Introdução às séries temporais Usando Stata Stata Os eBooks de imprensa são lidos usando a plataforma de registro VitalSource Bookshelf. O Bookshelf é gratuito e permite que você acesse o seu eBook Stata Press do seu computador, smartphone, tablet ou eReader. Como acessar seu eBook 2) Uma vez conectado, clique em resgatar no canto superior direito. Digite seu código de eBook. O seu código de eBook estará no seu e-mail de confirmação do pedido sob o título de e-books. 3) O eBook será adicionado à sua biblioteca. Você pode então baixar Bookshelf em outros dispositivos e sincronizar sua biblioteca para visualizar o eBook. Bookshelf está disponível no seguinte: Online Bookshelf está disponível on-line a partir de praticamente qualquer computador conectado à Internet, acessando online. vitalsourceusernew. O Office Bookshelf está disponível para o Windows 788.110 (32 e 64 bits). Baixe o software Bookshelf para sua área de trabalho para que você possa visualizar seus eBooks com ou sem acesso à Internet. O Estante de livros iOS está disponível para iPad, iPhone e iPod touch. Baixe o aplicativo móvel Bookshelf da Itunes Store. O Android Bookshelf está disponível para telefones e tablets Android com 4.0 (Ice Cream Sandwich) e mais tarde. Baixe o aplicativo móvel Bookshelf da Google Play Store. Kindle Fire Bookshelf está disponível para Kindle Fire 2, HD e HDX. Faça o download do aplicativo móvel Bookshelf da loja Kindle Fire App. Mac Bookshelf está disponível para Mac OS X 10.8 ou posterior. Baixe o software Bookshelf para sua área de trabalho para que você possa visualizar seus eBooks com ou sem acesso à Internet. Bookshelf permite que você tenha 2 computadores e 2 dispositivos móveis ativados em qualquer momento. Fiquei espantado com o modo VitalSource de apresentar os livros. Tudo parece perfeitamente formatado, mas ainda assim você pode folhear o livro da mesma forma que você viraria uma página muito longa em seu navegador. E o melhor de tudo, sempre que eu tenho meu tablet comigo, meus livros são apenas um deslize. Mdash Michael Mitchell Senior statistician na USC Childrens Data Network. Autor de quatro livros da Stata Press e ex-consultor de estatística da UCLA que vislumbrou e projetou o site UCLA Statistical Consulting Resources. Política de devolução para eBooks Os eBooks da Stata Press não são reembolsáveis e não reembolsáveis. Comentário do grupo técnico do Stata Introdução às séries temporais usando o Stata. Por Sean Becketti, fornece um guia prático para trabalhar com dados da série temporal usando o Stata e atrairá uma ampla gama de usuários. Os muitos exemplos, explicações concisas que se concentram na intuição e dicas úteis baseadas nas décadas de experiência autorrsquos usando métodos de séries temporais tornam o livro perspicaz não só para usuários acadêmicos, mas também para profissionais da indústria e do governo. O livro é apropriado para novos usuários do Stata e para usuários experientes que são novos na análise de séries temporais. O Capítulo 1 fornece uma introdução suave, porém acelerada, ao Stata, destacando todos os recursos que um usuário precisa saber para começar a usar o Stata para análise de séries temporais. O Capítulo 2 é uma atualização rápida na regressão e teste de hipóteses, e define conceitos-chave como o ruído branco, a autocorrelação e os operadores de atraso. O Capítulo 3 começa a discussão de séries temporais, usando técnicas de movimentação média e HoltndashWinters para alisar e prever os dados. Becketti também apresenta os conceitos de tendências, ciclicidade e sazonalidade