Test F Comune Nel Forex Stata

Sto cercando di fare un test F sulla significatività congiunta degli effetti fissi (variabili fittizie specifici per i singoli) su una regressione OLS dati panel (in R), però io ho mai trovato un modo per ottenere questo risultato per un gran numero di effetti fissi . Idealmente, vorrei utilizzare una funzione nel pacchetto PLM, però io ho mai trovato nulla che fa specificamente questo test. Questo è qualcosa Stata fa automaticamente quando si utilizza il xtreg, il comando fe. In Stata, i risultati aspetto: Ancora una volta, sto cercando di riprodurre il risultato Stata in R per un gran numero di variabili dummy, forse indicato dal fattore (us. state) utilizzando lm () o il modello fe usando plm (). Ecco un esempio riproducibile: che è equivalente al seguente all'interno di regressione utilizzando il pacchetto PLM. Così, il test sarebbe la prova che tutte le variabili dummy statali siano congiuntamente diversi da zero (congiuntamente significativo). Si tratta di una limitazione lineare, sul modello senza restrizioni (reg1 e reg1.fe sopra). Questo F-test è meglio spiegato nel seguente documento (vedi slides 5-7). Ecco uno dei miei tentativi deboli a creare una matrice R per l'F-test con ipotesi nulla: q Rb dove B è la matrice dei coefficienti (cappello beta), e q è un vettore di zeri. Questo non funziona e, Im sperando vi è un approccio semplificato per il test di significatività congiunta di tutte le variabili dummy effetto fisso. In primo luogo, Id piace pensare che la tua domanda potrebbe essere migliorato (1) che fornisce un esempio di riproducibili, e (2) che descrive il test preciso al quale si fa riferimento a quando si dice di prova F. Un link per la documentazione Stata forse F è la distribuzione, quindi non ci può essere un test di gazillion chiamato un test F. Se il vostro interesse sostanziale sta nel determinare se il modello a effetti fissi si adatta ai dati significativamente migliori rispetto OLS senza effetti fissi, allora si può sempre utilizzare un test del rapporto di verosimiglianza. Sono sicuro che ci sono molte implementazioni in R, ma quello fornito dal pacchetto lmtest è abbastanza conveniente. Ecco un esempio utilizzando un set di dati distribuita con il pacchetto PLM (sembra che tu abbia installato che, quindi dovrebbe essere facile da provare). Credo che la funzione plm39s pFtest () può fare quello che vuoi (vedi la mia risposta modificato). Il risultato non è esattamente lo stesso come l'output Stata, che è probabilmente dovuto al fatto che il primo parametro della distribuzione F è diverso. Ma quando mi adatto entrambi i modelli singolarmente con lm (), ottengo gradi di libertà di 543 e 498 (differenza di 45), in modo da R sembra proprio qui. Vedere se si ottiene gli stessi gradi di libertà in Stata se si fissa la messa in comune e all'interno di modelli singolarmente. Il problema con il software closed source come Stata è we39ll sa mai con precisione il modo in cui calcolare la loro prova F. ndash Vincent 30 maggio 11 alla 03:50 Davvero non penso che questo test è utile a tutti. Invece di valutare quello che si chiama un effetto fisso (Ill chiamano non-pooling modello), perché non un modello gerarchico Il modello gerarchico (o modello pooling parziale) permetterà per le stime a ridursi alla media commom per gli stati, ma senza imporre che siano uguali. Morevoer, se avete bisogno di valutare quanto membri variano, basta usare la varianza stimata tra Stato e intra-stato. Se la varianza tra Stato è basso (vicino a zero), che si arent guadagnare così tanto con un modello gerarchico e le intercettazioni sono più o meno lo stesso. Se la varianza è molto grande (al limite, quando va a infinito) il modello gerarchico aggiunge poco e si potrebbe correre un modello separato per ogni stato. È possibile stimare un modello gerarchico in R con il lme4 pacchetto. Usando i dati: La deviazione standard stimata del intercettazione da parte degli Stati è 4.39 e la deviazione standard dei singoli è 4.19.A davvero buon modo per trovare la periodicità in qualsiasi serie regolare di dati è quello di esaminare il suo spettro di potenza dopo la rimozione di qualsiasi tendenza generale. (Questo si presta bene allo screening automatico quando la potenza totale viene normalizzato ad un valore standard, come unità.) La rimozione tendenza preliminare (e differenziazione opzionale per rimuovere autocorrelazione) è essenziale per evitare periodi di confusione con altri comportamenti. Lo spettro di potenza è la trasformata di Fourier discreta della funzione autocovarianza di una versione opportunamente livellato della serie originale. Se