Gleitende Durchschnittliche Regressionszustände

Einführung in die Zeitreihe Verwendung von Stata Stata Press eBooks werden mit VitalSource Bookshelf Reg Plattform. Bookshelf ist kostenlos und ermöglicht Ihnen den Zugriff auf Ihr Stata Press eBook von Ihrem Computer, Smartphone, Tablet oder eReader. So greifen Sie auf Ihr eBook zu 2) Sobald Sie angemeldet sind, klicken Sie oben rechts auf Erlös. Geben Sie Ihren eBook-Code ein. Ihr eBook-Code wird in Ihrer Bestellbestätigung E-Mail unter dem eBooks-Titel sein. 3) Das eBook wird zu Ihrer Bibliothek hinzugefügt werden. Sie können dann Bookshelf auf anderen Geräten downloaden und Ihre Bibliothek synchronisieren, um das eBook anzuzeigen. Bookshelf ist verfügbar auf den folgenden: Online Bookshelf ist online verfügbar von fast jedem Internet-Computer, indem Sie online. vitalsourceusernew. PC Bookshelf ist für Windows 788.110 (sowohl 32- als auch 64-Bit) verfügbar. Laden Sie Bookshelf Software auf Ihren Schreibtisch, damit Sie Ihre eBooks mit oder ohne Internet-Zugang ansehen können. IOS Bookshelf ist für iPad, iPhone und iPod touch verfügbar. Laden Sie die mobile Bookshelf App im Itunes Store herunter. Android Bookshelf ist für Android-Handys und Tabletten läuft 4.0 (Ice Cream Sandwich) und später verfügbar. Laden Sie die Bookshelf-App im Google Play Store herunter. Kindle Fire Bookshelf ist für Kindle Fire 2, HD und HDX verfügbar. Laden Sie die mobile App Bookshelf aus dem Kindle Fire App Store herunter. Mac Bookshelf ist für Mac OS X 10.8 oder höher verfügbar. Laden Sie Bookshelf Software auf Ihren Schreibtisch, damit Sie Ihre eBooks mit oder ohne Internet-Zugang ansehen können. Bookshelf können Sie 2 Computer und 2 mobile Geräte zu einem bestimmten Zeitpunkt aktiviert haben. Ich war erstaunt, auf die VitalSource Weise der Präsentation der Bücher. Alles sieht perfekt, aber doch können Sie durch das Buch in der gleichen Weise flip durch eine sehr lange Web-Seite in Ihrem Web-Browser blättern. Und am besten von allen, wenn ich meine Tablette mit mir haben, sind meine Bücher nur ein Swipe entfernt. Mdash Michael Mitchell Senior Statistiker am USC Childrens Data Network. Autor von vier Stata Press-Bücher, und ehemalige UCLA statistische Berater, der Vorstellung und die UCLA Statistical Consulting Resources Website. Rückgaberecht für eBooks Stata Press eBooks sind nicht rückzahlbar und nicht erstattungsfähig. Kommentar von der technischen Gruppe Stata Einführung in die Zeitreihe Verwendung von Stata. Von Sean Becketti, bietet einen praktischen Leitfaden für die Arbeit mit Zeitreihen-Daten mit Stata und wird eine breite Palette von Nutzern ansprechen. Die vielen Beispiele, knappe Erläuterungen, die auf Intuition und nützliche Tipps basieren, die auf den jahrzehntelangen Erfahrungen des Verfassers mit Hilfe der Zeitreihenmethoden basieren, machen das Buch nicht nur für akademische Benutzer, sondern auch für Praktiker in Industrie und Regierung interessant. Das Buch eignet sich sowohl für neue Stata-Anwender als auch für erfahrene Anwender, die neu in der Zeitreihenanalyse sind. Kapitel 1 bietet eine leichte und schnelllebige Einführung in Stata, wobei alle Funktionen hervorgehoben werden, die ein Benutzer kennen muss, um mit Stata für die Zeitreihenanalyse zu beginnen. Kapitel 2 ist eine schnelle Auffrischung für Regression und Hypothesentests und