e mostra como eles podem ser extraídos de uma série. O Capítulo 4 centra-se na utilização destes métodos para a previsão e ilustra como os pressupostos relativos às tendências e ciclos subjacentes às várias técnicas de média móvel e HoltndashWinters afetam as previsões produzidas. Embora essas técnicas às vezes sejam negligenciadas em outros livros das séries temporais, elas são fáceis de implementar, podem ser aplicadas em muitas séries rapidamente, muitas vezes produzem previsões tão boas quanto técnicas mais complicadas e, como Becketti enfatiza, têm a vantagem de ser facilmente Explicou aos colegas e decisores políticos sem origens nas estatísticas. Os capítulos 5 a 8 englobam modelos de séries temporais de equação única. O capítulo 5 centra-se na análise de regressão na presença de distúrbios auto-correlacionados e detalha várias abordagens que podem ser usadas quando todos os regressores são estritamente exógenos, mas os erros são autocorrelacionados, quando o conjunto de regressores inclui uma variável dependente atrasada e erros independentes e quando o O conjunto de regressores inclui uma variável dependente atrasada e erros auto-correlacionados. O Capítulo 6 descreve o modelo ARIMA e a metodologia BoxndashJenkins, e o capítulo 7 aplica essas técnicas para desenvolver um modelo ARIMA do PIB dos EUA. O capítulo 7, em particular, irá atrair os praticantes, porque ele vai passo a passo através de um exemplo do mundo real: aqui está a minha série, agora como eu encaixo um modelo ARIMA para ele. O Capítulo 8 é um resumo autônomo do modelo ARCHGARCH. Na parte final do livro, Becketti discute modelos de equações múltiplas, particularmente VARs e VECs. O Capítulo 9 concentra-se nos modelos de VAR e ilustra todos os conceitos-chave, incluindo a especificação do modelo, a causalidade de Granger, as análises de resposta ao impulso e a previsão, utilizando um modelo simples dos modelos VAR estruturais da economia dos EUA são ilustrados pela imposição de uma regra de Taylor sobre as taxas de juros. O capítulo 10 apresenta análise de séries temporais não estacionárias. Depois de descrever os testes de não-estações e de raiz unitária, o Becketti navega magistralmente pelo leitor através da tarefa muitas vezes confusa de especificar um modelo de VEC, usando um exemplo baseado em salários de construção em Washington, DC e estados vizinhos. O capítulo 11 conclui. Sean Becketti é um veterano da indústria financeira com três décadas de experiência em academias, governo e indústria privada. Ele era um desenvolvedor da Stata em sua infância, e ele era editor do Boletim Técnico da Stata. O precursor do Stata Journal. Entre 1993 e 1996. Ele tem sido um usuário Stata regular desde a sua criação, e ele escreveu muitos dos primeiros comandos da série temporal em Stata. Introdução às séries temporais usando o Stata. Por Sean Becketti, é um guia baseado em exemplos de primeira linha para análises e previsões de séries temporais usando o Stata. Pode servir como uma referência para praticantes e um livro de texto suplementar para estudantes em cursos de estatística aplicada. Índice da tabela de conteúdo gtgt Lista de figuras 1 Apenas o suficiente Stata 1.1 Começando 1.1.1 Ação primeiro, explicação mais tarde 1.1.2 Agora, alguma explicação 1.1.3 Navegando na interface 1.1.4 A gestalt de Stata 1.1.5 As peças Do discurso de Stata 1.2 Tudo sobre os dados 1.3 Olhando para os dados 1.4 Estatísticas 1.4.1 Noções básicas 1.4.2 Estimação 1.5 Probabilidades e finais 1.6 Criação de uma data 1.6.1 Como se parecer bem 1.6.2 Transformadores 1.7 Datas de digitação e variáveis de data 1.8 Looking ahead 2 Apenas estatísticas suficientes 2.1 Variáveis aleatórias e seus momentos 2.2 Testes de hipóteses 2.3 Regressão linear 2.3.1 Quadrados mínimos comuns 2.3.2 Variáveis instrumentais 2.3.3 FGLS 2.4 Modelos de equações múltiplas 2.5 Série de tempos 2.5.1 Ruído branco, autocorrelação e estacionança 2.5. 