Выборка смешанных данных

Эконометрические модели, включающие данные, отбираемые с разной частотой, представляют общий интерес. Выборка смешанных данных (MIDAS) — это эконометрическая регрессия, разработанная Эриком Гайселсом с несколькими соавторами. В настоящее время существует обширная литература по регрессиям MIDAS и их приложениям, в том числе Ghysels, Santa-Clara and Valkanov (2006), ^[1] Гизельс, Синько и Валканов, ^[2] Андреу, Гизельс и Куртеллос (2010) ^[3] и Андреу, Гиселс и Куртеллос (2013). ^[4]

Регрессии MIDAS

Регрессия MIDAS — это инструмент прямого прогнозирования, который может связывать будущие низкочастотные данные с текущими и запаздывающими высокочастотными индикаторами и давать различные модели прогнозирования для каждого горизонта прогнозирования. Он может гибко работать с данными, отобранными с разной частотой, и обеспечивать прямой прогноз низкочастотной переменной. Он включает в регрессию каждые отдельные высокочастотные данные, что решает проблемы потери потенциально полезной информации и неправильной спецификации.

В простом примере регрессии независимая переменная появляется с большей частотой, чем зависимая переменная :

y_{t}=\beta _{0}+\beta _{1}B(L^{1/m};\theta )x_{t}^{(m)}+\varepsilon _{t}^{(m)},

где y — зависимая переменная, x — регрессор, m обозначает частоту — например, если y — ежегодное $x_{t}^{(4)}$ ежеквартально – $\varepsilon$ это нарушение и $B(L^{1/m};\theta )$ — это распределение задержки, например, бета-функция или Almon Lag . Например $B(L^{1/m};\theta )=\sum _{k=0}^{K}B(k;\theta )L^{k/m}$ .

В некоторых случаях регрессионные модели можно рассматривать как замену фильтра Калмана при применении в контексте данных смешанной частоты. Бай, Гайселс и Райт (2013) ^[5] изучить взаимосвязь между регрессиями MIDAS и моделями пространства состояний фильтра Калмана, применяемыми к данным смешанной частоты. В общем случае последний представляет собой систему уравнений, тогда как, в отличие от MIDASрегрессии включают одно уравнение (сокращенной формы). Как следствие, регрессии MIDAS могут быть менее эффективными, но и менее подверженными ошибкам спецификации. В тех случаях, когда регрессия MIDAS является лишь приближением, ошибки аппроксимации обычно невелики.

Машинное обучение Регрессии MIDAS

MIDAS также можно использовать для машинного обучения временных рядов и панельных данных и прогнозирования текущей погоды для . ^[6]^[7] Регрессии MIDAS машинного обучения включают полиномы Лежандра . Многомерные регрессии временных рядов со смешанной частотой включают определенные структуры данных, которые, если их принять во внимание, должны улучшить производительность неограниченных оценщиков в небольших выборках. Эти структуры представлены группами, охватывающими зависимые переменные с лагом, и группами лагов для одной (высокочастотной) ковариаты. С этой целью подход MIDAS к машинному обучению использует регуляризацию LASSO с разреженной группой (sg-LASSO), которая удобно адаптируется к таким структурам. ^[8] Привлекательной особенностью средства оценки sg-LASSO является то, что он позволяет нам эффективно комбинировать приблизительно разреженные и плотные сигналы.

Пакеты программного обеспечения

Некоторые пакеты программного обеспечения включают регрессии MIDAS и связанные с ними эконометрические методы. К ним относятся:

Набор инструментов MIDAS Matlab ^[9]
мидаср, пакет R ^[10]
Midasml, пакет R для многомерных данных временных рядов смешанной частоты ^[11]
Электронные просмотры ^[12]
Питон ^[13]
Юлия ^[14]
Стата, Мидасрег