definiert Schlüsselkonzepte wie Weißrauschen, Autokorrelation und Verzögerungsoperatoren. Kapitel 3 beginnt die Diskussion von Zeitreihen, mit Moving-Average und HoltndashWinters Techniken, um zu glätten und Prognose der Daten. Becketti stellt auch die Konzepte von Trends, Zyklizität und Saisonalität vor und zeigt, wie sie aus einer Serie extrahiert werden können. Kapitel 4 konzentriert sich auf die Verwendung dieser Methoden für die Prognose und illustriert, wie die Annahmen über Trends und Zyklen, die den verschiedenen Moving-Average - und HoltndashWinters-Techniken zugrunde liegen, die Prognosen beeinflussen. Obwohl diese Techniken in anderen Zeitreihenbüchern manchmal vernachlässigt werden, sind sie einfach zu implementieren, können auf viele Serien schnell angewendet werden, erzeugen häufig Prognosen genauso gut wie kompliziertere Techniken und wie Becketti betont, haben den deutlichen Vorteil, leicht zu sein Erklärte Kollegen und Entscheidungsträgern ohne Hintergründe in der Statistik. Die Kapitel 5 bis 8 umfassen Ein-Gleichungs-Zeitreihenmodelle. Kapitel 5 konzentriert sich auf die Regressionsanalyse bei Vorhandensein autokorrelierter Störungen und Details verschiedener Ansätze, die verwendet werden können, wenn alle Regressoren streng exogen sind, aber die Fehler autokorreliert werden, wenn der Satz von Regressoren eine verzögerte abhängige Variable und unabhängige Fehler enthält und wenn die Satz von Regressoren enthält eine verzögerte abhängige Variable und autokorrelierte Fehler. Kapitel 6 beschreibt das ARIMA-Modell und die BoxndashJenkins-Methodik, und Kapitel 7 wendet diese Techniken an, um ein ARIMA-basiertes Modell des US-BIP zu entwickeln. Kapitel 7 wird insbesondere für Praktiker ansprechen, weil es Schritt für Schritt durch ein reales Beispiel geht: hier ist meine Serie, jetzt, wie passe ich ein ARIMA-Modell an es Kapitel 8 ist eine in sich geschlossene Zusammenfassung der ARCHGARCH-Modellierung. Im letzten Teil des Buches diskutiert Becketti Mehrfachgleichungsmodelle, insbesondere VARs und VECs. Kapitel 9 konzentriert sich auf VAR-Modelle und veranschaulicht alle Schlüsselkonzepte, einschließlich Modellspezifikation, Granger-Kausalität, Impulsantwortanalyse und Prognose. Mit Hilfe eines einfachen Modells der US-Wirtschaft werden strukturelle VAR-Modelle durch die Einführung einer Taylor-Regel auf die Zinssätze veranschaulicht. Kapitel 10 zeigt die nichtstationäre Zeitreihenanalyse. Nach der Beschreibung von Nichtstationaritäts - und Einheitswurzeltests navigiert Becketti meisterhaft durch die oft verwirrende Aufgabe der Spezifizierung eines VEC-Modells mit Hilfe eines Beispiels, das auf Konstruktionslöhnen in Washington, DC und den umliegenden Staaten basiert. Kapitel 11 schließt ab. Sean Becketti ist ein Finanz-Veteran mit drei Jahrzehnten Erfahrung in Wissenschaft, Regierung und Privatwirtschaft. Er war ein Entwickler von Stata in seiner Kindheit, und er war Redakteur der Stata Technical Bulletin. Der Vorläufer des Stata-Journal. Zwischen 1993 und 1996. Er war ein regelmäßiger Stata-Benutzer seit seiner Gründung, und er schrieb viele der ersten Zeitreihen-Befehle in Stata. Einführung in die Zeitreihe. Von Sean Becketti, ist ein erstklassiger, beispielbasierter Leitfaden zur Zeitreihenanalyse und Prognose mit Stata. Es kann sowohl als Referenz für Praktiker und ein