2 modelos ARMA 3 Filtragem de dados da série temporal 3.1 Preparação para analisar uma série temporal 3.1.1 Perguntas para todos os tipos de dados Como são definidas as variáveis Qual é a relação entre os dados e o fenômeno de interesse Quem compilou os dados O que? Os processos geraram os dados 3.1.2 Perguntas especificamente para dados de séries temporais Qual é a frequência de medição Os dados são desestacionalizados Os dados são revisados 3.2 Os quatro componentes de uma série temporal Ciclo Tendência Sazonal 3.3 Alguns filtros simples 3.3.1 Suavizando uma tendência 3.3.2 Suavização de um ciclo 3.3.3 Suavização de um padrão sazonal 3.3.4 Suavização de dados reais 3.4 Filtros adicionais 3.4.1 ma: médias móveis ponderadas 3.4.2 EWMAs exponenciais: EWMAs dexponentes: médias móveis de duas exponências 3.4.3 HoltndashWinters smoothers hwinounds : HoltndashWinters smoothers sem um componente sazonal: HoltndashWinters smoothers incluindo um componente sazonal 3.5 Pontos a lembrar 4 Uma primeira passagem na previsão 4.1 Fundamentos da previsão 4.1.1 Tipos de previsões 4.1.2 Medir a qualidade de uma previsão 4.1.3 Elementos de uma previsão 4.2 Filtros que prevêem 4.2.1 Previsões baseadas em EWMAs 4.2.2 Previsão de uma série de tendências com um componente sazonal 4.3 Pontos a lembrar 4.4 Olhando À frente 5 Distúrbios auto-correlacionados 5.1.1 Exemplo: Taxas de hipoteca 5.2 Modelos de regressão com distúrbios auto-correlacionados 5.2.1 Autocorrelação de primeira ordem 5.2.2 Exemplo: Taxas de hipoteca (cont.) 5.3 Teste de autocorrelação 5.3.1 Outros testes 5.4 Estimativa de primeira ordem Dados autocorrelacionados 5.4.1 Modelo 1: Regressores estritamente exógenos e distúrbios autocorrelacionados A estratégia OLS A estratégia de transformação A estratégia FGLS Comparação de estimativas do modelo 5.4.2 Modelo 2: variável dependente remanescente e iid Erros 5.4.3 Modelo 3: variável dependente remanescente com AR (1) erros A estratégia de transformação A estratégia IV 5.5 Estimando a equação da taxa de hipoteca 5.6 Pontos a lembrar 6 Modelos de séries temporais univariáveis 6.1 O processo linear geral 6.2 Polinomios de atraso: Notação ou Prestidigitação 6.3 O modelo ARMA 6.4 Stationarity e invertibilidade 6.5 O que os modelos ARMA podem fazer 6.6 Pontos a lembrar 6.7 Avançar 7 Modelar uma série temporal do tempo real 7.1 Preparar-se para modelar uma série temporal 7.2 A abordagem BoxndashJenkins 7.3 Especificar um modelo ARMA 7.3.1 Etapa 1: Induzir estacionança (ARMA torna-se ARIMA) 7.3.2 Etapa 2: Mente seus prsquos e qrsquos 7.4 Estimativa 7.5 Procurando por problemas: Verificação diagnóstica do modelo 7.5.1 Sobreposição 7.5.2 Testes dos resíduos 7.6 Previsão com modelos ARIMA 7.7 Comparando as previsões 7.8 Pontos a lembrar 7.9 O que aprendemos até o momento 7.10 Olhando para o futuro 8 Volatilidade variável no tempo 8.1 Exemplos de volatilidade variável no tempo 8.2 ARCH: Um modelo de vola variável no tempo Tility 8.3 Extensões para o modelo ARCH 8.3.1 GARCH: Limitando a ordem do modelo 8.3.2 Outras extensões Respostas assimétricas a ldquonewsrdquo Variações na volatilidade afetam a média da série observável Erros não relacionados Odds e fins 8.4 Pontos a