Movendo Média Representação De Autorregressivo

Representação Mínima-Média de Aproximações Autoregressivas Nós estudamos as propriedades de uma infinita MA-representação de uma aproximação autorregressiva para um processo estacionário, real-avaliado. Ao fazer isso, damos uma extensão do Teorema de Wieners na configuração de aproximação determinística. Ao lidar com dados, podemos usar este novo resultado chave para obter insights sobre a estrutura de infinitas MA-representações de modelos auto-regressivos ajustados onde a ordem aumenta com o tamanho da amostra. Em particular, nós damos um limite uniforme para estimar os coeficientes de média móvel através de aproximação autorregressiva uniforme em todos os inteiros. 423.pdfMoving-representação média de aproximações autorregressivas Peter Bhlmann 1 Departamento de Estatística, Universidade da Califórnia, Evans Hall, Berkeley, CA 94720, EUA Disponível on-line 5 de abril de 2000. Nós estudamos as propriedades de um MA () - representação de uma aproximação autorregressiva Para um processo estacionário, de valor real. Ao fazer isso, damos uma extensão do teorema de Wieners na configuração de aproximação determinística. Ao lidar com dados, podemos usar este novo resultado chave para obter insights sobre a estrutura de MA () - representações de modelos auto-regressivos ajustados onde a ordem aumenta com o tamanho da amostra. Em particular, nós damos um limite uniforme para estimar os coeficientes de média móvel através de aproximação autorregressiva uniforme em todos os inteiros. AR () Causal Análise complexa Função de resposta ao impulso Invertible Processo linear MA () Mistura Série temporal Função de transferência Processo estacionário Referências An et al. 1982 H.-Z. A. Z.-G Chen. E. J. Hannan Autocorrelação, auto-regressão e aproximação autorregressiva Ann. Estatista Volume 10, 1982. pp. 926936 Corr: H.-Z. A. Z.-G Chen. E. J. Hannan Autocorrelação, auto-regressão e aproximação autorregressiva Ann. Estatista Volume 11. 1982. p. 1018 Berk, 1974 K. N. Berk Estimativas espectrais auto-regressivas consistentes Ann. Estatista Volume 2. 1974. pp. 489502 Bhansali, 1989 R. J. Bhansali Estimativa da representação média móvel de um processo estacionário por modelo auto-regressivo J. Time Series Anal. Volume 10. 1989. pp. 215232 Bhansali, 1992 R. J. Bhansali Estimativa autorregressiva do erro quadrático médio de predição e uma medida R 2: uma aplicação New Directions in Time Series Analysis. D. Brillinger. P. Caines. J. Geweke. E. Parzen. M. Rosenblatt. SENHORA. Taqqu. 1992. Springer, Nova Iorque. Pp. 924 Parte I Bickel e Bhlmann, 1995 P. J. Bickel. P. Bhlmann Misturando propriedades e teoremas de limite central funcional para um bootstrap de peneira em séries de tempo, Tech. Rep. 440. 1995. Dept. of Statistics, UC Berkeley, Berkeley, CA Brillinger, 1975 D. R. Análise e Teoria de Dados da Série de Tempo de Brillinger. 1975. Holt, Rinehart e Winston, Nova Iorque Brockwell e Davis, 1987 P. J. Brockwell. R. A. Davis Série de Tempo: Teoria e Métodos 1987. Springer, Nova Iorque Bhlmann, 1995 P. Bhlmann Sieve bootstrap para séries de tempo, Tech. Rep. 431. 1995. Dept. of Statistics, UC Berkeley, Berkeley, CA Deistler e Hannan, 1988 M. Deistler. E. J. Hannan A Teoria Estatística dos Sistemas Lineares 1988. Wiley, Nova Iorque Doukhan, 1994 P. Doukhan Propriedades e Exemplos de Mistura. Notas de Aulas em Estatísticas. Volume Vol. 85. 1994. Springer, Nova Iorque Durbin, 1960 J. Durbin A montagem de modelos de séries temporais Rev. Internat. Estatista Inst. Volume 28. 1960. pp. 233244 Efron, 1979 B. Efron Bootstrap métodos: um outro olhar para o jackknife Ann. Estatista Volume 7. 