pensate della serie storica come una forma d'onda di campionamento fisico, è possibile stimare quanto delle onde potenza totale è effettuata all'interno di ogni frequenza. Lo spettro di potenza (o periodogramma) traccia la potenza in funzione della frequenza. Ciclico (cioè, ripetitive o modelli stagionali) mostrerà come grandi picchi ubicati presso le sue frequenze. A titolo di esempio, si consideri questo (simulato) serie storiche dei residui da una misurazione al giorno, assunta per un anno (365 valori). I valori oscillano intorno 0 senza tendenze evidenti, mostrando che tutte tendenze importanti sono stati rimossi. La fluttuazione appare casuale: nessuna periodicità è evidente. Ecco un altro appezzamento di dati stessi, disegnato per aiutarci a vedere le possibili modelli periodici. Se si guarda davvero difficile, si potrebbe essere in grado di discernere un modello rumoroso ma ripetitivo che si verifica da 11 a 12 volte. Le sequenze piuttosto lunga di valori sopra lo zero e sotto zero almeno suggeriscono alcuni autocorrelazione positiva, mostrando questa serie non è completamente casuale. Heres il periodogramma, mostrato per frequenze fino a 91 (un quarto della lunghezza totale della serie). E 'stato costruito con una finestra Welch e normalizzati per unità di superficie (per l'intera periodogramma, non solo la parte illustrata). Il potere si presenta come un rumore bianco (piccole fluttuazioni casuali) e due punte di rilievo. Theyre difficile da perdere, arent essi Maggiore avviene in un periodo di 12 e minore in un periodo di 52. Questo metodo è così rilevato un ciclo mensile e un ciclo settimanale in questi dati. Questo è davvero tutto quello che c'è ad esso. Per automatizzare il rilevamento di cicli (stagionalità), solo la scansione del periodogramma (che è una lista di valori) per relativamente grande massimi locali. Il suo tempo di rivelare come sono stati creati questi dati. I valori sono generati da una somma di due onde sinusoidali, uno con frequenza 12 (di ampiezza al quadrato 34) e l'altra con frequenza di 52 (di quadrato dell'ampiezza 14). Questi sono ciò che le punte del periodogramma rilevati. La loro somma è mostrata come la curva nera spessa. IID normale rumore di varianza 2 è quindi aggiunta, come mostrato dalle barre grigio chiaro estendono dalla curva nera per i punti rossi. Questo rumore introdotto i Wiggles di basso livello sul fondo del periodogramma, che altrimenti sarebbe solo un appartamento 0. i due terzi della variazione totale dei valori è non periodico e casuale, che è molto rumoroso: ecco perché la sua così difficile fare la periodicità solo guardando i puntini. Tuttavia (in parte perché Theres così tanti dati) di trovare le frequenze con il periodogramma è facile e il risultato è chiaro. Istruzioni e buoni consigli per periodogrammi calcolo appaiono sul sito Numerical Recipes: cerca la sezione sulla stima dello spettro di potenza utilizzando la FFT. R ha il codice per la stima periodogramma. Queste figure sono state create in Mathematica 8 del periodogramma è stato calcolato con la sua funzione di Fourier. risposto 28 settembre 11 in 16:38 La assumptionquotafter rimuovere qualsiasi trendquotis generale il tallone d'Achille, come ci possono essere molti trend temporali, molti livelli sposta tutti che sono stati esclusi nella vostra idea example. The che le serie di input sono di natura deterministica mosche in volto della possibile presenza di strutture stagionali e regolare ARIMA. Non trattati insoliti valori di una volta saranno distorcere qualsiasi schema di identificazione periodogramma-based a causa di una distorsione verso il basso le stime periodogramma rendimento non significance. If settimanali effetti mensili eo modificati ad un certo punto, in passato la procedura periodogramma basata fallirebbe ndash IrishStat settembre 29 11 a 0:06 irlandese credo che il tuo commento può esagerare un po '. E 'più elementare di cercare e trattare quotUnusual One-Time Valuesquot (aka valori anomali), in modo da questo solo orsi menzionare sottolineare che alcuni stimatori serie storiche possono essere sensibili a valori anomali. quotDeterministic in naturequot travisa le idee di base: nessuno suppone ci sia il determinismo (come dimostra l'enorme quantità di rumore nella simulazione). La simulazione incorpora un segnale periodico definito come un modello --always approssimativa in realtà - solo per illustrare la connessione tra il periodogramma e stagionalità. (Continua). Ndash whuber 9830 29 settembre 11 a 16:41 Sì, i cambiamenti nella stagionalità possono oscurare il periodogramma (e l'ACF, ecc), in particolare i cambiamenti nella