lembrar 9 Modelos de múltiplo Séries temporais 9.1 Autoregressões vetoriais 9.1.1 Três tipos de VARs 9.2 Um VAR da macroeconomia dos EUA 9.2.1 Usando o Stata para estimar um VAR de forma reduzida 9.2.2 Testando um VAR para a estacionaridade Avaliação de uma previsão VAR 9.3 Whorsquos no primeiro 9.3.1 Correlação cruzada 9.3.2 Resumindo relações temporais em uma causalidade de VAR Granger Como se impõe ordem FEVDs Usando o Stata para calcular IRFs e FEVDs 9.4.1 Exemplos de um SVAR de curto prazo 9.4.2 Exemplos de um SVAR de longo prazo 9.5 Pontos a lembrar 9.6 Olhando para a frente 10 Modelos de séries temporais não estacionárias 10.1 Tendências e raízes das unidades 10.2 Testes para raízes das unidades 10.3 Cointegração: Procurando uma relação de longo prazo 10.4 Relações cointegrantes e VECMs 10.4.1 Determi Componentes nicos no VECM 10.5 Da intuição ao VECM: um exemplo Etapa 1: Confirmar a raiz da unidade Passo 2: Identificar o número de atrasos Etapa 3: Identificar o número de relações de cointegração Etapa 4: Ajustar um VECM Etapa 5: Teste de estabilidade e Resíduos de ruído branco Etapa 6: Reveja as implicações do modelo para razoabilidade 10.6 Pontos a lembrar 10.7 Olhando para frente 11 Observações de encerramento 11.1 Fazendo sentido de tudo isso 11.2 O que perdeu 11.2.1 Tópicos avançados de séries temporais 11.2.2 Série de tempo adicional Stata Recursos Ferramentas e utilitários de gerenciamento de dados Modelos univariados Modelos multivariadosStata: Análise de dados e software estatístico Nicholas J. Cox, Universidade de Durham, Reino Unido Christopher Baum, Boston College egen, ma () e suas limitações Statarsquos comando mais óbvio para calcular médias móveis é o ma ( ) Função de egen. Dada uma expressão, ela cria uma média móvel daquela expressão. Por padrão, é tomado como 3. deve ser estranho. No entanto, como a entrada manual indica, egen, ma () não podem ser combinados com varlist:. E, por esse motivo, não é aplicável aos dados do painel. Em qualquer caso, fica fora do conjunto de comandos especificamente escritos para séries temporais veja séries temporais para detalhes. Abordagens alternativas Para calcular as médias móveis para os dados do painel, existem pelo menos duas opções. Ambos dependem do conjunto de dados ter sido o tsset de antemão. Isto vale muito a pena fazer: não só você pode economizar várias vezes especificando a variável do painel e a variável de tempo, mas o Stata se comporta de forma inteligente com quaisquer lacunas nos dados. 1. Escreva sua própria definição usando gerar Usando operadores de séries temporais, como L. e F.. Dê a definição da média móvel como o argumento para uma declaração de geração. Se você fizer isso, você, naturalmente, não está limitado às médias móveis ponderadas (não ponderadas), calculadas por egen, ma (). Por exemplo, as médias móveis de três períodos, igualmente ponderadas, seriam dadas e alguns pesos podem ser facilmente especificados: você pode, é claro, especificar uma expressão como log (myvar) em vez de um nome de variável como myvar. Uma grande vantagem desta abordagem é que a Stata faz automaticamente o que é certo para os dados do painel: os valores avançados e atrasados são elaborados dentro dos painéis, assim como a lógica dita que deveria ser. A desvantagem mais notável é que a linha de comando pode ficar bastante longa se a média móvel envolver vários termos. Outro exemplo é uma média móvel unilateral baseada apenas em valores anteriores. Isso pode ser útil para gerar uma expectativa adaptativa sobre o que uma variável será baseada puramente em informações até à data: o que alguém poderia prever para o período atual com base nos quatro últimos valores, usando um esquema de ponderação fixa (um atraso de 4 períodos pode ser Especialmente comumente usado com timeseries trimestrais.) 