auf einer verallgemeinerten spektralen Dichte basiert, um die mds-Eigenschaft der Wold-Innovationen zu überprüfen. Dieser Ansatz erfordert nicht die Festlegung und Abschätzung der Wirtschaftsfaktoren Informationsflüsse oder die Identifizierung und Schätzung der strukturellen Parameter und der nicht-invertierbaren Wurzeln. Darüber hinaus verwendet die vorgeschlagene Teststatistik alle Verzögerungen in der Probe und sie hat eine bequeme asymptotische N (0, 1) Verteilung unter der Nullhypothese der Invertierbarkeit, und daher ist sie einfach zu implementieren. Im Falle einer Ablehnung kann der Test weiter verwendet werden, um zu prüfen, ob ein bestimmter Satz von zusätzlichen Variablen ausreichende Informationsinhalte zur Wiederherstellung der Invertierbarkeit bereitstellt. Eine Monte-Carlo-Studie wird durchgeführt, um die endliche Probenleistung unseres Tests zu untersuchen. Schließlich wird die vorgeschlagene Prüfung auf zwei weithin zitierte Arbeiten über die Auswirkungen von Fiskalschocks von Blanchard und Perotti (2002) und Ramey (2011) angewendet. Schlüsselwörter: Grundlegende Darstellungen Generalisierte Spektrum Identifizierung Invertible Moving Average JEL Klassifizierung: C5, C32, E62 Vorgeschlagenes Zitat: Vorgeschlagenes Zitat Chen, Bin und Choi, Jinho und Escanciano, Juan Carlos, Prüfung auf fundamentale Vektorbewegungs-Durchschnittsdarstellungen (16. Dezember 2015). CAEPR Arbeitspapier Nr. 022-2015. Erhältlich bei SSRN: ssrnabstract2704860 oder dx. doi. org10.2139ssrn.2704860 University of Rochester (E-Mail) Department of Economics University of Rochester Rochester, NY 14620 Vereinigte Staaten Bank of Korea (E-Mail) 110, 3-Ga, Namdaemunno, Jung-Gu Seoul 100-794 Korea, Republik (Südkorea) Indiana University Bloomington - Department of Economics (E-Mail) Wylie Hall Bloomington, IN 47405-6620 Vereinigte Staaten 812-855-7925 (Telefon) 812-855-3736 (Fax) Prüfung für Fundamental Vector Moving Average Representations Indiana University Bloomington - Department of Economics Datum Geschrieben: 16. Dezember 2015 Wir schlagen einen Test für die Invertierbarkeit oder Grundität der strukturellen Vektor autoregressive gleitende durchschnittliche Modelle, die durch nicht-Gaussian unabhängige und identisch verteilte (iid) strukturelle Schocks erzeugt werden. Wir beweisen, dass in diesen Modellen und unter einigen Regelmäßigkeitsbedingungen die Wold-Innovationen eine martingale Differenzfolge (mds) sind, wenn und nur wenn die strukturellen Schocks grundlegend sind. Diese einfache, aber leistungsfähige Charakterisierung schlägt eine empirische Strategie vor, um die Invertierbarkeit zu beurteilen. Wir schlagen einen Test vor, der auf einer verallgemeinerten spektralen Dichte basiert, um die mds-Eigenschaft der Wold-Innovationen zu überprüfen. Dieser Ansatz erfordert nicht die Festlegung und Abschätzung der Wirtschaftsfaktoren Informationsflüsse oder die Identifizierung und Schätzung der strukturellen Parameter und der nicht-invertierbaren Wurzeln. Darüber hinaus verwendet die vorgeschlagene Teststatistik alle Verzögerungen in der Probe und sie hat eine bequeme asymptotische N (0, 1) Verteilung unter der Nullhypothese der Invertierbarkeit, und daher ist sie einfach zu implementieren. Im Falle einer Ablehnung kann der Test weiter verwendet werden, um zu prüfen, ob ein bestimmter Satz von zusätzlichen Variablen ausreichende Informationsinhalte zur Wiederherstellung der Invertierbarkeit bereitstellt. Eine Monte-Carlo-Studie wird durchgeführt, um die endliche Probenleistung unseres Tests zu untersuchen. Schließlich wird die vorgeschlagene Prüfung auf zwei weithin zitierte Arbeiten über die Auswirkungen von Fiskalschocks von Blanchard und Perotti (2002) und Ramey (2011) angewendet. Schlüsselwörter: Grundlegende Darstellungen Generalisierte Spektrum Identifizierung Invertible Moving Average JEL Klassifizierung: C5, C32, E62 Vorgeschlagenes Zitat: Vorgeschlagenes Zitat Chen, Bin und Choi, Jinho und Escanciano, Juan Carlos, Prüfung auf