1979. p. 126 Gelfand et al. 1964 I. Gelfand. D. Raikov. G. Shilov Comutativo Normed Rings 1964. Chelsea, Nova Iorque Hannan, 1987 E. J. Hannan Aproximação da função de transferência Rational Stat. Sei. Volume 5. 1987. pp. 105138 Hannan e Kavalieris, 1986 E. J. Hannan. L. Kavalieris Regressão, modelos de autorregressão J. Time Series Anal. Volume 7, 1986. pp. 2749 Kreiss, 1988 J.-P. Kremer, Krein, Kreuz, Krein, Krein, Krein, Kremer, Krein, Krein, Kremer, Kremer, Kremer, Kremer, Kremer, Kremer, et al. tese. 1970. Dept. Statistics, Universidade de Stanford, Stanford, CA Lewis e Reinsel, 1985 R. A. Lewis. G. C. Reinsel Previsão de séries temporais multivariadas pelo modelo autorregressivo J. Multivariate Anal. Análise de convergência dos métodos de identificação paramétrica IEEE Trans. Automático. Controlo AC-23. Ltkepohl, 1989 H. Ltkepohl Uma nota sobre a distribuição assintótica de funções de resposta ao impulso de modelos VAR estimados com resíduos ortogonais J. Econometrics. Volume 42. 1989. pp. 371376 Ltkepohl, 1991 H. Ltkepohl Introdução à Análise de séries temporais múltiplas 1991. Springer, Heidelberg Parzen, 1982 E. Parzen Modelos ARMA para análise de séries temporais e previsão J. Forecast. Volume 1. 1982. pp. 6782 Paparoditis e Streitberg, 1992 E. Paparoditis. B. Streitberg Estatísticas de identificação de ordens em modelos de média móvel auto-regressivos estacionários: autocorrelações de vetores e bootstrap J. Time Series Anal. Volume 13. 1992. pp. 415434 Ptscher, 1987 B. M. Resultados de convergência de Ptscher para estimadores de tipo de máxima verossimilhança em modelos ARMA multivariados J. Multivariate Anal. Volume 21. 1987. pp. 2952 Saikonen, 1986 P. Saikonen Propriedades assintóticas de alguns estimadores preliminares para modelos de séries temporais médias móveis auto-regressivas J. Time Series Anal. Volume 7. 1986. pp. 133155 Silvia e Robinson, 1979 M. T. Silvia. E. A. Robinson Deconvolution de séries geofísicas do tempo na exploração para o óleo eo gás natural 1979. Elsevier, Amsterdão Wiener, 1993 N. Wiener O Fourier Integral e certas de suas aplicações 1993. Cambridge Univ. Press, Cambridge Withers and Withers, 1981 C. S. Withers Teoremas de limite central para variáveis ​​dependentes I Z. Wahrsch. Verw. Gebiete. Volume 57. 1981. pp. 509534 Corr: C. S. Withers Teoremas de limite central para variáveis ​​dependentes I Z. Wahrsch. Verw. Gebiete. Volume 63, 1981. p. 555 Zygmund, 1959 A. Zygmund, Série Trigonométrica. Volume Vol. 1. 1959. Cambridge Univ. Press, Cambridge 1Supported pela Fundação Nacional de Ciência suíça. Modelos de média móvel (modelos MA) Modelos de séries temporais conhecidos como modelos ARIMA podem incluir termos autorregressivos e / ou termos de média móvel. Na Semana 1, aprendemos um termo autorregressivo em um modelo de séries temporais para a variável x t é um valor retardado de x t. Por exemplo, um termo autorregressivo de atraso 1 é x t-1 (multiplicado por um coeficiente). Esta lição define termos de média móvel. Um termo de média móvel em um modelo de séries temporais é um erro passado (multiplicado por um coeficiente). Vamos (wt desviar N (0, sigma2w)), significando que os w t são identicamente, distribuídos independentemente, cada um com uma distribuição normal com média 0 e a mesma variância. O modelo de média móvel de ordem 1, denotado por MA (1) é (xt mu wt theta1w) O modelo de média móvel de 2ª ordem, denotado por MA (2) é (xt mu wt theta1w theta2w) , Denotado por MA (q) é (xt mu wt theta1w theta2w pontos thetaqw) Nota. Muitos livros didáticos e programas de software definem o modelo com sinais negativos antes dos termos. Isso não altera as propriedades teóricas gerais do modelo, embora ele inverta os sinais algébricos de valores de coeficientes estimados e de termos (não-quadrados) nas fórmulas para ACFs e variâncias. Você