2. Use egen, filter () de SSC Use o filtro de função egen () do usuário do pacote egenmore em SSC. No Stata 7 (atualizado após 14 de novembro de 2001), você pode instalar este pacote depois do qual ajuda, além disso, aponta para detalhes no filtro (). Os dois exemplos acima serão renderizados (Nesta comparação, a abordagem de geração é talvez mais transparente, mas veremos um exemplo do oposto em um momento.) Os atrasos são um número. Leva a desvios negativos: neste caso -11 se expande para -1 0 1 ou liderar 1, lag 0, lag 1. Os coeficientes, outro número, multiplicam os itens atrasados ou atrasados correspondentes: neste caso, esses itens são F1.myvar . Myvar e L1.myvar. O efeito da opção de normalização é escalar cada coeficiente pela soma dos coeficientes de modo que o coeficiente de coeficiente (1 1 1) seja equivalente aos coeficientes de 13 13 13 e a normalização de coef (1 2 1) seja equivalente aos coeficientes de 14 12 14 . Você deve especificar não apenas os atrasos, mas também os coeficientes. Como egen, ma () fornece o caso igualmente ponderado, a lógica principal para egen, filter () é suportar o caso pontualmente ponderado, para o qual você deve especificar coeficientes. Também pode-se dizer que obrigar os usuários a especificar coeficientes é uma pressão pequena sobre eles para pensar sobre os coeficientes que eles querem. A principal justificativa para os pesos iguais é, contudo, a simplicidade, mas pesos iguais têm propriedades de domínio de freqüência péssimas, para mencionar apenas uma consideração. O terceiro exemplo acima poderia ser qualquer um dos quais é tão complicado quanto a abordagem de geração. Há casos em que egen, filter () dá uma formulação mais simples do que gerar. Se você quer um filtro binomial de nove séculos, que os climatologistas acham útil, então parece talvez menos horrível do que, e mais fácil de conseguir, do mesmo modo, assim como com a abordagem de geração, egen, filter () funciona corretamente com os dados do painel. Na verdade, como afirmado acima, depende do conjunto de dados ter sido tsset de antemão. Uma dica gráfica Depois de calcular suas médias móveis, você provavelmente vai querer olhar para um gráfico. O comando do usuário com tsgraph é inteligente sobre conjuntos de dados tsset. Instale-o em um stata 7 atualizado por ssc inst tsgraph. E quanto a subconjunto com se nenhum dos exemplos acima faz uso de restrições if. Na verdade egen, ma () não permitirá se for especificado. Ocasionalmente, as pessoas querem usar se ao calcular médias móveis, mas seu uso é um pouco mais complicado do que normalmente. O que você esperaria de uma média móvel calculada com if. Vamos identificar duas possibilidades: interpretação fraca: não quero ver nenhum resultado para as observações excluídas. Interpretação forte: eu nem quero que você use os valores para as observações excluídas. Aqui está um exemplo concreto. Suponha que, como consequência de alguma condição, as observações 1-42 estão incluídas, mas não as observações 43. Mas a média móvel para 42 dependerá, entre outras coisas, do valor para a observação 43, se a média se estender para trás e para frente e for pelo menos de 3, e dependerá de algumas das observações 44 em algumas circunstâncias. Nosso palpite é que a maioria das pessoas iria para a interpretação fraca, mas se