ergänzendes Lehrbuch für Studenten in der angewandten Statistik Kurse dienen. Inhaltsverzeichnis Inhaltsverzeichnis ansehen gtgt Abbildungsverzeichnis 1 Gerade genug Stata 1.1 Erste Schritte 1.1.1 Aktion zuerst, Erklärung später 1.1.2 Jetzt einige Erläuterungen 1.1.3 Navigieren der Oberfläche 1.1.4 Die Gestalt von Stata 1.1.5 Die Teile Von Stata speech 1.2 Alles über Daten 1.3 Blick auf Daten 1.4 Statistiken 1.4.1 Grundlagen 1.4.2 Schätzung 1.5 Quoten und Enden 1.6 Einen Termin machen 1.6.1 Wie gut aussehen 1.6.2 Transformatoren 1.7 Datentypen und Datumsvariablen 1.8 Vorausschau 2 Genau genug Statistiken 2.1 Zufallsvariablen und ihre Momente 2.2 Hypothesentests 2.3 Lineare Regression 2.3.1 Gewöhnliche kleinste Quadrate 2.3.2 Instrumentalvariablen 2.3.3 FGLS 2.4 Multiple-Equation-Modelle 2.5 Zeitreihen 2.5.1 Weißes Rauschen, Autokorrelation und Stationarität 2.5. 2 ARMA-Modelle 3 Filtern von Zeitreihendaten 3.1 Vorbereiten der Analyse einer Zeitreihe 3.1.1 Fragen für alle Arten von Daten Wie werden die Variablen definiert Was ist die Beziehung zwischen den Daten und dem Phänomen von Interesse Wer die Daten zusammengestellt hat Welche Prozesse erzeugt wurden Daten 3.1.2 Fragen speziell für Zeitreihen-Daten Was ist die Häufigkeit der Messung Sind die Daten saisonbereinigt Sind die Daten überarbeitet 3.2 Die vier Komponenten einer Zeitreihe Trend Cycle Seasonal 3.3 Einige einfache Filter 3.3.1 Glättung eines Trends 3.3.2 Glätten eines Zyklus einem saisonalen Muster 3.3.4 Glättung realen Daten 3.3.3 Glättung 3.4 Zusätzliche Filter 3.4.1 ma: Gewichteter Durchschnitte 3.4.2 EWMAs exponential moving: EWMAs dexponential: Double-exponentielle gleitende Durchschnitte 3.4.3 HoltndashWinters smoothers hwinters: HoltndashWinters smoothers Ohne eine jahreszeitliche Komponente shwinters: HoltndashWinters glatt mit einer Saisonkomponente 3.5 Punkte zu merken 4 Ein erster Durchlauf bei der Prognose 4.1 Vorhersagegrundlagen 4.1.1 Arten von Prognosen 4.1.2 Messung der Qualität einer Prognose 4.1.3 Elemente einer Prognose 4.2 Filter, die 4.2.1 Prognosen Prognose basiert auf EWMAs 4.2.2 Trending Serie mit einem saisonalen Komponente 4.3 Punkte Prognose 4.4 erinnern Blick auf die Zukunft 5 Autokorrelation Störungen 5.1.1 Beispiel: Hypothekenzinsen 5.2 Regressionsmodelle mit autokorrelierten Störungen 5.2.1 erster Ordnung 5.2 Autokorrelation 0,2 Beispiel: (Forts.) Hypothekarzinsen 5.3 Prüfung für Autokorrelation 5.3.1 Weitere Prüfungen 5.4 Schätzung mit erster Ordnung Autokorrelation Daten 5.4.1 Modell 1: Streng exogene Regressoren und Autokorrelation Störungen Die OLS Strategie, um die Transformationsstrategie Die FGLS Strategie Vergleich Schätzungen von Modell 5.4.2 Modell 2: Eine verzögerte abhängige Variable und iid Fehler 5.4.3 Modell 3: Eine verzögerte abhängige Variable mit AR (1) Fehler Die Transformationsstrategie Die IV-Strategie 5.5 Schätzung der Hypothekenzinsgleichung 5.6 Zu beachtende Punkte 6 Univariate Zeitreihenmodelle 6.1 Der allgemeine lineare Prozess 6.2 Lag-Polynome: Notation oder prestidigitation 6.3 Das Modell ARMA 6.4 Stationarität und Umkehrbarkeit 6.5 Was ARMA-Modelle 6.6 Punkte tun können 6.7 Blick auf die Zukunft 7 Modellierung einer realen Zeitreihen 7.1 Vorbereitungen eine Zeitreihe 7.2 Die BoxndashJenkins erinnern 7.3 Ansatz zur Modellierung eines ARMA-Modell angeben 7.3.1 Schritt 