Matstat Ökonometrie Matan - Seite 4

 
denis.eremin:

Ich verstehe die Frage nicht ganz - warum weißes Rauschen verwenden?

Wenn Sie eine solche Reihe benötigen, können Sie in Excel oder einem anderen Programm eine SB-Reihe erstellen und deren erste Differenzen nehmen - das wäre dann weißes Rauschen.

Wenn eine grobe Schätzung passt - auch die ersten Differenzen einer Preisreihe sind quasiWhite Noise

Der Punkt ist, dass in der Praxis, in Formeln, das Rauschen nicht immer eine zufällig erzeugte Reihe sein muss.
Es handelt sich um eine Reihe, die sich aus einigen Berechnungen auf der Grundlage der Originaldaten ergibt.
Das heißt, es gibt einige interne Informationen im Rauschen, die zur Genauigkeit der gesamten Modellberechnungen beitragen.
Ich bin also verwirrt von diesen Interpretationen des Rauschens )) Und wollte sich vergewissern, wer diesen Lärm wie versteht.
Verwenden Sie den Zufall oder dasvon Ihnen berechnete Rauschen.

 
Roman:

Alexej, eine solche Frage hat sich gestellt.
Ich habe mich mit ökonometrischen Formeln beschäftigt, und in vielen Formeln gibt es eine Variable, die weißes Rauschen ist.
Per Definition hat weißes Rauschen perfekte Eigenschaften, nämlich das Vorhandensein von Normalität mit einer konstanten Varianz von eins.
Ein solches weißes Rauschen ist in der Realität wahrscheinlich nicht zu finden. Die Frage ist also:
Was wird in der Praxis als weißes Rauschen verwendet?
Hat dieses weiße Rauschen etwas mit den Eingangsdaten zu tun? Nehmen wir zum Beispiel die Residuen als Rauschen an, so würde die Bedingung der Normalität und der Streuung verletzt werden.
Oder sollte es sich wirklich um Fremdgeräusche handeln, die einfach zufällig mit bestimmten Eigenschaften erzeugt werden können?
Oder geht es darum, aus den Residuen Merkmale des weißen Rauschens zu gewinnen? Das heißt, die Normalität ist gegeben, die Varianz ist konstant, es gibt keine Autokorrelation.

Man muss sich nur die Lehrbücher der Ökonometrie ansehen (Magnus, Verbeek usw.). Dort wird in der Regel alles richtig formuliert.

Der Punkt ist, dass ein Modell immer einen unvollständigen Satz von Faktoren berücksichtigt, und es muss begründet werden, warum die anderen verworfen werden. In der Regel wird davon ausgegangen, dass alle anderen Faktoren nur ein weißes Rauschen darstellen, so dass man sie nicht näher untersuchen muss. Dies ist jedoch nur eine Annahme, eine Hypothese, die bestätigt werden muss, was in der Regel durch die Untersuchung der Modellresiduen geschieht. Wenn die Residuen des Modells nicht wie weißes Rauschen aussehen, ist es ein schlechtes Modell und muss durch ein anderes ersetzt werden.

Weißes Rauschen muss nicht gaußförmig sein, aber es ist seine Gaußförmigkeit, die die Anwendung von MNA zur Ermittlung von Modellparametern ermöglicht. Wenn das Rauschen beispielsweise Laplace-verteilt ist, müssen Sie die Summe der Moduli und nicht die Quadrate minimieren. Dies ist nicht schwer herauszufinden, wenn man nach dem Prinzip der maximalen Wahrscheinlichkeit rechnet.

Die letzte Zeile Ihres Beitrags ist also richtig.

 
Aleksey Nikolayev:

Werfen Sie einfach einen Blick in die Lehrbücher der Ökonometrie (Magnus, Verbik, usw.). Darin wird in der Regel beschrieben, was zu tun ist.

