Ruchoma średnia zależność zmienna

Mam miesięczny niezrównoważony panel danych danych bilansowych 70 banków średnio 170 obserwacji na bank przez ponad 20 lat Mam autokorelację i heteroskedastyczność w ramach paneli. Staram się przetestować hipotezę, że istnieje związek między depozytami transakcyjnymi a limitem zaangażowania kredytowego linii kredytowej chciałbym powiedzieć, że wszystkie są takie same, przeciętnie bank z większą liczbą depozytów transakcyjnych zaoferowałby swoim klientom więcej zobowiązań kredytowych. Argumentem jest to, że w celu wypłacenia zobowiązań kredytowych bank potrzebuje depozytu transakcyjnego W kolejnym kroku badania ostatecznym celem jest zbudowanie jakiejś funkcji produkcyjnej dla zobowiązań kredytowych. Mój zmienna zależna jest relacją zobowiązań kredytowych do kredytów ogółem comitRatio Mój niezależny zmienny regresor to stosunek depozytów transakcyjnych do depozytów ogółem. Używam naturalnych logarytmów z tych zmiennych, ponieważ chciałbym interpretować szacowane współczynniki jako elastyczność Więc mam co mitRatio i ln depRatio. W przypadku, gdy X są zmiennymi kontrolnymi, z których większość jest niezmienna czasowo. Wybrałem średnią ruchową 3, 6 i 12 miesięcy dla niezależnej zmiennej lR depRatio Jest to spowodowane tym, że w hipotezie punkt czasowy, zobowiązania oferują comitRatio jest ustalona na podstawie depRatio z poprzednich okresów Również, ponieważ regresor depRatio dla niektórych banków w szczególności mniejsze z nich różnią się zbytnio od jednego miesiąca do drugiego Myślę, że średnia ruchoma pokazuje mi lepszy obraz. Moim głównym problemem jest efekt ceteris paribus niezależnej zmiennej nad zależnym. Pracuję z modelem stałych efektów z modelem AR1 autocorrelation i solidnym standardowym instrukcją xtpcse o błędzie w Stacie. Model działa lepiej wyższy R 2, wyższe współczynniki szacunkowe, wyższe z - statystyk, gdy używam średniej ruchomej niż podczas korzystania z oryginalnych wartości nawet wtedy, gdy używam opóźnionych wartości, takich jak us. My pytanie, biorąc pod uwagę tę konfigurację, mogę używać średniej ruchomej tylko na zmiennej niezależnej Czy mogę wygładzić niezależną i zależną zmienną, czy też nie byłoby wskazane wygładzanie zmiennej zależnej. Celem twojego modelowania mogłoby być np. 1 opisowe, 2 objaśniające lub 3 predykcyjne. Jeśli 1, wygładzanie mogłoby być przydatne tendencja do powolnego ruszania się i używania jej do wizualizacji danych Widzisz relacje pomiędzy powolnymi ruchami elementów trendów z różnych serii bardziej wyraźniej niż przy użyciu oryginalnych serii Oczywiście trzeba przyznać, że wygładzanie miało miejsce i że stosunki wywołałeś tylko przytrzymaj dla wygładzonych elementów, podczas gdy rzeczywiste zmienne są bardziej niepoprawne. Jeśli 2, bezpośrednio przy użyciu wygładzonych zmiennych spowodowałoby oszacowanie punktów i ich standardowe błędy w modelach. Dlatego nie można było przetestować hipotez w prosty sposób. zobacz poniżej może być pomocne tutaj. Jeśli 3, zamiast wygładzić można spróbować rozkładać szeregów czasowych w zwolnionym tempie, sezonowych i pozostałe składniki Wtedy można spróbować modelować i prognozować każdy z nich oddzielnie, a następnie umieścić te prognozy razem, aby uzyskać prognozę pierwotnej zmiennej Z drugiej strony, czyste wygładzanie mogłoby spowodować utratę cennych informacji. Twoja sprawa wydaje się być objaśniająca Jeśli są zainteresowani długoterminową relacją pomiędzy zmiennymi, powinieneś prawdopodobnie używać dekompozycji szeregów czasowych i interpretować swoje ustalenia. To znaczy, nie powinieneś twierdzić, że istnieje związek między pierwotnymi zmiennymi, ale tylko pomiędzy poszczególnymi składnikami. sensowna interpretacja tematów. Edytuj po edycji pytania. Usuwanie hałasu z niezależnej zmiennej przez wygładzenie daje wyższy poziom R 2, jak zauważysz, ale jest to artefakt wygładzania, więc należy wziąć go z ziarnem soli Po wygładzeniu niezależnej zmiennej nie należy robić bezpośredniego wniosku o inferencję oryginalnej zmiennej To jest coś, co należy zachować ful about - zobacz mój punkt 2 powyżej Jednak w Twoim przypadku wydaje się, że wygładzanie może mieć sens, ponieważ zmienna zależna w czasie t nie zależy od regresora od dokładnego punktu czasowego w przeszłości, ale raczej w interwale czasowym Tak więc jawnie zdefiniować regresor jako gładką wersję oryginalnej zmiennej i wnioskować o tym wygładzonym regresorze. Może to działać. Jeśli zmienisz zależność, prawdopodobnie zwiększysz R 2, ale ty odejdzie jeszcze bardziej od bezpośredniej