Moving Average Regression Stata

Stats: Datenanalyse und statistische Software Nicholas J. Cox, Durham University, Großbritannien Christopher Baum, Boston College egen, ma () und seine Einschränkungen Statarsquos offensichtlichste Befehl für die Berechnung der gleitenden Durchschnitte ist die ma () - Funktion von egen. Bei einem Ausdruck wird ein gleitender Durchschnitt für diesen Ausdruck erstellt. Standardmäßig wird als 3. genommen, muss ungerade sein. Allerdings kann, wie der manuelle Eintrag angibt, egen, ma () nicht mit varlist kombiniert werden:. Und aus diesem Grund ist es nicht auf Paneldaten anwendbar. In jedem Fall steht er außerhalb des Satzes von Befehlen, die speziell für Zeitreihen geschrieben werden, siehe Zeitreihen für Details. Alternative Ansätze Zur Berechnung von Bewegungsdurchschnitten für Paneldaten gibt es mindestens zwei Möglichkeiten. Beide hängen davon ab, dass der Dataset zuvor tsset wurde. Das ist sehr viel wert: nicht nur können Sie sich immer wieder spezifizieren Panel variabel und Zeit variabel, aber Stata verhält sich intelligent jede Lücken in den Daten. 1. Schreiben Sie Ihre eigene Definition unter Verwendung von Zeitreihenoperatoren wie L. und F. Geben Sie die Definition des gleitenden Durchschnitts als Argument für eine generierte Anweisung an. Wenn Sie dies tun, sind Sie natürlich nicht auf die gleich gewichteten (ungewichteten) zentrierten Bewegungsdurchschnitte beschränkt, die von egen, ma () berechnet wurden. Zum Beispiel würden gleich gewichtete Dreiphasenbewegungsdurchschnitte gegeben und einige Gewichte können leicht angegeben werden: Sie können natürlich einen Ausdruck wie log (myvar) anstelle eines Variablennamens wie myvar angeben. Ein großer Vorteil dieses Ansatzes ist, dass Stata automatisch das Richtige für Paneldaten macht: führende und nacheilende Werte werden in Panels ausgearbeitet, genauso wie Logik diktiert. Der bemerkenswerteste Nachteil ist, dass die Befehlszeile ziemlich lang werden kann, wenn der gleitende Durchschnitt mehrere Begriffe beinhaltet. Ein anderes Beispiel ist ein einseitiger gleitender Durchschnitt, der nur auf vorherigen Werten basiert. Dies könnte nützlich sein für die Erzeugung einer adaptiven Erwartung dessen, was eine Variable nur auf Informationen basieren wird: was könnte jemand prognostizieren für den aktuellen Zeitraum auf der Grundlage der letzten vier Werte, mit einem festen Gewichtungsschema (A 4-Periode Verzögerung sein könnte Besonders gebräuchlich mit vierteljährlichen Zeitreihen.) 2. Verwenden Sie egen, filter () von SSC Verwenden Sie den benutzerdefinierten egen function filter () aus dem egenmore package auf SSC. In Stata 7 (aktualisiert nach dem 14. November 2001) können Sie dieses Paket installieren, nachdem egenmore auf die Details zu filter () hingewiesen hat. Die beiden obigen Beispiele würden gerendert (In diesem Vergleich ist der generierte Ansatz vielleicht transparenter, aber wir sehen ein Beispiel des Gegenteils in einem Moment.) Die Lags sind eine Numliste. Führt zu negativen Verzögerungen: In diesem Fall erweitert sich -1/1 auf -1 0 1 oder Blei 1, lag 0, lag 1. Die Koeffizienten, eine weitere Numliste, multiplizieren die entsprechenden nacheilenden oder führenden Elemente: In diesem Fall sind diese Elemente F1.myvar Myvar und L1.myvar. Der Effekt der Normalisierungsoption besteht darin, jeden Koeffizienten durch die Summe der Koeffizienten zu skalieren, so daß coef (1 1 1) normalisiert ist, zu Koeffizienten von 1/3 1/3 1/3 äquivalent ist und coef (1 2 1) normalisiert Auf Koeffizienten von 1/4 1/2 1/4. Sie müssen nicht nur die Verzögerungen, sondern auch die Koeffizienten angeben. Da egen, ma () den gleich gewichteten Fall liefert, ist der Hauptgrund für egen, filter (), den ungleich gewichteten Fall zu unterstützen, für den Sie Koeffizienten angeben müssen. Es könnte auch gesagt werden, dass verpflichtende Benutzer