fundamentale Vektorbewegungs-Durchschnittsdarstellungen (16. Dezember 2015). CAEPR Arbeitspapier Nr. 022-2015. Erhältlich bei SSRN: ssrnabstract2704860 oder dx. doi. org10.2139ssrn.2704860 University of Rochester (E-Mail) Department of Economics University of Rochester Rochester, NY 14620 Vereinigte Staaten Bank of Korea (E-Mail) 110, 3-Ga, Namdaemunno, Jung-Gu Seoul 100-794 Korea, Republik (Südkorea) Indiana University Bloomington - Department of Economics (E-Mail) Wylie Hall Bloomington, IN 47405-6620 Vereinigte Staaten 812-855-7925 (Telefon) 812-855-3736 (Fax) Prüfung für Fundamental Vector Moving Average Representations Wir schlagen einen Test für die Invertierbarkeit oder Grundität der strukturellen Vektor autoregressive gleitende durchschnittliche Modelle, die durch nicht-Gaußsche unabhängige und identisch verteilte (iid) strukturelle Schocks erzeugt werden. Wir beweisen, dass in diesen Modellen und unter einigen Regelmäßigkeitsbedingungen die Wold-Innovationen eine martingale Differenzfolge (mds) sind, wenn und nur wenn die strukturellen Schocks grundlegend sind. Diese einfache, aber leistungsfähige Charakterisierung schlägt eine empirische Strategie vor, um die Invertierbarkeit zu beurteilen. Wir schlagen einen Test vor, der auf einer verallgemeinerten spektralen Dichte basiert, um die mds-Eigenschaft der Wold-Innovationen zu überprüfen. Dieser Ansatz erfordert nicht die Festlegung und Abschätzung der Wirtschaftsfaktoren Informationsflüsse oder die Identifizierung und Schätzung der strukturellen Parameter und der nicht-invertierbaren Wurzeln. Darüber hinaus verwendet die vorgeschlagene Teststatistik alle Verzögerungen in der Probe und sie hat eine praktische asymptotische N (0 1) - Verteilung unter der Nullhypothese der Invertierbarkeit, und daher ist sie einfach zu implementieren. Im Falle einer Ablehnung kann der Test weiter verwendet werden, um zu prüfen, ob ein bestimmter Satz von zusätzlichen Variablen ausreichende Informationsinhalte zur Wiederherstellung der Invertierbarkeit bereitstellt. Eine Monte-Carlo-Studie wird durchgeführt, um die endliche Probenleistung unseres Tests zu untersuchen. Schließlich wird die vorgeschlagene Prüfung auf zwei weithin zitierte Arbeiten über die Auswirkungen von Fiskalschocks von Blanchard und Perotti (2002) und Ramey (2011) angewendet. Wenn Sie Probleme beim Herunterladen einer Datei haben, überprüfen Sie, ob Sie die richtige Anwendung haben, um sie zuerst anzuzeigen. Bei weiteren Problemen lesen Sie die IDEAS-Hilfeseite. Beachten Sie, dass diese Dateien nicht auf der IDEAS-Website sind. Bitte sei geduldig, da die Dateien groß sein können. Papier von der Abteilung für Angewandte Wirtschaftswissenschaften und Politikforschung, Wirtschaftsabteilung, Indiana University Bloomington in ihrer Serie Caepr Working Papers mit der Nummer 2015-022 Klassifizierung-C5, C32, E62. Referenzen auf IDEAS Bitte melden Sie Zitat oder Referenzfehler an. oder. Wenn Sie der registrierte Autor der zitierten Arbeit sind, melden Sie sich bei Ihrem RePEc Author Service-Profil an. Klicken Sie auf Zitate und passen Sie entsprechende Einstellungen vor. Hamilton, James D Gang, Lin, 1996. Börsenvolatilität und der Konjunkturzyklus, Journal of Applied Econometrics. John Wiley Sons, Ltd. Bd. 11 (5), Seiten 573-593, Sept.-Okt. Olivier J. Blanchard Jean-Paul LHuillier Guido Lorenzoni, 2012. News, Noise und Fluctuations: Eine empirische Exploration, Entwicklungsforschung Working Paper Series 092012, Institut für Fortgeschrittene Entwicklungsstudien. Jess Fernndez-Villaverde Juan Francisco Rubio-Ramrez Thomas J. Sargent, 2005. A, B, Cs, (und Ds) zum Verständnis von VARs, FRB Atlanta Working Paper 2005-09, Federal Reserve Bank of Atlanta. Jess Fernndez-Villaverde Juan F. Rubio-Ramrez Thomas J. Sargent Mark W. Watson, 2007. ABCs (und Ds) des Verständnisses VARs, American Economic Review. Amerikanische Wirtschaftsvereinigung, vol. 97 (3), Seiten 1021-1026, Juni. Jesus Fernandez-Villaverde Juan F. Rubio-Ramirez Thomas