Bootstrapping modelos em média móveis Mostrar resumo Ocultar resumo RESUMO: A complexa natureza inter-relacionada de sistemas multivariados pode resultar em relações e estruturas de covariância que mudam ao longo do tempo. A análise de componentes principais lisos é proposta como um meio de investigar se e como a estrutura de covariância das variáveis de resposta múltipla muda ao longo do tempo, depois de remover uma função suave para a média, e isso é motivado e ilustrado usando dados de um estudo de tecnologia de aeronave e um Ecossistema do lago. Os procedimentos inferenciais são investigados nos casos de erros independentes e dependentes, com um procedimento de inicialização proposto para detectar mudanças na direção ou variância dos componentes. Artigo Nov 2017 Claire Miller Adrian Bowman Mostrar resumo Ocultar resumo RESUMO: Nós fornecemos a justificativa teórica de bootstrapping modelos estacionários verticais autorregressivos (VARMA) autônomos em escala reversível com métodos lineares. A validade assintótica do bootstrap é estabelecida com forte ruído branco sob pressupostos paramétricos e não paramétricos. Nossos métodos são práticos e úteis para construir inferências e previsões confiáveis baseadas em simulação sem implementar técnicas de estimativa não-linear, como a ML, que geralmente é onerosa, exigente ou impraticável, particularmente em sistemas grandes ou altamente persistentes. A relevância de nossos procedimentos é mais pronunciada no contexto de técnicas baseadas em simulação dinâmica, como os testes maximizados de Monte Carlo (MMC), ver Dufour J-M. Testes de Monte Carlo com parâmetros de incômodo: uma abordagem geral da inferência de amostras finitas e assintóticas não padronizadas em econometria. J Econom. 2006133 (2): 443-477 e Dufour J-M, Jouini T. Testes baseados em simulação de amostra finita em modelos VAR com aplicações para testes de causalidade de Granger. J Econom. 2006135 (1-2): 229-254 para o caso VAR. A evidência de simulação mostra que, em comparação com os assintóticos convencionais, nossos métodos de bootstrap possuem boas propriedades de amostra finita ao aproximar a distribuição real das estimativas dos parâmetros VARMA do escalonamento e, ao fornecer conjuntos de confiança de parâmetros escalonados com cobertura satisfatória. Resumo: neste estudo, apresentamos uma estrutura algorítmica baseada em lógica anotada paraconsistente (PAL) que pode simular os cálculos dos valores médios presentes em um conjunto de dados e detectar as variações da média usando apenas PAL conceitos. Chamamos a estrutura como rede neuronal artificial paraconsistente para extração de média móvel (PANnet (mathrm)). Como exemplo de sua aplicação, usamos o PANnet (mathrm) para auxiliar na análise de um índice de qualidade de produto final relacionado à engenharia elétrica. Para obter o resultado final, aplicamos o PANnet (mathrm) para simular o comportamento estatístico do Controle de Processo Estatístico (SPC), comparando os valores obtidos com um ranking que estabelece padrões de índice de qualidade baseados na distribuição de energia elétrica. Primeiro, os testes foram realizados usando dados com valores aleatórios para verificar o comportamento do PANnet (mathrm) e para definir o número ótimo de algoritmos para formar uma estrutura computacional otimizada. Então, usamos um banco de dados com valores reais de tensão elétrica gerados por um sistema de energia elétrica de uma rede de energia elétrica no Brasil. Nos vários testes, PANnet (mathrm) detectou mudanças adequadas e identificou variações de tensão elétrica em linhas de transmissão de 220 V. Os resultados mostram que PANnet (mathrm) pode ser usado para construir uma arquitetura eficiente para determinar e monitorar pontuações de qualidade com aplicações em várias áreas de engenharia, especialmente para detectar índice de qualidade em uma rede de distribuição de eletricidade. Capítulo Jan 2017 Jornal de Computação Estatística e Simulação por Peter Bhlmann. 1999. Comparamos e revisamos blocos, peneiras e bootstraps locais para séries temporais e, assim, iluminamos fatos teóricos, bem como desempenho em dados de amostra nite. Nossa (re) visão é seletiva com a intenção de obter uma imagem nova e justa sobre alguns aspectos particulares das séries de tempo de inicialização. O ge. Comparamos e revisamos blocos, peneiras e bootstraps locais para séries temporais e, assim, iluminamos fatos teóricos, bem como desempenho em dados de amostra nite. Nossa (re) visão é seletiva com a intenção de obter uma imagem nova e justa sobre alguns aspectos particulares das séries de tempo de inicialização. A generalidade do bootstrap de bloco é contrastada por bootstraps de peneiração. Discutimos desvantagens implementacionais e argumentamos que dois tipos de peneiras 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, block bootstrap, séries temporais categóricas, algoritmo de contexto, bootstrap duplo, processo linear, bootstrap local, cadeia Markov, bootstrap de peneiração, processo estacionário. 