Koeffizienten angeben ist ein wenig mehr Druck auf sie zu denken, welche Koeffizienten sie wollen. Die wichtigste Rechtfertigung für gleiche Gewichte ist, wir schätzen, Einfachheit, aber gleiche Gewichte haben miese Frequenzbereich Eigenschaften, um nur eine Erwägung zu erwähnen. Das dritte Beispiel oben könnte entweder von denen ist nur so kompliziert wie die Generierung Ansatz. Es gibt Fälle, in denen egen, filter () eine einfachere Formulierung ergibt als erzeugen. Wenn Sie einen neun-term-Binomialfilter suchen, der von den Klimatologen als nützlich empfunden wird, dann sieht es vielleicht weniger schrecklich aus und ist leichter zurecht zu kommen. Genau wie beim generierten Ansatz funktioniert egen, filter () ordnungsgemäß mit Panel-Daten. Tatsächlich hängt es, wie oben erwähnt, davon ab, daß der Dataset vorher tsset wurde. Eine grafische Spitze Nach der Berechnung Ihrer gleitenden Durchschnitte werden Sie wahrscheinlich einen Graphen betrachten wollen. Der benutzerdefinierte Befehl tsgraph ist schlau um Tsset-Datasets. Installieren Sie es in einem up-to-date Stata 7 von ssc inst tsgraph. Was ist mit der Teilmenge mit if Keine der obigen Beispiele verwenden, wenn Einschränkungen. In der Tat egen, ma () wird nicht zulassen, wenn angegeben werden. Gelegentlich Menschen wollen verwenden, wenn bei der Berechnung der gleitenden Durchschnitte, aber seine Verwendung ist ein wenig komplizierter als es normalerweise ist. Was würden Sie von einem gleitenden Durchschnitt erwarten? Lassen Sie uns zwei Möglichkeiten identifizieren: Schwache Interpretation: Ich möchte keine Ergebnisse für die ausgeschlossenen Beobachtungen sehen. Starke Interpretation: Ich möchte nicht, dass Sie die Werte für die ausgeschlossenen Beobachtungen verwenden. Hier ist ein konkretes Beispiel. Angenommen, infolge einer Bedingung sind die Beobachtungen 1-42 eingeschlossen, aber nicht die Beobachtungen 43 an. Aber der gleitende Durchschnitt für 42 wird unter anderem von dem Wert für die Beobachtung 43 abhängen, wenn der Mittelwert sich nach hinten und vorne erstreckt und eine Länge von mindestens 3 hat, und er wird in einigen Fällen von einigen der Beobachtungen 44 abhängen. Unsere Vermutung ist, dass die meisten Menschen für die schwache Interpretation gehen würde, aber ob das korrekt ist, egen, filter () nicht unterstützt, wenn entweder. Sie können immer ignorieren, was Sie donrsquot wollen oder sogar unerwünschte Werte auf fehlende danach mit replace setzen. Eine Notiz über fehlende Ergebnisse an den Enden der Serie Da gleitende Mittelwerte Funktionen von Verzögerungen und Bleiwerten sind, erzeugt eMe () fehlende, wo die Verzögerungen und Bits nicht existieren, am Anfang und Ende der Reihe. Eine Option nomiss zwingt die Berechnung der kürzeren, nicht beanspruchten gleitenden Mittelwerte für die Schwänze. Im Gegensatz dazu weder erzeugen noch egen, filter () macht oder erlaubt, etwas Besonderes, um fehlende Ergebnisse zu vermeiden. Wenn einer der für die Berechnung benötigten Werte fehlt, fehlt dieses Ergebnis. Es ist bis zu den Benutzern zu entscheiden, ob und welche korrigierende Chirurgie für solche Beobachtungen erforderlich ist, vermutlich nach dem Betrachten des Datensatzes und unter Berücksichtigung aller zugrunde liegenden Wissenschaft, die gebracht werden können, zu ertragen. Smoothing: Lowess Wir arbeiten mit Daten aus der Kolumbien WFS Household Survey , Durchgeführt 1975-76. Ich tabellierte die Altersverteilung aller Haushaltsmitglieder und speicherte sie in einer ascci-Datei, die wir jetzt lesen und plotten: Wie Sie sehen können, sieht die Verteilung etwas weniger glatt aus als die Daten von den Philippinen, die wir früher studiert haben. Können Sie den Myers-Index für diese Verteilung berechnen Running-Mittel und Linien Der einfachste Weg, um ein Scatterplot zu glätten, besteht darin, einen gleitenden Durchschnitt zu verwenden. Auch