J. Sargent, 2005. A, B, Cs (und Ds) Für das Verständnis von VARS, PIER Working Paper Archive 05-018, Penn Institut für Wirtschaftsforschung, Department of Economics, University of Pennsylvania. Jess Fernndez-Villaverde Juan F. Rubio-Ramirez Thomas J. Sargent, 2005. A, B, Cs (und Ds) s für das Verständnis von VARS, Levines Bibliographie 172782000000000096, UCLA Department of Economics. Jess Fernndez-Villaverde Juan F. Rubio-Ramirez Thomas J. Sargent Mark Watson, 2006. A, B, Cs (und Ds) s für das Verständnis von VARS, Levines Bibliographie 321307000000000646, UCLA Department of Economics. Jesus Fernandez-Villaverde Juan Rubio-Ramirez Thomas J. Sargent, 2005. A, B, Cs (und D) s für das Verständnis von VARs, NBER Technical Working Papers 0308, National Bureau of Economic Research, Inc. Bei Anforderung einer Korrektur, bitte erwähnen Diese Gegenstände handhaben: RePEc: inu: caeprp: 2015022. Siehe allgemeine Informationen zur Korrektur von Material in RePEc. Für technische Fragen zu diesem Artikel, oder um seine Autoren, Titel, Abstract, bibliographischen oder Download-Informationen zu korrigieren, wenden Sie sich an: (Center for Applied Economics and Policy Research) Wenn Sie diesen Artikel verfasst haben und noch nicht bei RePEc registriert sind, empfehlen wir Ihnen Um es hier zu machen Dies ermöglicht es, Ihr Profil mit diesem Element zu verknüpfen. Es erlaubt Ihnen auch, potenzielle Zitate zu diesem Artikel zu akzeptieren, dass wir unsicher sind. Wenn Referenzen ganz fehlen, können Sie sie mit diesem Formular hinzufügen. Wenn die vollständigen Referenzen ein Element auflisten, das in RePEc vorhanden ist, aber das System nicht mit ihm verknüpft ist, können Sie mit diesem Formular helfen. Wenn Sie von fehlenden Gegenständen wissen, die dieses zitieren, können Sie uns helfen, diese Links zu erstellen, indem wir die relevanten Referenzen in der gleichen Weise wie oben für jedes verweisende Element hinzufügen. Wenn Sie ein registrierter Autor dieses Artikels sind, können Sie auch die Registerkarte Zitate in Ihrem Profil überprüfen, da es einige Zitate gibt, die auf Bestätigung warten. Bitte beachten Sie, dass Korrekturen einige Wochen dauern können, um durch die verschiedenen RePEc-Dienste zu filtern. Weitere Dienstleistungen Folge-Serie, Zeitschriften, Autoren amp mehr Neue Papiere per E-Mail Abonnieren Sie neue Ergänzungen zu RePEc Autorenregistrierung Öffentliche Profile für Wirtschaftsforscher Verschiedene Rankings der Forschung in der Wirtschaft amp verwandte Felder Wer war ein Student von wem, mit RePEc RePEc Biblio Kuratierte Artikel amp Papiere zu verschiedenen ökonomischen Themen Hochladen Sie Ihr Papier auf RePEc aufgeführt werden und IDEAS EconAcademics Blog Aggregator für Wirtschaftsforschung Plagiate Fälle von Plagiaten in Wirtschaftswissenschaften Job Market Papers RePEc Arbeitspapier Serie gewidmet, um den Job-Markt Fantasy League Vortäuschen Sie sind an der Spitze einer Wirtschaft Abteilung Dienstleistungen von der StL Fed Daten, Forschung, apps amp mehr von der St. Louis FedDocumentation a ist ein konstanter Vektor von Offsets, mit n Elementen. A i sind n - by-n Matrizen für jedes i. Die A sind autoregressive Matrizen. Es gibt p autoregressive Matrizen. 949 t ist ein Vektor von seriell unkorrelierten Innovationen. Vektoren der Länge n Die 949 t sind multivariate normale Zufallsvektoren mit einer Kovarianzmatrix Q. Wobei Q eine Identitätsmatrix ist, sofern nicht anders angegeben. Bj sind n - by-Matrix für jedes j. Die Bj bewegen die durchschnittlichen Matrizen. Es gibt q gleitende durchschnittliche Matrizen. X t ist eine n - by-Matrix, die exogene Terme zu jedem Zeitpunkt t darstellt. R ist die Anzahl der exogenen Serien. Exogene Ausdrücke sind Daten (oder andere ungemusterte Eingänge) zusätzlich zu der Antwortzeitreihe y t. B ist ein konstanter Vektor von Regressionskoeffizienten der Größe r. So ist das Produkt X t middotb ein Vektor der Größe n. Im allgemeinen sind die Zeitreihen y t und X t beobachtbar. Mit anderen