Questions tagged «cointegration»

我有一组时间序列数据。尽管每个时间序列中的实际日期可能并不都完全“排队”，但每个序列都涵盖相同的时期。 这就是说，如果将时间序列读入2D矩阵，它将看起来像这样： date T1 T2 T3 .... TN 1/1/01 100 59 42 N/A 2/1/01 120 29 N/A 42.5 3/1/01 110 N/A 12 36.82 4/1/01 N/A 59 40 61.82 5/1/01 05 99 42 23.68 ... 31/12/01 100 59 42 N/A etc 我想编写一个R脚本，将时间序列{T1，T2，... TN}分离为“家庭”，其中一个家庭被定义为一系列“趋于彼此同情”的系列。 对于“聚类”部分，我将需要选择/定义一种距离度量。我不确定如何处理此问题，因为我正在处理时间序列，并且一对可能在一个间隔内同情移动的序列可能不会在随后的间隔内这样做。 我敢肯定，这里有比我更多的有经验/聪明的人，因此，对于任何建议，关于用于距离度量的算法/启发式方法以及如何在时间序列聚类中使用该算法/方法的想法，我将不胜感激。 我的猜测是，尚无成熟的统计方法来执行此操作，因此，我将非常有兴趣了解人们如何处理/解决此问题-像统计学家一样思考。

38 r  time-series  clustering  cointegration 

我对向量错误校正模型（VECM）感到困惑。 技术背景： VECM提供了将向量自回归模型（VAR）应用于集成多元时间序列的可能性。在教科书中，他们列举了将VAR应用于集成时间序列时遇到的一些问题，其中最重要的是所谓的虚假回归（t统计量非常重要，R ^ 2很高，尽管变量之间没有关系）。 估计VECM的过程大致包括以下三个步骤，其中一个令人困惑的是我的第一个步骤： 集成多元时间序列的VAR模型的规范和估计 计算似然比检验以确定协整关系数 确定协整次数后，估算VECM 在第一步中，用适当的滞后数（使用通常的拟合优度）来估计VAR模型，然后检查残差是否与模型假设相对应，即没有序列相关性和异方差，并且残差呈正态分布。因此，可以检查VAR模型是否恰当地描述了多元时间序列，只有在这样做的情况下，才可以继续进行下一步。 现在我的问题是：如果VAR模型能够很好地描述数据，为什么我完全需要VECM？如果我的目标是生成预测，那么估计VAR和检查假设还不够，如果这些假设已实现，则仅使用此模型即可吗？

30 time-series  forecasting  var  cointegration  vecm 

我不清楚如何计算不规则时间序列的协积分（理想情况下是使用带有VECM 的Johansen检验）。我最初的想法是对序列进行正则化并对缺失值进行插值，尽管这可能会使估计值产生偏差。 有没有关于这个主题的文献？

15 time-series  cointegration  unevenly-spaced-time-series 

我正在尝试测试两个时间序列之间的协整关系。这两个系列的每周数据跨度约为3年。 我正在尝试做Engle-Granger两步法。我的操作顺序如下。 通过增强Dickey-Fuller测试每个时间序列的单位根。 假设两者都有单位根，则通过OLS找到关系的线性近似。然后创建一系列残差。 通过增强Dickey-Fuller测试单位根的残差。 根据3的结果得出（或不）协整。 问题： 这种方法看起来还好吗？（我是一名本科生，我希望以一种合法的方式来分析我的数据，而不必以最严格的已知方法来对其进行分析。） 如果在第1步中一个序列不能用ADF拒绝零假设（因此没有单位根），是否可以合理地得出结论，因为一个数据集是非平稳的，所以两个序列未进行协整？我不这么认为，但我想确定。 两个数据集看起来都是“随机的”，所以我想知道使用OLS来测量关系以获得残差是否合适。

13 time-series  cointegration  unit-root  augmented-dickey-fuller 

在对2个时间序列（简单情况）进行约翰逊协整测试时，您需要确定要使用的滞后时间。对不同的滞后进行测试会返回不同的结果：对于某些滞后水平，原假设可以被拒绝，而对于其他滞后则不能。 我的问题是，基于输入数据的正确方法是什么，以确定在执行约翰逊测试时需要使用哪些滞后？ ps我将这个问题提交给了quant.stackexchange，但有人认为它更适合该小组。

13 time-series  cointegration 

我经常听到“虚假回归”（在时间序列中）和诸如单位根测试之类的相关术语，但从未理解。 为什么/何时会发生？（我相信这是两个时间序列进行协整的时候，即两者的某种线性组合是固定的，但是我不明白为什么协整会导致虚假。）如何避免这种情况？ 我正在寻找对协整/单位根检验/ Granger因果关系与虚假回归有什么关系的高级理解（我记得其中三个是与虚假回归相关联的术语，但我不记得到底是什么），因此，无论是自定义响应还是指向我可以了解更多信息的引用的链接，都很棒。

10 time-series  regression  cointegration 

我试图更好地理解Johansen方法，因此我开发了一个示例3.1，该示例由《基于可能性的推理-协整-自回归计量经济学》一书给出， 其中有三个过程： X1t=∑i=1tϵ1i+ϵ2tX1t=∑i=1tϵ1i+ϵ2tX_{1t} = \sum_{i=1}^t \epsilon_{1i} + \epsilon_{2t} X2t=α∑i=1tϵ1i+ϵ3tX2t=α∑i=1tϵ1i+ϵ3t X_{2t} = \alpha \sum_{i=1}^t \epsilon_{1i} + \epsilon_{3t} X3t=ϵ4tX3t=ϵ4t X_{3t} = \epsilon_{4t} 因此协整向量应该是[a，-1，0]和[0，0 1]，但是当我运行Johansen方法时，我无法获得它们。 我正在尝试的代码如下： import numpy as np import matplotlib.pyplot as plt import pandas as pd from statsmodels.tsa.stattools import adfuller from statsmodels.tsa.johansen import coint_johansen mu, sigma = 0, 1 # mean …

9 self-study  cointegration  vecm