isso é correto, egen, filter () não é compatível se também. Você sempre pode ignorar o que você não quer ou mesmo definir valores indesejados a perder depois, usando a substituição. Uma nota sobre resultados faltantes nas extremidades da série Como as médias móveis são funções de atrasos e ligações, egen, ma () produz ausente onde os atrasos e as derivações não existem, no início e no final da série. Uma opção de nomiss força o cálculo de médias móveis mais curtas e não centradas para as caudas. Em contraste, nem gerar nem egen, filter () faz, ou permite, qualquer coisa especial para evitar resultados perdidos. Se algum dos valores necessários para o cálculo estiver faltando, esse resultado está faltando. Cabe aos usuários decidir se e qual cirurgia corretiva é necessária para essas observações, presumivelmente depois de olhar para o conjunto de dados e considerando qualquer ciência subjacente que possa ser trazida. Anúncio 04 de novembro de 2014, 19:36 Querido, estou trabalhando Com um conjunto de dados de painel desequilibrado onde o painel var é o número do fundo e o tempo var é o mês. Assim, estou trabalhando com séries temporais mensais, mas com lacunas. O que eu quero é calcular o índice Sharpe de 3 anos e também o jensens alfa de 3 anos para cada fundo. Então, se eu for no ano de 1992, gostaria de calcular o índice Sharpe desse ano usando as observações mensais dos anos 1992 1991 1990. Para isso, eu preciso da média e do excesso de retorno de cada fundo durante esse período. Além disso, eu gostaria de estimar o Jensens Alpha executando o modelo CAPM usando novamente as observações mensais dos anos 1992 1991 1990. Para isso, eu poderia usar o comando statsby e usar os coeficientes de uma regressão executada durante esse período. Eu tenho tentado muitos comandos como rollreg, movavg, ma etc e também alguns locais com foreachforvalues, mas não consigo empregá-los porque não tenho um painel balanceado e não quero eliminar fundos porque eu posso ter uma ou duas lacunas. Este é um exemplo do meu conjunto de dados o mês anterior mês mktrf smb hml umd ExcessR s ---------------------------------- ----------------------------------------- 2 1997 1. 2 1997 2 -. 0049 -0261 .0469 -.0204. 2 1997 3 -0503-0032 .0386 .0094 -.0181431 2 1997 4 .0404 -.0519 -.0102 .0489 .0117428 2 1997 5 .0674 .0483-0438 -.0519 .0372053 ---- -------------------------------------------------- --------------------- 2 1997 6 .041 .015 .0072 .0259 .0310222 2 1997 7 .0733 -.0252-0013 .0384 .0402394 2 1997 8-0415 .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 -.0575 .0524 .0187 -.091043 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 -0,0478-0096 .0134 -0,0132 -0,0656004 7 1994 4 .0068 -.0032034 -------------------------------------- .0068 -0.0091 .0169 .0041 -.0032034 -------------------------------------- ------------------------------------- 7 1994 5 .0058 -.0201 .0018 -.0216 -0093189 7 1994 6 -0303 -0048 .0168 -0083 -.0506594 7 1994 7 .0282 -.0178 .0098 .0019 .0199595 7 1994 8 .0401 .0145 -.0347 .0154 .0419298 7 1994 9 -0,0231 .