Ссылки

^ Гиселс, Эрик, Педро Санта-Клара и Россен Валканов (2006) Прогнозирование волатильности: как получить максимальную отдачу от данных о доходности, отобранных с разной частотой , Журнал эконометрики, 131, 59-95
^ Гайселс, Эрик и Артур Синко и Россен Валканов (2006) Регрессии MIDAS: дальнейшие результаты и новые направления , Эконометрические обзоры, 26, 53-90.
^ Андреу, Елена и Эрик Гиселс и Андрос Куртеллос «Модели регрессии со смешанными частотами выборки», Журнал эконометрики, 158, 246-261.
^ Андреу, Елена и Эрик Гиселс и Андрос Куртеллос «Должны ли макроэкономические прогнозисты использовать ежедневные финансовые данные и как?», Журнал деловой и экономической статистики 31, 240-251.
^ Бай, Дженни и Эрик Гайселс и Джонатан Райт (2013) Государственные космические модели и регрессии MIDAS , Econometric Reviews, 32, 779–813.
^ Бабий, Андрей; Гайселс, Эрик; Стриаукас, Йонас (3 июля 2022 г.). «Регрессии временных рядов машинного обучения с применением к прогнозированию текущей погоды» . Журнал деловой и экономической статистики . 40 (3): 1094–1106. arXiv : 2005.14057 . дои : 10.1080/07350015.2021.1899933 . ISSN 0735-0015 .
^ Бабий, Андрей; Болл, Райан Т.; Гайселс, Эрик; Стриаукас, Йонас (26 июля 2022 г.). «Регрессия панельных данных машинного обучения с зависимыми данными с тяжелыми хвостами: теория и применение» . Журнал эконометрики : 105315. arXiv : 2008.03600 . doi : 10.1016/j.jeconom.2022.07.001 . ISSN 0304-4076 .
^ Саймон, Н., Дж. Фридман, Т. Хасти и Р. Тибширани (2013): ЛАССО с разреженной группой ,Журнал вычислительной и графической статистики, 22 (2), 231–245.
^ «MIDAS Matlab Toolbox, поддерживаемый Hang Qian» .
^ «midasr: регрессия выборки смешанных данных, поддерживаемая Вирмантасом Кведарасом и Вайдотасом Землясом-Балевичюсом» . 23 февраля 2021 г.
^ «midasml: методы оценки и прогнозирования многомерных данных временных рядов смешанной частоты, поддерживаемые Йонасом Стриаукасом» . 29 апреля 2022 г.
^ «Демонстрация прогнозирования EViews 9.5 MIDAS» .
^ «Код MIDAS Python» . Гитхаб .
^ «МИДАС Юлия» . Гитхаб .

См. также

Эта эконометрике, статья, посвященная незавершена . Вы можете помочь Википедии, расширив ее .

[1] Гиселс, Эрик, Педро Санта-Клара и Россен Валканов (2006) Прогнозирование волатильности: как получить максимальную отдачу от данных о доходности, отобранных с разной частотой , Журнал эконометрики, 131, 59-95

[2] Гайселс, Эрик и Артур Синко и Россен Валканов (2006) Регрессии MIDAS: дальнейшие результаты и новые направления , Эконометрические обзоры, 26, 53-90.

[3] Андреу, Елена и Эрик Гиселс и Андрос Куртеллос «Модели регрессии со смешанными частотами выборки», Журнал эконометрики, 158, 246-261.

[4] Андреу, Елена и Эрик Гиселс и Андрос Куртеллос «Должны ли макроэкономические прогнозисты использовать ежедневные финансовые данные и как?», Журнал деловой и экономической статистики 31, 240-251.

[5] Бай, Дженни и Эрик Гайселс и Джонатан Райт (2013) Государственные космические модели и регрессии MIDAS , Econometric Reviews, 32, 779–813.

[6] Бабий, Андрей; Гайселс, Эрик; Стриаукас, Йонас (3 июля 2022 г.). «Регрессии временных рядов машинного обучения с применением к прогнозированию текущей погоды» . Журнал деловой и экономической статистики . 40 (3): 1094–1106. arXiv : 2005.14057 . дои : 10.1080/07350015.2021.1899933 . ISSN 0735-0015 .

[7] Бабий, Андрей; Болл, Райан Т.; Гайселс, Эрик; Стриаукас, Йонас (26 июля 2022 г.). «Регрессия панельных данных машинного обучения с зависимыми данными с тяжелыми хвостами: теория и применение» . Журнал эконометрики : 105315. arXiv : 2008.03600 . doi : 10.1016/j.jeconom.2022.07.001 . ISSN 0304-4076 .

[8] Саймон, Н., Дж. Фридман, Т. Хасти и Р. Тибширани (2013): ЛАССО с разреженной группой ,Журнал вычислительной и графической статистики, 22 (2), 231–245.

[9] «MIDAS Matlab Toolbox, поддерживаемый Hang Qian» .

[10] «midasr: регрессия выборки смешанных данных, поддерживаемая Вирмантасом Кведарасом и Вайдотасом Землясом-Балевичюсом» . 23 февраля 2021 г.

[11] «midasml: методы оценки и прогнозирования многомерных данных временных рядов смешанной частоты, поддерживаемые Йонасом Стриаукасом» . 29 апреля 2022 г.

[12] «Демонстрация прогнозирования EViews 9.5 MIDAS» .

[13] «Код MIDAS Python» . Гитхаб .

[14] «МИДАС Юлия» . Гитхаб .

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

[11]

[12]

[13]

[14]