1: Induce Stationarität (ARMA wird ARIMA) 7.3.2 Schritt 2: prsquos Geist und qrsquos 7.4 Schätzung 7.5 Suche nach Ärger: Modell Diagnoseprüfung 7.5.1 7.5.2 Tests der Residuen 7.6 Forecasting mit ARIMA-Modelle 7.7 Vergleich Prognosen Overfitting 7.8 Zu beachtende Punkte 7.9 Was bisher gelernt hat 7.10 Ausblick 8 Zeitliche Schwankungen 8.1 Beispiele für zeitlich variierende Volatilität 8.2 ARCH: Modell zeitvariabler Volatilität 8.3 Erweiterungen zum ARCH-Modell 8.3.1 GARCH: Begrenzung des Auftrags Asymmetrische Reaktionen Andere 8.3.2 Erweiterungen des Modells ldquonewsrdquo Schwankungen der Volatilität beeinflussen den Mittelwert der beobachtbaren Serie nicht normalen Fehler Krimskrams 8,4 Punkte 9 Modelle aus mehreren Zeitreihen 9.1 Vektorautoregressive Modelle 9.1.1 Drei Arten von VARs 9.2 A VAR zu erinnern Der US-Makroökonomie 9.2.1 Verwendung von Stata zur Schätzung eines reduzierten VAR 9.2.2 Testen eines VAR für die Stationarität Auswertung einer VAR-Prognose 9.3 Whorsquos auf dem ersten 9.3.1 Kreuzkorrelationen 9.3.2 Zusammenfassen zeitlicher Beziehungen in einer VAR Granger-Kausalität FEVDs mit Hilfe von Stata zur Berechnung von IRFs und FEVDs 9.4.1 Beispiele für einen kurzfristigen SVAR 9.4.2 Beispiele für einen langjährigen SVAR 9.5 Punkte für die Erinnerung 9.6 Ausblick 10 Modelle der nichtstationären Zeitreihen 10.1 Trends und Einheitenwurzeln 10.2 Testen Für Einheitenwurzeln 10.3 Kointegration: Auf der Suche nach einer langfristigen Beziehung 10.4 Kointegrationsbeziehungen und VECMs 10.4.1 Deterministische Komponenten im VECM 10.5 Von der Intuition zum VECM: Ein Beispiel Schritt 1: Bestätigen Sie die Einheitswurzel Schritt 2: Identifizieren Sie die Anzahl der Schritte Schritt Schritt 4: Fit eines VECM Schritt 5: Test auf Stabilität und Weißrauschreste Schritt 6: Überprüfen Sie die Modellimplikationen auf Angemessenheit 10.6 Punkte, an die Sie sich erinnern sollten 10.7 Blick nach vorne 11 Schlussbetrachtungen 11.1 Sinnvoller machen 11.2 Was haben wir vermisst 11.2.1 Erweiterte Zeitreihe-Themen 11.2.2 Zusätzliche Stata-Zeitreihen-Features Datenmanagement-Tools und Utilities Univariate Modelle Multivariate ModelleStata: Datenanalyse und statistische Software Nicholas J. Cox, Durham University, Großbritannien Christopher Baum, Boston College egen, ma () und seine Einschränkungen Statarsquos offensichtlichste Befehl für die Berechnung der gleitenden Durchschnitte ist die ma () - Funktion von egen. Bei einem Ausdruck wird ein gleitender Durchschnitt für diesen Ausdruck erstellt. Standardmäßig wird als 3. genommen, muss ungerade sein. Allerdings kann, wie der manuelle Eintrag angibt, egen, ma () nicht mit varlist kombiniert werden:. Und aus diesem Grund ist es nicht auf Paneldaten anwendbar. In jedem Fall steht er außerhalb des Satzes von Befehlen, die speziell für Zeitreihen geschrieben werden, siehe Zeitreihen für Details. Alternative Ansätze Zur Berechnung von Bewegungsdurchschnitten für Paneldaten gibt es mindestens zwei Möglichkeiten. Beide hängen davon ab, dass der Dataset vorher tsset wurde. Das ist sehr viel wert: nicht nur können Sie sich immer wieder spezifizieren Panel variabel und Zeit variabel, aber Stata verhält sich intelligent jede Lücken in den Daten. 