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 Muito obrigado por suas postagens. Quanto ao índice Sharpe, esse é o código que escrevi e resolvo o meu problema. Gen MeanVWExcRetGr. Classifique crspfundno ryear month forval i1990 (1) 2013 local mi-2 por crspfundno. Egen Meanimean (VWExcRetGr) se ryearlti amp ryeargtm substituir MeanVWExcRetGrMeani se ryeari Não é perfeito, mas eu tenho meus meios em uma coluna agora então, a cada ano eu tenho o mesmo valor de rolamento significa nas minhas observações mensais (egen). Estou dizendo que não é perfeito porque dentro dos comandos eu não especifico que eu quero média dos valores somente no caso de eu ter 3 anos de observações. Assim, também calcula a média no caso em que eu tenho 2 anos de observações. A boa notícia é que eu posso me eliminar essas observações. Posso publicar o acima porque quero que você entenda o que preciso exatamente. Eu quero ter o alfa e o beta, cada um em uma coluna para que eu possa usá-los para regredá-los em outras variáveis. Portanto, no ano de 1995 para o fundo nº 100, que tem 11 observações mensais, por exemplo, eu quero a saída alfa da regressão de captações de capm4 de 3 anos (1995,1994,1993) para repetição nas 11 linhas - células da coluna alfa. O mesmo se aplica a beta. Eu apliquei o código Mata com algumas alterações egen g group (crspfundno) gen alpha. Mata mata clear stview (crspfundno. Quotcrspfundno quot) stview (ryear. Quotryearquot) stview (VWExcRetGr. QuotVWExcRetGrquot) stview (mktrf. Quotmktrfquot) stview (smb. Quotsmbquot) stview (hml. Quothmlquot) stview (umd. Quotumdquot) stview (g. Quotgquot) stview (alpha. Quotalphaquot) p panelsetup (crspfundno, 1) para (i1 iltrows (p) i) para (opi, 2 ogtpi, 1 o--) y J (1,1 ,.) XJ (1,5 ,.) B. Para (para tgtpi, 1 t--) se (vá, 1 gt, 1 ampère ryearo, 1 - ryeart, 1 lt 2) yy VWExcRetGrt, 1 XX (mktrft, 1, smbt, 1, hmlt, 1, umdt, 1 , 1) yy (2..rows (y)). XX (2..rows (X)) ,. Se (linhas (y) gt6) b invsym (cross (X, X)) cross (X, y) alphao, 1 b5,1 final, mas o resultado é este e não inclui beta também. Você pode me ajudar a financiar o mês anterior alfa 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 Eu não tenho certeza se Eu entendo você. No entanto, repetindo o conselho no tópico ao qual eu referi você anteriormente sobre não usar o código Mata enquanto o código Stata está disponível, aqui está um código adaptado desse segmento que fará a regressão do rolamento. Isso levará muito tempo se você tiver um grande conjunto de dados. Deixe-me saber se isso leva muito tempo. Eu aconselho você a verificar os resultados. 06 Nov 2014, 08:51 Para Abraham: código Mata muito rápido. Eu só precisava de 1 minuto em vez de 2 horas. Além disso, ele funciona melhor, pois retorna os valores faltantes se eu tiver apenas uma observação de um ano. Muito obrigado, muito. Uma pergunta final. Se eu precisar da regressão do capm, isso significa apenas VWExcRetGr e mktrf, mas não o smb hml umd, é assim que o código deve ser como Alpha Gen. Gen bMktrf. Mata mata clear stview (crspfundno. Quotcrspfundnoquot) stview (ryear. Quotryearquot) stview (VWExcRetGr. QuotVWExcRetGrquot) stview (mktrf. Quotmktrfquot) stview (Alpha. QuotAlphaquot) stview (bMktrf. QuotbMktrfquot) p panelsetup (crspfundno, 1) para (i1 iltrows (P) i) para (opi, 1 oltpi, 2 o) y VWExcRetGro, 1 X (mktrfo, 1, 1) b. Para (tpi, 1 tltpi, 2 t) se (para amp crspfundnoo, 1 crspfundnot, 1 amp (ryearo, 1 - ryeart, 1 lt 2) amp ryearo, 1 gt ryeart, 1) yy VWExcRetGrt, 1 XX (mktrft, 1 1) se (linhas (y) gt6) b invsym (cross (X, X)) cross (X, y) Alphao, 1 b2,1 bMktrfo, 1 b1,1 No seu código, você calcula a desvio padrão por país e Indústria (usando resumir), mas então você substitui esse valor em SDx de outros coutries (no loop interno). É isso que você quer fazer. Eu escrevi o código Mata assumindo que você deseja calcular o desvio padrão por país e indústria. Se você quiser calcular por país e indústria, você precisa adicionar: Aqui está o código Mata (ele calcula o desvio padrão também quando a janela é menor que 4 anos):
No comments:
Post a Comment