precisa verificar seu software para verificar se sinais negativos ou positivos foram usados ​​para escrever corretamente o modelo estimado. R usa sinais positivos em seu modelo subjacente, como fazemos aqui. Propriedades Teóricas de uma Série de Tempo com um Modelo MA (1) Observe que o único valor não nulo na ACF teórica é para o atraso 1. Todas as outras autocorrelações são 0. Assim, uma ACF de amostra com uma autocorrelação significativa apenas no intervalo 1 é um indicador de um possível modelo MA (1). Para os estudantes interessados, provas destas propriedades são um apêndice a este folheto. Exemplo 1 Suponha que um modelo MA (1) seja x t 10 w t .7 w t-1. Onde (wt overset N (0,1)). Assim, o coeficiente 1 0,7. O ACF teórico é dado por Um gráfico deste ACF segue. O gráfico apenas mostrado é o ACF teórico para um MA (1) com 1 0,7. Na prática, uma amostra normalmente não proporciona um padrão tão claro. Usando R, simulamos n 100 valores de amostra usando o modelo x t 10 w t .7 w t-1 onde w t iid N (0,1). Para esta simulação, segue-se um gráfico de séries temporais dos dados da amostra. Não podemos dizer muito desse enredo. A ACF de amostra para os dados simulados segue. Observamos que a amostra ACF não corresponde ao padrão teórico do MA subjacente (1), ou seja, que todas as autocorrelações para os atrasos de 1 serão 0 Uma amostra diferente teria uma ACF de amostra ligeiramente diferente mostrada abaixo, mas provavelmente teria as mesmas características gerais. Propriedades teóricas de uma série temporal com um modelo MA (2) Para o modelo MA (2), as propriedades teóricas são as seguintes: Note que os únicos valores não nulos na ACF teórica são para os retornos 1 e 2. As autocorrelações para atrasos maiores são 0 . Assim, uma ACF de amostra com autocorrelações significativas nos intervalos 1 e 2, mas autocorrelações não significativas para atrasos maiores indica um possível modelo MA (2). Iid N (0,1). Os coeficientes são 1 0,5 e 2 0,3. Como este é um MA (2), o ACF teórico terá valores não nulos apenas nos intervalos 1 e 2. Os valores das duas autocorrelações não nulas são: Um gráfico do ACF teórico segue. Como quase sempre é o caso, dados de exemplo não vai se comportar tão perfeitamente como a teoria. Foram simulados n 150 valores de amostra para o modelo x t 10 w t .5 w t-1 .3 w t-2. Onde w t iid N (0,1). O gráfico de série de tempo dos dados segue. Como com o gráfico de série de tempo para os dados de amostra de MA (1), você não pode dizer muito dele. A ACF de amostra para os dados simulados segue. O padrão é típico para situações em que um modelo MA (2) pode ser útil. Existem dois picos estatisticamente significativos nos intervalos 1 e 2, seguidos por valores não significativos para outros desfasamentos. Note que devido ao erro de amostragem, a ACF da amostra não corresponde exactamente ao padrão teórico. ACF para Modelos Gerais MA (q) Uma propriedade dos modelos MA (q) em geral é que existem autocorrelações não nulas para os primeiros q lags e autocorrelações 0 para todos os retornos gt q. Não-unicidade de conexão entre os valores de 1 e (rho1) no modelo MA (1). No modelo MA (1), para qualquer valor de 1. O recíproco 1 1 dá o mesmo valor para Como exemplo, use 0,5 para 1. E então use 1 (0,5) 2 para 1. Você obterá (rho1) 0,4 em ambas as instâncias. Para satisfazer uma restrição teórica chamada invertibilidade. Restringimos modelos MA (1) para ter valores com valor absoluto menor que 1. No exemplo dado, 1 0,5 será um valor de parâmetro permitido, enquanto 1 10,5 2 não. Invertibilidade de modelos MA Um modelo MA é dito ser inversível se for algébrica equivalente a um modelo de ordem infinita convergente. Por convergência, queremos dizer que os coeficientes de RA diminuem para 0 à medida