1. Schreiben Sie Ihre eigene Definition unter Verwendung von Zeitreihenoperatoren wie L. und F. Geben Sie die Definition des gleitenden Durchschnitts als Argument für eine generierte Anweisung an. Wenn Sie dies tun, sind Sie natürlich nicht auf die gleich gewichteten (ungewichteten) zentrierten Bewegungsdurchschnitte beschränkt, die von egen, ma () berechnet wurden. Zum Beispiel würden gleich gewichtete Dreiphasenbewegungsdurchschnitte gegeben und einige Gewichte können leicht angegeben werden: Sie können natürlich einen Ausdruck wie log (myvar) anstelle eines Variablennamens wie myvar angeben. Ein großer Vorteil dieses Ansatzes ist, dass Stata automatisch das Richtige für Paneldaten macht: führende und nacheilende Werte werden in Panels ausgearbeitet, genauso wie Logik diktiert. Der bemerkenswerteste Nachteil ist, dass die Befehlszeile ziemlich lang werden kann, wenn der gleitende Durchschnitt mehrere Begriffe beinhaltet. Ein anderes Beispiel ist ein einseitiger gleitender Durchschnitt, der nur auf vorherigen Werten basiert. Dies könnte nützlich sein für die Erzeugung einer adaptiven Erwartung dessen, was eine Variable nur auf Informationen basieren wird: was könnte jemand prognostizieren für den aktuellen Zeitraum auf der Grundlage der letzten vier Werte, mit einem festen Gewichtungsschema (A 4-Periode Verzögerung sein könnte Besonders gebräuchlich mit vierteljährlichen Zeitreihen.) 2. Verwenden Sie egen, filter () von SSC Verwenden Sie den benutzerdefinierten egen function filter () aus dem egenmore package auf SSC. In Stata 7 (aktualisiert nach dem 14. November 2001) können Sie dieses Paket installieren, nachdem egenmore auf die Details zu filter () hingewiesen hat. Die beiden obigen Beispiele würden gerendert (In diesem Vergleich ist der generierte Ansatz vielleicht transparenter, aber wir sehen ein Beispiel des Gegenteils in einem Moment.) Die Lags sind eine Numliste. Führt zu negativen Verzögerungen: In diesem Fall verlängert sich -11 auf -1 0 1 oder Blei 1, verzögert 0, Verzögerung 1. Die Koeffizienten, eine weitere Numliste, multiplizieren die entsprechenden nacheilenden oder führenden Elemente: In diesem Fall sind diese Elemente F1.myvar . Myvar und L1.myvar. Der Effekt der Normalisierungsoption besteht darin, jeden Koeffizienten durch die Summe der Koeffizienten zu skalieren, so daß die Koeffizienten von 13 13 13 und coef (1 2 1) normalisiert sind, äquivalent zu Koeffizienten von 14 12 14 ist Sie müssen nicht nur die Verzögerungen, sondern auch die Koeffizienten angeben. Da egen, ma () den gleich gewichteten Fall liefert, ist der Hauptgrund für egen, filter (), den ungleich gewichteten Fall zu unterstützen, für den Sie Koeffizienten angeben müssen. Es könnte auch gesagt werden, dass die verpflichtenden Benutzer, um Koeffizienten angeben ist ein wenig mehr Druck auf sie zu denken, welche Koeffizienten sie wollen. Die wichtigste Rechtfertigung für gleiche Gewichte ist, wir schätzen, Einfachheit, aber gleiche Gewichte haben miese Frequenzbereich Eigenschaften, um nur eine Erwägung zu erwähnen. Das dritte Beispiel oben könnte entweder von denen ist nur so kompliziert wie die Generierung Ansatz. Es gibt Fälle, in denen egen, filter () eine einfachere Formulierung ergibt als erzeugen. Wenn Sie einen neun-term-Binomialfilter suchen, der von den Klimatologen als nützlich empfunden wird, dann sieht es vielleicht weniger schrecklich aus und ist leichter zurecht zu kommen. Genau wie beim generierten