1 Introdução Bootstrapping pode ser visto como simulação de uma estatística ou estatística pro. Por Wolfgang Hrdle, Helmut Ltkepohl, Rong Chen. 1996 Resumo não encontrado por Jrgen Franke, Jens-peter Kreiss, Enno Mammen - Bernoulli. 1997. O alisamento do kernel em esquemas autorregressivos não paramétricos oferece uma poderosa ferramenta na modelagem de séries temporais. Neste artigo, mostra-se que o bootstrap pode ser usado para estimar a distribuição de suavizantes de kernel. Isso pode ser feito imitando a natureza estocástica de todo o processo na inicialização. O alisamento do kernel em esquemas autorregressivos não paramétricos oferece uma poderosa ferramenta na modelagem de séries temporais. Neste artigo, mostra-se que o bootstrap pode ser usado para estimar a distribuição de suavizantes de kernel. Isso pode ser feito imitando a natureza estocástica de todo o processo no reescalonamento do bootstrap ou gerando um modelo de regressão simples. A consistência desses procedimentos de inicialização será mostrada. 1 Introdução A modelagem não linear de séries temporais apareceu como uma abordagem promissora na análise de séries temporais aplicadas. Muitos modelos paramétricos podem ser encontrados nos livros de Priestley (1988) e Tong (1990). Neste artigo, consideramos modelos não paramétricos de autoregressão não-linear. Motivado por aplicações econométricas, nós permitimos erros heteroschedásticos: X t m (X tGamma1. X tGammap) oe (X tGamma1. X tGammaq) ampta t t 0 1 2. (1.1) Aqui (ampta t) são i. i.d. Variáveis aleatórias com média 0 e variância 1. Além disso, m e oe são desconhecidos. Por Lorenzo Pascual, Juan Romo, Esther Ruiz - Journal of Time Series Analysis. Neste artigo, propomos uma nova estratégia de inicialização para obter intervalos de predição para processos de migração vertical integrada autoregressiva. Sua principal vantagem em relação a outros métodos de inicialização anteriormente propostos para processos integrados autoregressivos é que a variabilidade devido à estimação de parâmetros pode ser. Neste artigo, propomos uma nova estratégia de inicialização para obter intervalos de predição para processos de migração vertical integrada autoregressiva. Sua principal vantagem em relação a outros métodos de inicialização anteriormente propostos para processos integrados autorregressivos é que a variabilidade devido à estimação de parâmetros pode ser incorporada em intervalos de predição sem requerer a representação para trás do processo. Conseqüentemente, o procedimento é muito flexível e pode ser estendido para processos, mesmo que sua representação atrasada não esteja disponível. Além disso, sua implementação é muito simples. As propriedades assintóticas das densidades de predição bootstrap são obtidas. Exemplos extensos de amostras de Monte Carlo são realizados para comparar o desempenho da estratégia proposta versus os procedimentos alternativos. O comportamento da nossa proposta equivale ou supera na maioria dos casos as alternativas. Além disso, nossa estratégia de bootstrap também é aplicada pela primeira vez para obter a densidade de predição de processos com componentes de média móvel. Por Jens-Peter Kreiss. 1997. Neste artigo lidamos com processos autoregressivos estacionários de ordem finita ou infinita, mas desconhecida. Sob pressupostos bastante gerais, derivamos a consistência assintótica de um procedimento de bootstrap residual usual para funções suaves de autocovariância empírica e autocorrelação. Especialmente t. Neste artigo lidamos com processos autoregressivos estacionários de ordem finita ou infinita, mas desconhecida. Sob pressupostos bastante gerais, derivamos a consistência assintótica de um procedimento de bootstrap residual usual para funções suaves de autocovariância empírica e autocorrelação. Especialmente, a ordem do modelo autoregressivo ajustado pode ser dependente de dados. Complementar o bootstrap residual usual consideramos um procedimento de inicialização selvagem. Algumas observações sobre a precisão assintótica dos dois procedimentos de bootstrap propostos e um estudo de simulação concluem o trabalho. Por Violetta Dalla, Javier Hidalgo Resumo não encontrado por Ke-li Xu, Peter C. B. Phillips. 