interpretacji, ponieważ znowu zmiana w R 2 będzie artefaktem wygładzania. Alternatywą może być prawdopodobnie próbkowanie danych rzadziej. Wtedy powinieneś zobaczyć więcej sygnałów w stosunku do szumu, ponieważ sygnał gromadziłby się między nieczęstymi próbki, podczas gdy hałas nie byłby możliwy, ale nadal można było interpretować rezultaty bezpośrednio w przeciwieństwie do wygładzania. Jednakże takie podejście mogło być natychmiast krytykowane jako rzucanie z dala dane Prawdopodobnie lepsze alternatywy Jeśli wygładzony regresor ma sens na własną rękę, to nie musisz tego robić. odpowiedzi 30 lipca 16 w 17 07. poszerzam moje oryginalne pytanie Moim głównym celem na tym etapie jest przetestowanie tam jest stabilnym związkiem między zmiennymi, których nie chcę przewidzieć Kiedy wspomnisz rozkład szeregów czasowych odnoszą się do konkretnych modeli regresji lub, na przykład, używając zmiennych losowych miesięcy i roku w modelu stałych efektów, jest rozkładem szeregu czasowego Emiliano A Carlevaro Aug 1 16 at 12 07. Krótko mówiąc, można spojrzeć na rozkład szeregów czasowych w podręcznikach ekonometrycznych, np. Prognozowanie zasad i praktyki autorstwa Hyndmana Athanasopoulosa dostępnych bezpłatnie w trybie online, Rozdział 6 1 Nie pamiętam o bardzo konkretnym sposobie rozkładania serii Richard Hardy 1 sierpnia 16 w 18 07. Mam serii czasowych chcę używać jako odpowiedź w modelu regresji Problemem jest to, że podejrzewam, że zmiany w tej zmiennej mogą być spowodowane próbą błędu wynik, stworzyłem średnią ruchomą w tym czasie serii w celu wyrównywania wstrząsów jestem teraz rozważa wykorzystanie tego jako odpowiedź w moim modelu regresji, a nie oryginalne serie Uwaga, nie jestem konstruowanie modelu ARMA Moje przewidywania są również czas takie jak wydatki medialne i poziom zaufania konsumentów. 14 grudnia 2007 r. w 14 07. Należy zidentyfikować formę licznika wielomianów i mianownika w procesie błędów, ponieważ może to być struktura AR lub struktura typu MA lub jakakolwiek kombinacja tych dwóch Jednym ze sposobów niekoniecznie optymalnych jest przeprowadzenie funkcji transferu z białym szumem, tzn. Nie ARIMA, a następnie zidentyfikowanie możliwej struktury ARIMA z pozostałości IrishStat z dnia 8 grudnia 2005 r. W godz. 15 09. W wydaniu 6 08 systemu SAS PROC EXPAND w SAS Oprogramowanie ETS może być wykorzystane do dokonywania różnorodnych przekształceń danych. Te przekształcenia obejmują przewagi, opóźnienia, wagi ważone i nieważone, ruchome sumy i skumulowane sumy, aby wymienić tylko kilka nowych transformacji dodano w wydaniu 6 12, w tym oddzielne specyfikacje dla średnich centrowanych i przechodzących do tyłu Te nowe przekształcenia spowodowały konieczność modyfikacji składni niektórych transformacji obsługiwanych przed wydaniem 6 12 Przykłady określania składni dla przesunięć środkowych i wstecznych średnie przy użyciu Release 6 11 i wcześniejszych oraz Release 6 12 i później są podane poniżej. PROC EXPAND może obliczyć albo środkową średnią ruchową, albo średnią ruchomej wstecznej Średnioroczna średnia w czasie 5-dniowym obliczana jest przez uśrednienie w sumie 5 kolejnych wartości seria bieżąca wartość okresu poza dwoma poprzednio poprzednimi wartościami i dwiema wartościami następującymi bezpośrednio po wartości bieżącej Średni ruch wsteczny 5-letni oblicza się poprzez uśrednienie bieżącej wartości okresu z wartościami z 4 bezpośrednio poprzednich okresów. jak używać specyfikacji TRANSFORM MOVAVE n do obliczania 5-centrowej średniej średniej ruchomej przy użyciu Release 6 11 lub wcześniej. Aby obliczyć średnią ruchomej wstecznej z n runą n w wersji 6 11 lub wcześniejszej, skorzystaj z specyfikacji TRANSFORM MOVAVE n LAG k, gdzie k n-1 2 jeśli n jest nieparzyste lub gdzie k n-2 2 jeśli n nawet na przykład następująca składnia ilustruje sposób obliczania średniej ruchomej wstecznej w okresie 5-dniowym przy użyciu Release 6 11 lub wcześniejszej. Następująca składnia ilustruje użycie specyfikacji TRANSFORM CMOVAVE n w celu obliczenia 5-centrowej średniej średniej ruchomej przy użyciu Release 6 12 lub nowszej. Następująca podobna składnia ilustruje, jak używać specyfikacji TRANSFORM MOVAVE n do obliczania 5-letniej średniej ruchomej wstecznej przy użyciu Release 6 12 lub późniejszej. Aby uzyskać więcej informacji, zobacz operacje transformacji w rozdziale ROZDZIAŁ EXP SAS ETS User's Guide Jeśli nie masz dostępu do SAS ETS, możesz obliczyć średnią ruchomej w kroku DATA, jak zilustrowano w tym programie przykładowym. Wprowadzanie danych do systemu i informacje o wersji.