Ansatz funktioniert egen, filter () ordnungsgemäß mit Panel-Daten. Tatsächlich hängt es, wie oben erwähnt, davon ab, daß der Dataset vorher tsset wurde. Eine grafische Spitze Nach der Berechnung Ihrer gleitenden Durchschnitte werden Sie wahrscheinlich einen Graphen betrachten wollen. Der benutzerdefinierte Befehl tsgraph ist schlau um Tsset-Datasets. Installieren Sie es in einem up-to-date Stata 7 von ssc inst tsgraph. Was ist mit der Teilmenge mit if Keine der obigen Beispiele verwenden, wenn Einschränkungen. In der Tat egen, ma () wird nicht zulassen, wenn angegeben werden. Gelegentlich Menschen wollen verwenden, wenn bei der Berechnung der gleitenden Durchschnitte, aber seine Verwendung ist ein wenig komplizierter als es normalerweise ist. Was würden Sie von einem gleitenden Durchschnitt erwarten? Lassen Sie uns zwei Möglichkeiten identifizieren: Schwache Interpretation: Ich möchte keine Ergebnisse für die ausgeschlossenen Beobachtungen sehen. Starke Interpretation: Ich möchte nicht, dass Sie die Werte für die ausgeschlossenen Beobachtungen verwenden. Hier ist ein konkretes Beispiel. Angenommen, infolge einer Bedingung sind die Beobachtungen 1-42 eingeschlossen, aber nicht die Beobachtungen 43 an. Aber der gleitende Durchschnitt für 42 wird unter anderem von dem Wert für die Beobachtung 43 abhängen, wenn der Mittelwert sich nach hinten und vorne erstreckt und eine Länge von mindestens 3 hat, und er wird in einigen Fällen von einigen der Beobachtungen 44 abhängen. Unsere Vermutung ist, dass die meisten Menschen für die schwache Interpretation gehen würde, aber ob das korrekt ist, egen, filter () nicht unterstützt, wenn entweder. Sie können immer ignorieren, was Sie donrsquot wollen oder sogar unerwünschte Werte auf fehlende danach mit replace setzen. Eine Notiz über fehlende Ergebnisse an den Enden der Serie Da gleitende Mittelwerte Funktionen von Lags und Leads sind, erzeugt eMe () fehlende Stellen, wo die Lags und Leads nicht existieren, am Anfang und Ende der Reihe. Eine Option nomiss zwingt die Berechnung der kürzeren, nicht beanspruchten gleitenden Mittelwerte für die Schwänze. Im Gegensatz dazu weder erzeugen noch egen, filter () macht oder erlaubt, etwas Besonderes, um fehlende Ergebnisse zu vermeiden. Wenn einer der für die Berechnung benötigten Werte fehlt, fehlt dieses Ergebnis. Es ist bis zu den Benutzern zu entscheiden, ob und welche Korrekturchirurgie für solche Beobachtungen erforderlich ist, vermutlich nach Betrachten des Datensatzes und unter Berücksichtigung aller zugrunde liegenden Wissenschaft, die gebracht werden können, um zu tragen. Announcement 04 Nov 2014, 19:36 Sehr geehrte Alle, ich arbeite Mit einem unsymmetrischen Panel-Dataset, wobei das Panel var die Fondsnummer ist und die Zeit var der Monat ist. So arbeite ich mit monatlichen Zeitreihen, aber mit Lücken. Was ich will, ist die Berechnung der 3-Jahres-Sharpe-Verhältnis und auch die 3-Jahres-Jensens Alpha für jeden Fonds. Wenn ich also im Jahre 1992 bin, möchte ich die Sharpe-Ratio für dieses Jahr mit den monatlichen Beobachtungen der Jahre 1992 1991 1990 berechnen. Dazu benötige ich den Mittelwert und die Sd der Überschussrenditen jedes Fonds während dieses Zeitraums. Darüber hinaus möchte ich das Jensens Alpha durch Ausführen des CAPM-Modells unter Verwendung der monatlichen Beobachtungen aus den Jahren 