2007. Modelos autoregressivos estáveis de ordem finita conhecida são considerados com erros de diferenças de martingale escalados por uma função não-paramétrica desconhecida variável que gera heterogeneidade. Um caso especial importante envolve mudança estrutural na variância do erro, mas na maioria dos casos práticos, o padrão. Modelos autoregressivos estáveis de ordem finita conhecida são considerados com erros de diferenças de martingale escalados por uma função não-paramétrica desconhecida variável que gera heterogeneidade. Um caso especial importante envolve mudanças estruturais na variação do erro, mas na maioria dos casos práticos, o padrão de mudança de variância ao longo do tempo é desconhecido e pode envolver mudanças em pontos discretos desconhecidos no tempo, evolução contínua ou combinações dos dois. Este artigo desenvolve estimadores baseados no núcleo das variações residuais e estimadores de mínimos quadrados adaptativos associados (ALS) dos coeficientes autorregressivos. Estes são mostrados como sendo assintoticamente eficientes, tendo a mesma distribuição de limites que os mínimos quadrados generalizados infaisáveis (GLS). As comparações do procedimento eficiente e dos mínimos quadrados ordinários (OLS) revelam que os mínimos quadrados podem ser extremamente ineficientes em alguns casos, enquanto são quase ótimos em outros. As simulações mostram que, quando os mínimos quadrados funcionam bem, os estimadores adaptativos são comparativamente bons, enquanto que quando os mínimos quadrados funcionam mal, ganhos maiores de eficiência são alcançados pelos novos estimadores. Próximas transformações de séries temporais integradas. Teoria econométrica 15, 269-298. 25 Park, J. Phillips, P. C. B. 2001. Regressão não linear com séries temporais integradas. Econometrica 69, 117-161. 26 -26-- Park, S. Lee, S. Jeon J. 2000. O teste do cusum de quadrados para alterações de variância em modelos autoregressivos de ordem infinita. Journal of the Korean Statistical Society 29, 351-361. 27 Phillips, P. C. B. de G. Hainz, R. Dahlhaus. Para os processos lineares estacionários, são propostos os testes de qualidade de ajuste de hipóteses compostos por métodos de boot de freqüência de Kolmogorov-Smirnov. Testes de bootstrap similares para comparar as distribuições espectrales de duas séries temporais são sugeridos. O pequeno desempenho da amostra dos testes. Para os processos lineares estacionários, são propostos os testes de qualidade de ajuste de hipóteses compostos por métodos de boot de freqüência de Kolmogorov-Smirnov. Testes de bootstrap similares para comparar as distribuições espectrales de duas séries temporais são sugeridos. A pequena amostra de desempenho dos testes é investigada por simulações, e um exemplo de dados reais é dado para ilustração. Por Carsten Jentsch, Jens-Peter Kreiss. Abstrato. O artigo reconsidera o bootstrap de periodograma com suporte autorregressivo (AAPB) que foi sugerido em Krei e Paparoditis (2003). Sua idéia era combinar um paramétrico de domínio do tempo e um bootstrap não paramétrico de domínio de freqüência para imitar não só uma parte, mas, tanto quanto possível, o compl. Abstrato. O artigo reconsidera o bootstrap de periodograma com suporte autorregressivo (AAPB) que foi sugerido em Krei e Paparoditis (2003). Sua idéia era combinar um paramétrico de domínio do tempo e um bootstrap não paramétrico de domínio de freqüência para imitar não apenas uma parte, mas, tanto quanto possível, a estrutura de covariância completa das séries temporais subjacentes. Estendemos a AAPB em duas direções. Nosso procedimento leva explicitamente a observações de inicialização no domínio do tempo e é aplicável a processos lineares multivariados, mas concorda exatamente com a AAPB no caso univariante, quando aplicado aos funcionais do periodograma. A teoria assintótica desenvolvida mostra a validade do procedimento de bootstrap híbrido múltiplo para a média da amostra, as estimativas de densidade espectral do núcleo e, com menos generalidade, para autocovariâncias. 1. por Michael H. Neumann. 1997. A teoria na análise de séries temporais é muitas vezes desenvolvida no contexto de modelos de dimensões finitas para o processo de geração de dados. Enquanto os estimadores correspondentes, como os de uma função média condicional, são razoáveis, mesmo que o verdadeiro mecanismo de dependência seja de uma estrutura mais complexa, somos nós. A teoria na análise de séries temporais é muitas vezes desenvolvida no contexto de modelos de dimensões finitas para o processo de geração de dados. Considerando que os estimadores correspondentes, como os de uma função média condicional, são razoáveis mesmo que o verdadeiro mecanismo de dependência seja de uma estrutura mais complexa, geralmente é necessário capturar toda a estrutura de dependência, assintoticamente, para que o bootstrap seja válido. Contudo, certos métodos de bootstrap baseados no modelo permanecem válidos para algumas quantidades interessantes que surgem em estatísticas não paramétricas. Nós generalizamos o conhecido amplificador de branqueamento pelo princípio windowingampquot para distribuições conjuntas de estimadores não paramétricos da função de autorregressão. Como conseqüência, obtemos que os esquemas de inicialização não paramétricos baseados em modelo permanecem válidos para os funcionais do tipo supremum, desde que imitam consistentemente as correspondentes distribuições de juntas de dimensões finitas. Como exemplo, investigamos uma cadeia de Markov de ordem finita bootstrap no contexto de um estacionário geral.
No comments:
Post a Comment