que avançamos no tempo. Invertibilidade é uma restrição programada em séries temporais de software utilizado para estimar os coeficientes de modelos com MA termos. Não é algo que verificamos na análise de dados. Informações adicionais sobre a restrição de invertibilidade para modelos MA (1) são fornecidas no apêndice. Teoria Avançada Nota. Para um modelo MA (q) com um ACF especificado, existe apenas um modelo invertible. A condição necessária para a invertibilidade é que os coeficientes têm valores tais que a equação 1- 1 y-. - q y q 0 tem soluções para y que caem fora do círculo unitário. Código R para os Exemplos No Exemplo 1, traçamos o ACF teórico do modelo x t 10w t. 7w t-1. E depois simularam n 150 valores a partir deste modelo e traçaram a amostra de séries temporais ea amostra ACF para os dados simulados. Os comandos R utilizados para traçar o ACF teórico foram: acfma1ARMAacf (mac (0.7), lag. max10) 10 lags de ACF para MA (1) com theta1 0.7 lags0: 10 cria uma variável chamada lags que varia de 0 a 10. plot (Lags, acfma1, xlimc (1,10), ylabr, typeh, ACF principal para MA (1) com theta1 0,7) abline (h0) adiciona um eixo horizontal ao gráfico O primeiro comando determina o ACF e o armazena em um objeto Chamado acfma1 (nossa escolha de nome). O comando de plotagem (o terceiro comando) traça defasagens em relação aos valores de ACF para os retornos de 1 a 10. O parâmetro ylab marca o eixo y eo parâmetro principal coloca um título no gráfico. Para ver os valores numéricos do ACF basta usar o comando acfma1. A simulação e as parcelas foram feitas com os seguintes comandos. Xcarima. sim (n150, lista (mac (0.7))) Simula n 150 valores de MA (1) xxc10 adiciona 10 para fazer a média 10. Padrões de simulação significam 0. plot (x, typeb, mainSimulated MA (1) data) Acf (x, xlimc (1,10), mainACF para dados de amostras simulados) No Exemplo 2, traçamos o ACF teórico do modelo xt 10 wt. 5 w t-1 .3 w t-2. E depois simularam n 150 valores a partir deste modelo e traçaram a amostra de séries temporais ea amostra ACF para os dados simulados. Os comandos R utilizados foram acfma2ARMAacf (mac (0,5,0,3), lag. max10) acfma2 lags0: 10 parcela (lags, acfma2, xlimc (1,10), ylabr, tipoh, ACF principal para MA (2) com theta1 0,5, (X, typeb, main Simulado MA (2) Series) acf (x, xlimc (1,10), x2, MainACF para dados simulados de MA (2) Apêndice: Prova de Propriedades de MA (1) Para estudantes interessados, aqui estão as provas para propriedades teóricas do modelo MA (1). Quando h 1, a expressão anterior 1 w 2. Para qualquer h 2, a expressão anterior 0 (x) é a expressão anterior x (x) A razão é que, por definição de independência do wt. E (w k w j) 0 para qualquer k j. Além disso, porque w t tem média 0, E (w j w j) E (w j 2) w 2. Para uma série de tempo, aplique este resultado para obter o ACF fornecido acima. Um modelo MA reversível é aquele que pode ser escrito como um modelo de ordem infinita AR que converge de modo que os coeficientes AR convergem para 0 à medida que nos movemos infinitamente para trás no tempo. Bem demonstrar invertibilidade para o modelo MA (1). Em seguida, substitui-se a relação (2) para wt-1 na equação (1) (3) (zt wt theta1 (z-theta1w) wt theta1z-theta2w) No tempo t-2. A equação (2) torna-se Então substituimos a relação (4) para wt-2 na equação (3) (zt wt theta1 z - theta21w wt theta1z - theta21 (z - theta1w) wt theta1z-theta12z theta31w) Se continuássemos Infinitamente), obteríamos o modelo AR de ordem infinita (zt wt theta1 z - theta21z theta31z - theta41z pontos) Observe, no entanto, que se 1 1, os coeficientes multiplicando os desfasamentos de z aumentarão (infinitamente) Tempo. Para evitar isso, precisamos de 1 lt1. Esta é a condição para um modelo MA (1) invertible. Infinite Order