frequenza (improbabile) o fase (possibile). I riferimenti a mio post dare una soluzione per gestire tale: si consiglia di utilizzare una finestra mobile per la stima periodogramma. There39s un'arte a questo, e chiaramente ci sono insidie, in modo che l'analisi di serie molto tempo potranno beneficiare di un trattamento esperto, come avvocato. Ma la domanda chiede se ci sono metodi per rilevare quotother seasonalityquot e innegabilmente il periodogramma è un potente statisticamente opzione, computazionalmente efficiente, facilmente interpretabili. ndash whuber 9830 29 settembre 11 a 16:46 Nel mio mondo utilizzando sinescosines sono effectsquot quotdeterministic molto simile il mese degli indicatori anno. Montaggio qualsiasi modello pre-specifed limita i valori stimati di un modello specificato dall'utente, spesso sub-standard. I dati dovrebbero essere quotlistened toquot come aiutare il software per computer analystadvanced di discernere in modo efficace tra il N. B. fisso e ingressi stocastici Mi riferisco a ARIMA ritardo strutture come stocastico o quotdriversquot adattivo come i valori stimati adjustadapt ai cambiamenti nella storia della serie. A mio parere l'utilizzo del periodogramma quotoversellsquot semplice modellazione statistica ndash IrishStat 29 settembre 11 alle 17:44 whuber Ripetendo la stessa cosa potrebbe non essere utile. Tuttavia, potrebbe essere troppo bello per fissare il punto al di sotto del periodogramma dire che i picchi si trovano ad una quotfrequency ofquot 12 e 52 volte l'anno, e non quotperiod ofquot. Fissaggio la trama troppo a dire quotfrequencyquot invece di quotperiodquot potrebbe essere bello come pure se si pensa it39s non troppo fastidioso. ndash Celelibi 11 ottobre 16 al 15:29 Stagionalità può e non spesso cambiare nel tempo, quindi, misure di sintesi possono essere del tutto insufficiente per rilevare la struttura. Uno ha bisogno di testare per la transitorietà dei coefficienti ARIMA e cambia spesso nei dummy stagionali. Ad esempio, in un orizzonte di 10 anni ci può essere stato effetto giugno per i primi anni k, ma gli ultimi anni 10-k vi è evidenza di un effetto di giugno. Un semplice effetto composito giugno potrebbe essere non significativa dato che l'effetto non era costante nel tempo. In modo simile una componente stagionale ARIMA può essere cambiata. Si deve prestare attenzione per includere cambiamenti a livello locale e o tendenze temporali locali, garantendo nel contempo che la varianza degli errori è rimasto costante nel tempo. Non si dovrebbe valutare le trasformazioni come GLSweighted minimi quadrati o trasformazioni di potenza come radici logssquare, ecc sui dati originali, ma sugli errori da un modello sperimentale. Le ipotesi di Gauss hanno nulla a che fare con i dati osservati, ma tutto a che fare con gli errori del modello. Ciò è dovuto alle basi dei test statistici che utilizzano il rapporto di una variabile non centrale chi-quadrato per una variabile centrale chi-square. Se si voleva pubblicare un serie esempio dal mondo Sarei lieto di fornirvi e l'elenco un'analisi approfondita che porta alla individuazione della struttura di stagione. risposto 27 11 settembre a 18:36 Charlies risposta è buona, e il suo dove inizio Id. Se non volete usare i grafici ACF, è possibile creare k-1 variabili dummy per i periodi di tempo k presenti. Poi si può vedere se le variabili dummy sono significative in una regressione con le variabili dummy (e probabilmente un termine tendenza). Se i dati sono trimestrali: Q2 manichino è 1 se questo è il secondo trimestre, altrimenti 0 manichino Q3 è 1 se questo è il terzo trimestre, altrimenti 0 manichino Q4 è 1 se questo è il quarto trimestre, altrimenti 0 Nota quartiere 1 è il caso base (tutti e 3 i manichini zero) Si potrebbe desiderare di controllare anche la decomposizione serie temporali a Minitab - spesso chiamata la decomposizione classica. Alla fine, si consiglia di usare qualcosa di più moderno, ma questo è un posto semplice per iniziare. ha risposto 27 settembre 11 a 18:53 Im un po 'nuova per me R, ma la mia comprensione della funzione ACF è che se la linea verticale passa sopra la linea tratteggiata superiore o sotto il fondo linea tratteggiata, c'è qualche autoregressione (compresa la stagionalità) . Provare a creare un vettore di sine risposto 27 settembre 11 a 15:47 sinescosines montaggio ecc può essere utile per alcune serie di tempo physicalelectrical ma si deve essere consapevoli di MSB. Specifica di modello Bias. ndash IrishStat 28 settembre 11 a 14:31 Autoregressione non implica stagionalità. ndash Jens 22 novembre 13 alle 12:32 La vostra risposta 2017 Stack Exchange, Inc