Autocorrelação BREAKING DOWN Autocorrelação A autocorrelação também pode ser referida como correlação retardada ou correlação serial, pois mede a relação entre um valor atual de variáveis e seus valores passados. Ao calcular a autocorrelação, a saída resultante pode variar de 1 a 1 negativo em linha com a estatística de correlação tradicional. Uma autocorrelação de 1 representa uma correlação positiva perfeita (um aumento observado em uma série de tempo leva a um aumento proporcional nas outras séries temporais). Uma autocorrelação do negativo 1, por outro lado, representa uma correlação negativa perfeita (um aumento observado na série de uma única série resulta em uma diminuição proporcional nas outras séries temporais). A autocorrelação mede relacionamentos lineares, mesmo que a autocorrelação seja minúscula, pode haver uma relação não-linear entre uma série temporal e uma versão atrasada de si. Autocorrelação na Análise Técnica A autocorrelação pode ser útil para análise técnica, que está mais preocupada com as tendências e relações entre os preços de segurança em vez de uma saúde financeira ou gerenciamento de empresas. Os analistas técnicos podem usar autocorrelação para ver quanto de um impacto os preços passados de uma garantia têm em seu preço futuro. A autocorrelação pode mostrar que há um fator de impulso com um estoque. Por exemplo, se você sabe que um estoque historicamente tem um alto valor positivo de autocorrelação e você testemunhou o estoque fazendo ganhos sólidos ao longo dos últimos dias, então você pode razoavelmente esperar os movimentos durante os próximos vários dias (a série de tempo de liderança) para combinar com aqueles Da série de tempo atrasada e para mover para cima. Exemplo de Autocorrelação Assuma que um investidor procura discernir se as ações retornam em sua carteira de autocorrelação, os retornos das ações estão relacionados aos seus retornos em sessões de negociação anteriores. Se os retornos exibirem autocorrelação, o estoque pode ser caracterizado como um estoque de impulso, seus retornos passados parecem influenciar seus retornos futuros. O investidor executa uma regressão com dois retornos das sessões de negociação anteriores como variáveis independentes e o retorno atual como variável dependente. Ela descobre que os retornos um dia antes têm uma autocorrelação positiva de 0,7, enquanto os retornos de dois dias antes têm uma autocorrelação positiva de 0,3. Os retornos passados parecem influenciar os retornos futuros, e ela pode ajustar seu portfólio para tirar proveito da autocorrelação e do impulso resultante. Na pesquisa, tanto a autocorrelação como a heterocedasticidade são detectados na análise de dados do painel. Eu posso resolvê-los separadamente em stata com comando xtregar e robusto, respeitosamente. No entanto, não consigo encontrar uma maneira de resolver ambos os problemas ao mesmo tempo. Se possível, mostre-me como reparar problemas de autocorrelação e heterocedasticidade para dados de painel em uma estimativa. Será ótimo usando o Stata, mas o SPSS também está bem. Perguntou 11 de setembro 11 às 8:51 Uma maneira padrão de corrigir isso é usando erros padrão de heterocedasticidade e autocorrelação consistentes (HAC). Eles também são conhecidos após seus desenvolvedores como erros padrão do Newey-West. Eles podem ser aplicados no Stata usando o comando newey. O arquivo de ajuda do Stata para este comando está aqui: statahelp. cginewey A dificuldade em aplicar esses erros é que você precisa escolher o número de atrasos que você deseja que o procedimento considere na estrutura de autocorrelação. Os testes de autocorrelação padrão geralmente fornecem boa orientação. Esta abordagem baseia-se em assintóticos, de modo que grandes conjuntos de dados funcionam melhor aqui. Existem alternativas, incluindo o bloco bootstrap. Veja este artigo para uma comparação de abordagens para lidar com autocorrelação em dados de painel: Bertrand, Marianne, Ester Duflo e Sendhil Mullainathan. 2004. Quanto Devemos Confirmar as Diferenças - Diferenças Estimativas Trimestral Journal of Economics. 119 (1): 249-275. A versão heterogênea pode ser definida de várias maneiras: não estou familiarizado com o Stata, mas a verificação rápida na Internet sugere que o cluster de opções irá lidar com os dois últimos casos, você precisará apenas o clustvar correto. Coincidentemente, para o último caso, isso também se protegerá contra a autocorrelação do seguinte tipo: Para ver por que, reescreva os dados do painel em formato vetorial: onde yi39 (y. Y), ui (u. U). Em seguida, os robustos erros padrão robustos clássicos contra a qual é a matriz Ttimes T, que é o mesmo para todos os eu. Não é difícil ver então que tanto a heterocedasticidade intragrupos quanto a autocorrelação AR (1) dão uma matriz de covariância que é um caso especial de OmegaT geral. Reescrever o modelo em você pode proteger outros casos de heterocedasticidade: mas não é possível fazer nada sobre AR (1). Se você está interessado em obter estimadores eficientes para ambos os casos usando os mínimos quadrados generalizados, então você pode ter estimativas viáveis disponíveis prontamente a partir de uma regressão OLS simples: eu não sei sobre o Stata, mas se eu lembro bem. O Eviews tem uma opção para usar Essas matrizes para estimação. Se você tiver uma estrutura de covariância mais complicada, acho que você precisará desenvolver sua própria solução.
No comments:
Post a Comment