MA model Na semana 3, bem ver que um modelo AR (1) pode ser convertido em um modelo de ordem infinita MA: (xt - mu wt phi1w phi21w pontos phik1 w dots sum phij1w) Esta soma de termos de ruído branco passado é conhecido Como a representação causal de um AR (1). Em outras palavras, x t é um tipo especial de MA com um número infinito de termos voltando no tempo. Isso é chamado de ordem infinita MA ou MA (). Uma ordem finita MA é uma ordem infinita AR e qualquer ordem finita AR é uma ordem infinita MA. Lembre-se na Semana 1, observamos que um requisito para um AR estacionário (1) é que 1 lt1. Vamos calcular o Var (x t) usando a representação causal. Esta última etapa usa um fato básico sobre séries geométricas que requer (phi1lt1) caso contrário, a série diverge. Navegação por Peter Bhlmann. 1999. Nós comparamos e revisamos bloco, peneira e bootstraps local para séries de tempo e assim iluminar fatos teóricos como também desempenho em dados de amostra de nite. Nossa (re) vista é seletiva com a intenção de obter uma nova e justa imagem sobre alguns aspectos particulares das séries de tempo de bootstrapping. O ge. Nós comparamos e revisamos bloco, peneira e bootstraps local para séries de tempo e assim iluminar fatos teóricos como também desempenho em dados de amostra de nite. Nossa (re) vista é seletiva com a intenção de obter uma nova e justa imagem sobre alguns aspectos particulares das séries de tempo de bootstrapping. A generalidade do bloco de bootstrap é contrastada por bootstraps peneira. Discutimos as desvantagens de implementação e argumentamos que dois tipos de crivos superam o método do bloco, cada um deles em seu próprio nicho importante, ou seja, processos lineares e categóricos, respectivamente. Os bootstraps locais, projetados para problemas de suavização não-paramétricos, são fáceis de usar e implementar, mas exibem, em alguns casos, baixo desempenho. Palavras-chave e frases. Autoregression, bootstrap do bloco, séries de tempo categóricas, algoritmo do contexto, bootstrap dobro, processo linear, bootstrap local, corrente de Markov, bootstrap do peneiro, processo estacionário. 1 Introdução O bootstrapping pode ser visto como uma simulação estatística ou estatística. Por Slvia Gonalves, Lutz Kilian. 2003 Resumo Não encontrado por Atsushi Inoue, Lutz Kilian, Ken Oeste, Mark Watson, Jonathan Wright - Parâmetros e Variações de Inovação nos Modelos VAR (), International Economic Review. É comum realizar a inferência de bootstrap em modelos de auto-regressão de vetor (VAR) baseados no pressuposto de que o processo de geração de dados subjacente é de ordem de atraso finito. Esta suposição é implausível na prática. Estabelecemos a validade assintótica do método bootstrap baseado em resíduos para sm. É comum realizar a inferência de bootstrap em modelos de auto-regressão de vetor (VAR) baseados no pressuposto de que o processo de geração de dados subjacente é de ordem de atraso finito. Esta suposição é implausível na prática. Estabelecemos a validade assintótica do método de bootstrap baseado em resíduos para funções suaves de parâmetros de inclinação VAR e variâncias de inovação sob o pressuposto alternativo de que uma seqüência de modelos VAR de ordem finita é ajustada a dados gerados por um processo VAR de ordem possivelmente infinita. Esta classe de estatísticas inclui medidas de previsibilidade e respostas de impulso ortogonalizadas e decomposições de variância. Nossa abordagem fornece uma alternativa ao uso da aproximação normal assintótica e pode ser usada mesmo na ausência de soluções de forma fechada para a variância do estimador. Ilustramos a relevância prática de nossos resultados para o trabalho aplicado, incluindo a avaliação de modelos macroeconômicos. 