1992 1991 1990 schätzen. Dazu könnte ich den Befehl statsby verwenden und die Koeffizienten einer während dieser Periode laufenden Regression verwenden. Ich haved versucht viele Befehle wie rollreg, movavg, ma usw. und auch einige Einheimische mit foreachforvalues ​​aber ich kann sie nicht verwenden, da ich nicht ein ausgewogenes Panel habe und ich nicht wollen, Mittel zu beseitigen, weil ich ein oder zwei Lücken haben könnte. Dies ist ein Beispiel meines Datensatzes im Laufe des Monats mktrf smb hml umd ExcessR s ---------------------------------- - 1 - 2 1997 2 -. 0049 - 0,261 .0469 - 0204. 2 1997 3 -0503 -0032 .0386 .0094 -.0181431 2 1997 4 .0404 -.0519 -.0102 .0489 .0117428 2 1997 5 .0674 .0483 -0.0438 -0.0519 .0372053 ---- -------------------------------------------------- --------------------- 2 1997 6 .041 .015 .0072 .0259 .0310222 2 1997 7 .0733 -.0252 -.0013 .0384 .0402394 2 1997 8-0.0415 .0734 .0137 -.0252 -.0292168 2 1997 9 .0535 .0268 -.0025 .0145 .0381404 2 1998 1 .0015 -.0094 -.0207 .001 .0056473 ------ -------------------------------------------------- ------------------- 2 1998 2 .0703 .0032 -.0086 -.011 .0395531 2 1998 3 .0476 -.0099 .0123 .0214 .0277491 2 1998 4 0073 .0048 .0027 .0078 .0005439 2 1998 5 -.0307 -.0354 .0412 .0189 -.0093562 2 1998 6 .0318 -.0315 -.0222 .0726 .002362 -------- -------------------------------------------------- ----------------- 2 1998 7 -.0246 -.0492 -.0115 .0371 -.0232616 2 1998 8 -.1608 -0.0575 .0524 .0187 -0.91043 2 1998 9 .0615 -.0015 -.0388 -.0063 .0222817 2 1998 10 .0713 -.032 -.0277 -.0535 .0311223 2 1998 11 .061 .0114 -.0343 .0118 .0300834 ---- -------------------------------------------------- --------------------- 2 1998 12 .0616 -.003 -.047 .0904 .0168859 7 1994 1 .0287 .0014 .021 .0001 .0183894 7 1994 2 -.0256 .0272 -.0141 -.0026 -.0170168 7 1994 3 -.0478 -0096 .0134 -0132 -.0656004 7 1994 4,0000 -0091 .0169 .0041 -0032034 - -------------------------------------------------- ----------------------- 7 1994 5,0058 -.0201 .0018 -.0216 -.0093189 7 1994 6 -.0303 -.0048 .0168 -0083 -.0506594 7 1994 0, 0282 -0,178, 0098, 0019, 0199595 7 1994 8 .0401 0,0145 -.0347 .0154 .0419298 7 1994 9 -.0231 .0268 -.0181 .0131 -0135341 -------------------------------------------------- ------------------------- 7 1994 10 .0134 -.022 -.0236 .0145 .0129598 7 ​​1994 11 -.0404 -.0017 - .0005 -.0019 -.0433825 7 1994 12 .0086 .0005 .0026 .035 .0152948 05 Nov 2014, 11:35 Vielen Dank für Ihre Beiträge. Was die sharpe Verhältnis dieses ist der Code, den ich schrieb und mein Problem lösen. Gen MeanVWExcRetGr. Sortierung crspfundno ryear Monat forval i1990 (1) 2013 lokal mi-2 von crspfundno. Egen Meanimean (VWExcRetGr) wenn ryearlti amp ryeargtm ersetzen MeanVWExcRetGrMeani wenn ryeari Sein nicht perfekt, aber ich habe mein Mittel in einer Spalte jetzt so jedes Jahr habe ich den gleichen Wert des rollenden Mittels innerhalb meiner monatlichen Beobachtungen (egen). Ich sage, seine nicht perfekt, weil innerhalb der Befehle ich nicht spezifizieren, dass ich die Werte nur in dem Fall, dass ich habe 3 Jahre der Beobachtungen Durchschnitt. So berechnet es auch den Mittelwert in dem Fall, in dem ich 2 Jahre Beobachtungen habe. Die gute Nachricht ist, dass ich diese Beobachtungen beseitigen kann. Ich post die oben, weil ich möchte, dass Sie verstehen, was ich genau