Der Punkt ist, dass ein Modell immer eine unvollständige Reihe von Faktoren berücksichtigt, und Sie brauchen eine Begründung dafür, warum der Rest verworfen wird. In der Regel wird davon ausgegangen, dass alle anderen Faktoren einfach nur ein weißes Rauschen sind, so dass man sie nicht zu hinterfragen braucht. Dies ist jedoch nur eine Annahme, eine Hypothese, die bestätigt werden muss, was in der Regel durch die Untersuchung der Modellresiduen geschieht. Wenn die Residuen des Modells nicht wie weißes Rauschen aussehen, handelt es sich um ein schlechtes Modell, das durch ein anderes ersetzt werden muss.

Weißes Rauschen muss nicht gaußförmig sein, aber es ist seine Gaußförmigkeit, die es uns ermöglicht, ANC anzuwenden, um Modellparameter zu finden. Wenn das Rauschen beispielsweise Laplace-verteilt ist, muss die Summe der Moduli und nicht die Quadrate minimiert werden. Dies ist nicht schwer herauszufinden, wenn man nach dem Prinzip der maximalen Wahrscheinlichkeit rechnet.

Die letzte Zeile Ihres Beitrags ist also richtig.

Ganz genau. Ich habe Magnus noch irgendwo herumliegen, ich werde es nachschlagen müssen. Vielen Dank.
Vielen Dank auch für die Klarstellung, ich habe es verstanden.

 
Aleksey Nikolayev:

Wenn das Rauschen beispielsweise Laplace-verteilt ist, dann muss nicht mehr die Summe der Quadrate minimiert werden, sondern die Moduli. Das ist nicht schwer herauszufinden, wenn man nach dem Maximum-Likelihood-Prinzip rechnet.

Es ist schwer, das mit Hilfe des Prinzips der maximalen Wahrscheinlichkeit herauszufinden) Können Sie helfen?
 
denis.eremin:

Alle numerischen Reihen werden in drei Typen unterteilt: deterministisch, zufällig und stochastisch.

Sind "stochastisch" und "zufällig" nicht das Gleiche?

 
PapaYozh:

Sind "stochastisch" und "zufällig" nicht das Gleiche?

Nein

 
PapaYozh:

Sind "stochastisch" und "zufällig" nicht das Gleiche?

In der Ökonometrie ist alles auf den Kopf gestellt und auf den Kopf gestellt. Was die Menschen als Zufall bezeichnen, heißt stochastisch, und Zufall ist eine Mischung aus stochastisch und deterministisch.

 
PapaYozh:

Sind "stochastisch" und "zufällig" nicht das Gleiche?

Grob gesagt, ist eine Aufgabe eine Vorhersage oder eine Klassifizierung.

Ein deterministischer Prozess ist zu 100 % vorhersehbar.

Die Stochastik ist überhaupt nicht vorhersehbar. Nun, die ganze Welt ist unberechenbar, nur der Automat und Alejandro schlagen die Münze....

Gegenstand der Forschung sind Zufallsprozesse, bei denen verschiedene Methoden und Modelle versuchen, die deterministische Komponente und den nicht vorhersehbaren Rest zu isolieren.

 
denis.eremin:

Grob gesagt, ist eine Aufgabe eine Vorhersage oder eine Klassifizierung.

Ein deterministischer Prozess ist zu 100 % vorhersehbar.

Ein stochastisches System ist überhaupt nicht vorhersehbar. Nun, die ganze Welt ist unberechenbar, nur der Automat und Alejandro schlagen die Münze....

Gegenstand der Forschung sind Zufallsprozesse, bei denen verschiedene Methoden und Modelle versuchen, die deterministische Komponente und den nicht vorhersehbaren Rest zu isolieren.

Ja...

Ein deterministischer Prozess muss nicht vorhergesagt werden, da er vorherbestimmt, d.h. im Voraus bekannt ist.

Ein Zufallsprozess ist zufällig, weil es keine deterministische Komponente gibt.

 
PapaYozh:

Ja...

Ein deterministischer Prozess muss nicht vorhergesagt werden, da er vorherbestimmt, d. h. im Voraus bekannt ist.

Ein Zufallsprozess ist zufällig, weil es keine deterministische Komponente gibt.

))) Und wenn ein Zufallsprozess keine deterministische Komponente hat - wie wird er dann vorhergesagt?

Können Sie ein Beispiel für eine nicht-deterministische Reihe nennen, die dennoch vorhersehbar ist?