1. introdução É comum na análise autorregressiva de vetor aplicada (VAR) condicionar a suposição de que a ordem de atraso do processo de geração de dados VAR (DGP) é finita. A improbabilidade dos modelos VAR de ordem finita foi apontada por Braun e Mittnik (1993), entre outros, mas a suposição de ordem finita continua a desempenhar um papel central na inferência econométrica na prática. O fato de que o DGP é pensado para ser representado por um processo VAR (1) tem implicações importantes para inferência VAR. Por exemplo, Lutkepohl e Poskitt (1991) mostram que, embora o estimador de resposta ao impulso VAR retenha sua distribuição normal assintótica no caso da ordem de lama infinita, sua variância assintótica é uma função não decrescente do horizonte de previsão. Ao contrário da ordem finite-lag por Peter J. Bickel, Peter Bhlmann. 1995. Estudamos um método bootstrap para séries estacionárias de tempo real, que se baseia no método de peneiras. Nós nos restringimos a autogravadores peneira bootstraps. Dada uma amostra X1. X n de um processo linear fX tg t2 Z, aproximamos o processo subjacente por um modelo autorregressivo com orde. Estudamos um método bootstrap para séries estacionárias de tempo real, que se baseia no método de peneiras. Nós nos restringimos a autogravadores peneira bootstraps. Com uma amostra X1. X n de um processo linear fX tg t2 Z, aproximamos o processo subjacente por um modelo autorregressivo com ordem p p (n), onde p (n) 1p (n) o (n) como o tamanho da amostra n1. Com base neste modelo é construído um processo de bootstrap fX tg t2 Z a partir do qual se podem extrair amostras de qualquer tamanho. Damos um resultado de nível que diz que com alta probabilidade, tal processo de bootstrap de crivo fX t g t2 Z satisfaz um novo tipo de condição de mistura. Isto implica que muitos resultados para sequências de mistura estacionárias se transferem para o processo de bootstrap de crivo. Como exemplo, derivamos um teorema do limite central funcional sob uma condição de bracketing. Por Franz C. Palm, Stephan Smeekes, Jean-Pierre Urbain - METEOR Research Memorandum 06015, Universiteit Maastricht. 2006. Neste trabalho, estudamos e comparamos as propriedades de vários testes de raiz unitária de bootstrap recentemente propostos na literatura. Os testes são testes Dickey-Fuller ou DF aumentado, baseados em resíduos de uma autorregressão e no uso do bootstrap em bloco ou em dados primeiramente diferenciados e do uso. Neste trabalho, estudamos e comparamos as propriedades de vários testes de raiz unitária de bootstrap recentemente propostos na literatura. Os testes são testes Dickey-Fuller ou DF aumentado, com base nos resíduos de uma autorregressão e no uso do bootstrap em bloco ou em dados primeiramente diferenciados e do uso do bootstrap estacionário ou do bootstrap estacionário. Ampliamos a análise trocando as transformações de dados (diferenças versus resíduos), os tipos de bootstrap ea presença ou ausência de uma correção para autocorrelação nos testes. Mostramos que dois testes de bootstrap de peneira baseados em resíduos permanecem assintoticamente válidos. Em contraste com a literatura que se concentra na comparação dos testes de bootstrap com um teste assintótico, comparamos os testes de bootstrap entre eles usando superfícies de resposta para seu tamanho e poder em um estudo de simulação. Este estudo conduz às seguintes conclusões: (i) os testes DF aumentados são sempre preferidos aos testes DF padrão (ii) o bootstrap do peneiro funciona melhor do que o bloco bootstrap (iii) os testes baseados na diferença parecem ter propriedades de tamanho ligeiramente melhores, mas Os testes baseados em resíduos parecem mais poderosos. Por Franz C. Palm, Stephan Smeekes, Jean-Pierre Urbain. 