brauche. Ich möchte die alpha und beta, jeder in einer Spalte, so dass ich sie verwenden, um sie auf andere Variablen zurückgreifen können. Daher möchte ich im Jahr 1995 für den Fonds Nr. 100, der z. B. 11 monatliche Beobachtungen hat, die Alpha-Ausgabe der in den 11 Zeilen wiederholten Capm4-Faktor-Capm-Regression der 3-jährigen (1995,199,1993) - Zellen der alpha-Spalte. Das gleiche gilt für Beta. Ich habe den Mata-Code mit einigen Änderungen egen g group (crspfundno) gen alpha angewendet. (Msgstr. (1) für (i, i, i) für (i, i) für (i, ß) ,.) B. (1, 1, 1, 1, 1, 2, 1, 1, 1, 1, 2, , 1) yy (2. & mgr; (y)) ,. XX (2..rows (X)) ,. Wenn (Zeilen (y) gt6) b invsym (Kreuz (X, X)) Kreuz (X, y) alphao, 1 b5,1 Ende aber das Ergebnis ist dieses und es doesnt enthalten Beta als gut. Können Sie mir bitte helfen fundno ryear month g alpha 5487 2001 1 478 -.0045781 5487 2001 2 478 -.0049922 5487 2001 3 478 -.0044039 5487 2001 4 478 -.0058963 5487 2001 5 478 -.0057021 5487 2001 6 478 - .0037893 5487 2001 7 478 -.0046226 5487 2001 8 478 -.0027665 5487 2001 9 478 -0037288 5487 2002 1 478 .0009866 5487 2002 2 478 .0019246 5487 2002 3 478 .0019994 5487 2002 4 478 .002021 5487 2002 5 478 .0025631 5487 2002 6 478 .0019815 5487 2002 7 478 .0037848 5487 2002 8 478 .0035144 5487 2002 9 478 .003802 5487 2002 10 478 .0012915 5487 2002 11 478 .0016832 5487 2002 12 478 .0015888 Ich bin nicht sicher, ob Ich verstehe dich. Allerdings, wiederholen Sie den Ratschlag in den Thread, auf die ich erwähnt haben Sie früher über nicht mit Mata-Code, während Stata-Code verfügbar ist, hier ist ein angepasstes Code aus diesem Thread, die die rollende Regression zu tun. Es dauert Ihnen viel Zeit, wenn Sie einen großen Datensatz haben. Lassen Sie mich wissen, wenn es Ihnen eine Menge Zeit dauert. Ich rate Ihnen, die Ergebnisse zu überprüfen. 06 Nov 2014, 08:51 Abraham: Wirklich schneller Mata-Code. Ich brauchte nur 1 Minute statt 2 Stunden. Außerdem funktioniert es besser, da es fehlende Werte zurückgibt, wenn ich nur eine Jahre Beobachtung habe. Vielen Dank. Eine letzte Frage. Wenn ich die capm Regression benötigen, die nur VWExcRetGr und mktrf bedeutet, aber nicht die smb HML umd, ist dies, wie der Code wie Gen-Alpha sein sollte. Gen bMktrf. mata mata klar stview (crspfundno. quotcrspfundnoquot) stview (RYEAR. quotryearquot) stview (VWExcRetGr. quotVWExcRetGrquot) stview (mktrf. quotmktrfquot) stview (Alpha. quotAlphaquot) stview (bMktrf. quotbMktrfquot) p panelsetup (crspfundno, 1) für (i1 iltrows (p) i) für (opi, 1 oltpi, 2 o) y VWExcRetGro, 1 X (mktrfo, 1. 1) b. für (tpi, 1 tltpi, 2 t), wenn (zu amp crspfundnoo, 1 crspfundnot, 1 Ampere (ryearo, 1 - ryeart, 1 lt 2) amp ryearo, 1 gt ryeart, 1) yy VWExcRetGrt, 1 XX (mktrft, 1 . 1), wenn (Zeilen (y) GT6) b invsym (Kreuz (X, X)) Kreuz (X, y) Alphao, 1 B2,1 bMktrfo, 1 B1,1 in Ihrem Code Sie Standardabweichung von Land zu berechnen und Industrie (mit zusammenfassen), aber dann ersetzen Sie diesen Wert in SDx von anderen coutries (in der inneren Schleife). Ist das, was Sie tun möchten Ich schrieb den Mata-Code vorausgesetzt, dass Sie die Standardabweichung pro Land und Industrie berechnen möchten. Wenn Sie pro Land berechnet werden soll und der Industrie Sie hinzufügen müssen: Hier ist der Mata-Code (es berechnet die Standardabweichung auch dann, wenn das Fenster weniger als 4 Jahre ist):