Para perguntas rápidas, envie um email para dataprinceton. edu. Não há appts. Necessário durante as horas de caminhada. Nota: o laboratório DSS está aberto enquanto o Firestone estiver aberto, sem compromissos necessários para usar os computadores do laboratório para sua própria análise. Dados de série de seleção de atraso em séries de tempo Ao executar regressões em dados de séries temporais, muitas vezes é importante incluir valores remanescentes da variável dependente como variáveis independentes. Na terminologia técnica, a regressão agora é chamada de autoregressão vetorial (VAR). Por exemplo, ao tentar resolver os resultados do PIB, é provável que o PIB dos últimos anos esteja correlacionado com o PIB deste ano. Se for esse o caso, o PIB atrasado durante pelo menos um ano deve ser incluído no lado direito da regressão. Se a variável em questão for persistente - ou seja, os valores no passado distante ainda estão afetando os valores de hoje - mais atrasos serão necessários. Para determinar quantos atrasos usar, vários critérios de seleção podem ser usados. Os dois mais comuns são o Critério de Informação Akaike (AIC) e o Critério de Informação Bayesiano de Schwarz (SICBICSBIC). Estas regras escolhem o comprimento de atraso j para minimizar: log (SSR (j) n) (j 1) C (n) n, onde SSR (j) é a soma ou os resíduos quadrados para o VAR com j lags e n é o número de Observações C (n) 2 para AIC e C (n) log (n) para BIC. Felizmente, em Stata 8 há um único comando que irá fazer a matemática para qualquer número de atrasos especificados: varsoc. Para obter o AIC e BIC, basta digitar varsoc depvar na janela de comando. O número padrão de atrasos Stata checks é de 4 para verificar um número diferente, adicionar, maxlags (oflags) após o varsoc depvar. Se, além disso, a regressão tenha variáveis independentes além dos atrasos, inclua aqueles após a opção maxlag () digitando exog (varnames). A saída indicará o número de atraso ideal com um asterisco. Em seguida, avance para executar a regressão usando o número especificado de atrasos na variável dependente no lado direito com as demais variáveis independentes. A partir desta saída, é claro que o número ótimo de atrasos é 1, então a regressão deve ser semelhante a: (Para outras opções com o comando varsoc, consulte o manual Stata da Time-Series.) Para obter mais informações sobre a seleção de atraso, verifique as séries de tempo 101 copy 2007 The Trustees da Universidade de Princeton. Todos os direitos reservados. Dataprinceton. edu NOTA: A informação é para a Universidade de Princeton. Sinta-se livre para usar a documentação, mas não podemos responder perguntas fora de Princeton. Esta página foi atualizada pela última vez: AVISO: O grupo de consultoria estatística IDRE estará migrando o site para o WordPress CMS em fevereiro para facilitar a manutenção e criação de novos conteúdos. Algumas de nossas páginas antigas serão removidas ou arquivadas de modo que elas não serão mais mantidas. Vamos tentar manter os redirecionamentos para que os URLs antigos continuem a funcionar da melhor maneira possível. Bem-vindo ao Instituto de Pesquisa e Educação Digital, ajudando o Grupo de Consultoria Estatal, dando um presente SAS FAQ: Como posso criar variáveis de atraso e chumbo em dados longitudinais Ao analisar dados em unidades de tempo consistentes (anos, trimestres, meses), existe É muitas vezes interesse em criar variáveis com base em como os dados de um determinado período de tempo se comparam aos períodos anteriores e posteriores. Se você tiver dados longitudinais, você deseja visualizar as unidades de tempo dentro de um único assunto. Quando seus dados estão em forma longa (uma observação por ponto de tempo por assunto), isso pode ser facilmente tratado em Stata com etapas padrão de criação de variáveis por causa da forma como o Stata processa conjuntos de dados: ele armazena todo o conjunto de dados e pode se referir facilmente a qualquer Apontar o conjunto de dados ao gerar variáveis. O SAS funciona de forma diferente. As variáveis SAS são tipicamente criadas através de uma etapa de dados em que o SAS se move através do conjunto de dados, observação por observação, realizando os cálculos para a observação dada e acessando apenas uma observação por vez. Este sistema de armazenamento e armazenamento de dados possibilita ao SAS analisar grandes conjuntos de dados, mas também muito difícil criar variáveis de séries temporais em SAS usando uma etapa de dados. No entanto, proc expand fornece uma alternativa fácil de usar para a etapa de dados. Comece com um exemplo de conjunto de dados contendo apenas um assunto. O conjunto de dados abaixo contém taxas de desemprego nos EUA de setembro de 2006 a agosto de 2008. Para cada mês, desejamos saber a diferença entre sua taxa e a taxa do mês anterior (r (i) - r (i-1)), Sua taxa e a taxa do próximo mês (r (i1) - r (i)), e essas duas diferenças ((r (i1) - r (i)) - (r (i) - r (i-1) ). Para fazer isso, usaremos o proc expand para gerar um novo conjunto de dados, incluindo essas variáveis. Na linha de expansão de proc, iremos nomear o novo conjunto de dados de desemprega. Indicamos que não queremos transformar os valores (usando um spline, Por exemplo), mas simplesmente para pegar os dados não transformados da gravação especificada. Nós indicamos que nossas séries temporais são definidas por data na linha de identificação e nas três linhas de conversão, criamos os três valores que desejamos ter para cada ponto de tempo em Nossos dados: a taxa, a taxa anterior (ratelag1) e a próxima taxa (ratelead1). Em cada linha, damos ao SAS o nome da variável em nosso novo conjunto de dados, o tipo de transformação (lag. Lead) e o nu Menos pontos de tempo para olhar para trás ou para frente para a transformação (1 neste exemplo). Podemos ver o conjunto de dados resultante. Com base neste conjunto de dados, agora podemos calcular facilmente as três variáveis da série temporal que descrevemos anteriormente. Mas e se tivéssemos dados para vários países. O conjunto de dados abaixo contém dados de desemprego de 2000-2005 para três países. Desejamos criar variáveis de atraso e lider em cada país. Para fazer isso, podemos usar o proc expandir com uma declaração por meio de classificação no país. Com o proc expandir. Você também pode gerar médias móveis, splines e valores interpolados. Para obter mais detalhes, consulte as páginas de extensões proc da Documentação Online do SAS.
No comments:
Post a Comment