2007. Neste artigo propomos uma versão bootstrap do teste de Wald para cointegração em um modelo de correção de erro condicional de uma única equação. O bootstrap de peneira multivariada é usado para lidar com a dependência na série. Mostramos que o teste bootstrap introduzido é assintoticamente válido. Também analisamos. Neste artigo propomos uma versão bootstrap do teste de Wald para cointegração em um modelo de correção de erro condicional de uma única equação. O bootstrap de peneira multivariada é usado para lidar com a dependência na série. Mostramos que o teste bootstrap introduzido é assintoticamente válido. Também analisamos as pequenas propriedades de amostra do nosso teste por simulação e comparamos com o teste assintótico e vários testes de bootstrap alternativos. O teste de bootstrap oferece melhorias significativas em termos de propriedades de tamanho ao longo do teste assintótico, enquanto tem propriedades de potência semelhantes. Ele também executa pelo menos tão bem quanto os testes de bootstrap alternativos considerados em termos de tamanho e potência. A sensibilidade do teste de bootstrap à tolerância para componentes determinísticos também é investigada. Os resultados da simulação mostram que os testes com componentes determinísticos suficientes incluídos são insensíveis ao verdadeiro valor das tendências no modelo e mantêm o tamanho correto. Classificação JEL: C15, C32. Por Peter Bhlmann. 1996. Estudamos um procedimento bootstrap de peneira para séries temporais com tendência determinística. O crivo para a construção do bootstrap baseia-se na aproximação autorregressiva. Com base em dados de séries temporais, seria necessário primeiro usar uma estimativa preliminar da tendência das séries temporais subjacentes e depois aproximar o n. Estudamos um procedimento bootstrap de peneira para séries temporais com uma tendência determinística. O crivo para a construção do bootstrap baseia-se na aproximação autorregressiva. Com base em dados de séries temporais, seria preciso primeiro usar uma estimativa preliminar da tendência das séries temporais subjacentes e depois aproximar o processo de ruído por um grande modelo autorregressivo de ordem crescente à medida que o tamanho da amostra cresce. O esquema bootstrap baseia-se na reamostragem de inovações estimadas de modelos auto-regressivos ajustados. Mostramos a validade de tais aproximações bootstrap de peneira para a distribuição limitante de estimadores de tendência linear, como preditores gerais de regressão ou alisadores de kernel. Este esquema de bootstrap pode então ser usado para construir intervalos de confiança simultâneos para a tendência, onde a simultaneidade pode ser alcançada ao longo de uma gama de pontos que podem ser escolhidos pelo utilizador. O contexto da série cronológica é substancialmente diferente do sistema independente: os métodos do independente, adaptado ao caso dependente, parecem perder grande parte de sua precisão. Nosso procedimento de reamostragem produz resultados satisfatórios em um estudo de simulação para tamanhos finitos de amostras. Por Andres M. Alonso, Juan Romo. Várias técnicas para reamostragem de dados dependentes já foram propostas. Neste artigo utilizamos técnicas de valores em falta para modificar os blocos móveis jackknife e bootstrap. Mais especificamente, consideramos os blocos de observações excluídas no jackknife de bloco como dados ausentes que são reco. Várias técnicas para reamostragem de dados dependentes já foram propostas. Neste artigo utilizamos técnicas de valores em falta para modificar os blocos móveis jackknife e bootstrap. Mais especificamente, consideramos os blocos de observações excluídas no jackknife blockwise como dados ausentes que são recuperados por estimativas de valores ausentes