Worten, wenn Sie Daten haben, stellt es eine oder beide dieser Serien dar. Du kennst nicht immer den Offset a. Koeffizient b. Autoregressive Matrizen A i. Und gleitende mittlere Matrizen B j. Sie möchten diese Parameter in der Regel an Ihre Daten anpassen. Siehe die vgxvarx-Funktionsreferenzseite für die Möglichkeit, unbekannte Parameter abzuschätzen. Die Innovationen 949 t sind nicht zu beobachten, zumindest in Daten, obwohl sie in Simulationen beobachtbar sind. Lag Operator Representation Es gibt eine äquivalente Darstellung der linearen autoregressiven Gleichungen in Bezug auf Lagoperatoren. Der Lagoperator L verschiebt den Zeitindex um eins zurück: L y t y t 82111. Der Operator L m verschiebt den Zeitindex um m zurück. L m y t y t 8211 m In der Verzögerungsoperatorform wird die Gleichung für ein SVARMAX (Modell q) r) Modell (A 0 x 2212 x 2211 i 1 p A i L i) y t a X t b (B 0 x 2211 j 1 q B j L j) x03B5 t Diese Gleichung kann als A (L) y t a X t b B (L) x03B5 t geschrieben werden. Ein VAR-Modell ist stabil, wenn det (I n x2212 A 1 z x2212 A 2 z 2 x 2212 x 2212 A pzp) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Diese Bedingung impliziert, dass bei allen Innovationen gleich Null der VAR-Prozess zu einem konvergiert wie die Zeit vergeht. Siehe Luumltkepohl 74 Kapitel 2 für eine Diskussion. Ein VMA-Modell ist invertierbar, wenn det (I n B 1 z B 2 z 2 B q z q) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Diese Bedingung impliziert, dass die reine VAR-Darstellung des Prozesses stabil ist. Für eine Erläuterung, wie man zwischen VAR - und VMA-Modellen umwandelt, siehe Ändern von Modelldarstellungen. Siehe Luumltkepohl 74 Kapitel 11 für eine Diskussion über invertierbare VMA-Modelle. Ein VARMA-Modell ist stabil, wenn sein VAR-Teil stabil ist. Ähnlich ist ein VARMA-Modell invertierbar, wenn sein VMA-Teil invertierbar ist. Es gibt keinen klar definierten Begriff der Stabilität oder Umkehrbarkeit für Modelle mit exogenen Eingaben (z. B. VARMAX-Modelle). Ein exogener Eingang kann ein Modell destabilisieren. VAR-Modelle aufbauen Um ein mehrfaches Zeitreihenmodell oder mehrere Zeitreihendaten zu verstehen, führen Sie in der Regel folgende Schritte durch: Importieren und Vorverarbeiten von Daten. Geben Sie ein Modell an. Spezifikation Strukturen ohne Parameter Werte, um ein Modell zu spezifizieren, wenn Sie möchten, dass MATLAB x00AE die Parameter spezifizieren Spezifikationsstrukturen mit ausgewählten Parameterwerten, um ein Modell anzugeben, in dem Sie einige Parameter kennen und MATLAB schätzen, um die anderen zu bestimmen, die eine bestimmte Anzahl von Lags bestimmen, um zu bestimmen Eine passende Anzahl von Verzögerungen für Ihr Modell Passen Sie das Modell an Daten an. Anpassen von Modellen an Daten, um vgxvarx zu verwenden, um die unbekannten Parameter in Ihren Modellen abzuschätzen. Dies kann Folgendes beinhalten: Ändern von Modelldarstellungen, um Ihr Modell auf einen Typ zu ändern, den vgxvarx behandelt analysiert und prognostiziert mit dem eingebauten Modell. Dies kann Folgendes beinhalten: Untersuchen der Stabilität eines angepassten Modells, um festzustellen, ob Ihr Modell stabil und invertierbar ist. VAR-Modell Prognose, um direkt von Modellen zu prognostizieren oder mit einer Monte-Carlo-Simulation zu prognostizieren. Berechnen von Impulsantworten zur Berechnung von Impulsantworten, die Prognosen auf der Grundlage einer angenommenen Änderung einer Eingabe in eine Zeitreihe geben. Vergleichen Sie die Ergebnisse Ihrer Modellvorhersagen mit Daten, die für die Prognose ausgehändigt wurden. Ein Beispiel finden Sie unter VAR Model Case Study. Ihre Anwendung muss nicht alle Schritte in diesem Workflow beinhalten. Zum Beispiel haben Sie keine Daten, sondern wollen ein parametrisiertes Modell simulieren. In diesem Fall würden Sie nur die Schritte 2 und 4 des generischen Workflows durchführen. Sie können durch einige dieser Schritte iterieren. Verwandte Beispiele Wählen Sie Ihr Land aus
No comments:
Post a Comment