incorporando a estrutura de dependência de observação. Assim, estimamos a variância de uma estatística como variância ponderada da amostra da estatística avaliada em uma série completa. Consistência da variância e os estimadores de distribuição da média da amostra são estabelecidos. Além disso, aplicamos a abordagem de valores em falta ao bootstrap em bloco, incluindo algumas observações faltantes entre dois blocos consecutivos e demonstramos a consistência da variância e os estimadores de distribuição da média da amostra. Finalmente, apresentamos os resultados de um extenso estudo de Monte Carlo para avaliar o desempenho desses métodos para tamanhos finitos de amostras, mostrando que nossa proposta fornece estimativas de variância para várias estatísticas de séries temporais com menor erro quadrático médio do que os procedimentos anteriores. 2 por Slvia Gonalves, Lutz Kilian, Srie Scientifique, Banco do Canadá, Banque Laurentienne Du Canada, Bourse De Montral, Gaz Mtropolitain, cole Polytechnique De Montral, Hec Montral, Universidade Concordia, Universidade de Montral, Universit Laval, Universit Mcgill. Citation du document source, incluant la notice. Seções curtas podem ser citadas sem permissão explícita, se o crédito completo, incluindo a notificação, é dado à fonte. CIRANO O CIRANO é um organismo sem fins lucrativos e constituído em virtude da Lei das empresas do Qubec. Le financement de fils in. Citation du document source, incluant la notice. Seções curtas podem ser citadas sem permissão explícita, se o crédito completo, incluindo a notificação, é dado à fonte. CIRANO O CIRANO é um organismo sem fins lucrativos e constituído em virtude da Lei das empresas do Qubec. O financiamento da infra-estrutura e as actividades de investigação provêm das cotizações das suas associações, da infra-estrutura de apoio às dunas do Ministério da Investigação, da Ciência e da Tecnologia, da subvenção e dos mandatos obtenus par ses quipes de recherche. CIRANO é uma organização privada sem fins lucrativos constituída ao abrigo da Lei das Empresas Qubec. As suas infra-estruturas e actividades de investigação são financiadas através de taxas pagas pelas organizações membros, uma subvenção de infra-estrutura do Ministério da Investigação, da Ciência e da Tecnologia e subvenções e mandatos de investigação obtidos pelas suas equipas de investigação. Les organisations-partenaires As Organizações Parceiras PARTENAIRE MAJEUR. Ministério das Finanças, Economia e Pesquisa MFER por Yoosoon Chang, Joon Y. Park. Neste artigo, derivamos as distribuições assintóticas dos testes de Augmented-Dickey-Fuller (ADF) sob condições muito suaves. Os testes foram inicialmente propostos e investigados por Said e Dickey (1984) para testar raízes unitárias em modelos ARMA de ordem nítida com inovações iid e baseiam-se em um AR nite. Neste artigo, derivamos as distribuições assintóticas dos testes de Augmented-Dickey-Fuller (ADF) sob condições muito suaves. Os testes foram inicialmente propostos e investigados por Said e Dickey (1984) para testar raízes unitárias em modelos ARMA de ordem nítida com inovações iid e baseiam-se em um processo de ordem n de AR aumentando com o tamanho da amostra. Nossas condições são significantemente mais fracas do que as deles. Em particular, permitimos processos lineares gerais com inovações de martingale dierence, possivelmente tendo heteroskedasticities condicionais. Os processos lineares impulsionados por inovações do tipo ARCH são assim permitidos. O intervalo para as taxas de aumento per-missible para a ordem de aproximação de AR é também muito mais amplo. Para o teste usual de tipo t, só exigimos que ele aumente na ordem o (n12) enquanto eles assumem que é de ordem o (n) para alguma satisfação