als laufender Mittelwert bekannt. Der gebräuchlichste Ansatz besteht darin, ein Fenster von 2k 1 Beobachtungen, k links und k rechts von jeder Beobachtung zu verwenden. Der Wert von k ist ein Trade-off zwischen Glätte der Güte der Passform. Besondere Vorsicht ist bei den Extremen des Sortiments zu beachten. Stata kann Laufmittel über lowess mit den Optionen mean und noweight berechnen. Ein häufiges Problem mit Laufmitteln ist Bias. Eine Lösung besteht darin, Gewichte zu verwenden, die den nächsten Nachbarn mehr Gewicht verleihen und weniger weit entfernten. Eine beliebte Gewichtungsfunktion ist Tukeys tri-cube, definiert als w (d) (1-d 3) 3 für d lt 1 und 0 ansonsten, wobei d der Abstand zu dem Zielpunkt ist, der als Bruchteil der Bandbreite ausgedrückt wird. Stata kann diese Berechnung über lowess mit der Option mean tun, wenn Sie noweight weglassen. Eine noch bessere Lösung ist die Verwendung von laufenden Linien. Wir definieren wieder eine Nachbarschaft für jeden Punkt, typischerweise die k nächsten Nachbarn auf jeder Seite, passen eine Regressionslinie zu den Punkten in der Nachbarschaft und verwenden sie dann, um einen glatteren Wert für die Indexbeobachtung vorherzusagen. Das klingt wie eine Menge Arbeit, aber die Berechnungen können effizient mit Regression Updating Formeln durchgeführt werden. Stata kann eine laufende Linie über lowess berechnen, wenn Sie Mittel weglassen, aber noweight einschließen. Besser noch ist die Verwendung gewichteter Linien. Was den engsten Beobachtungen mehr Gewicht verleiht, was die Lowess glatter macht. Eine Variante folgt dieser Schätzung mit wenigen Iterationen, um eine robustere Linie zu erhalten. Dies ist eindeutig die beste Technik in der Familie. Statas lowess verwendet eine gewichtete laufende Linie, wenn Sie Mittelwert und noweight R ausführen, implementiert die lowess glatter durch die Funktionen lowess () und die neuere loess (), die eine Formelschnittstelle mit einem oder mehreren Prädiktoren und etwas anderen Vorgaben verwendet. Der Parametergrad steuert den Grad des lokalen Polynoms, der Standardwert ist 2 für quadratisch, Alternativen sind 1 für lineare und 0 für laufende Mittel. Beide Implementierungen können einen robusten Schätzer verwenden, wobei die Anzahl der Iterationen von einem Parameter iter oder Iterationen gesteuert wird. Geben Sie loess und lowess in der R-Konsole ein, um weitere Informationen zu erhalten. In ggplot () können Sie eine lowess glatter durch Aufrufen geomsmooth () Die Abbildung unten zeigt die kolumbianischen Daten und eine lowess glatter mit einer Spanne oder Bandbreite gleich 25 der Daten. Vielleicht möchten Sie versuchen, verschiedene badwidths zu sehen, wie die Ergebnisse variieren. Digit Preference Revisited Glättung der Altersverteilung bietet eine bessere Möglichkeit, Ziffernpräferenz als Myers-Blending zu bewerten. Lassen Sie uns die letzte Ziffer des Alters berechnen und sie über den gesamten Bereich der Daten unter Verwendung der beobachteten Frequenzen und einer niedrigeren Glättung tabellieren. Die rohen Frequenzen zeigen Beweise der Präferenz für Altersgruppen, die in 0 und 5 enden, was sehr häufig ist, und wahrscheinlich auch 2. Wir verwenden jetzt das glatte wie das Gewicht. Die geglätteten Frequenzen zeigen, dass wir weniger Menschen in höheren Ziffern erwarten, sogar in einer glatten Verteilung, mit mehr Endung in 0 als 9. Wir sind nun bereit, einen Index der Ziffernpräferenz, definiert als die Hälfte, zu berechnen Summe der absoluten Differenzen zwischen beobachteten und glatten Frequenzen: Wir sehen, dass wir 5,5 der Beobachtungen umschreiben müssten, um die Ziffernpräferenz zu beseitigen. Sie können dieses Ergebnis mit dem Myers-Index vergleichen. Kopie 2016 Germaacuten Rodriacuteguez, Princeton UniversityAnnouncement 04 Nov 2014, 19:36 Sehr geehrte, Ich arbeite mit einem unsymmetrischen Panel-Dataset, wo das Panel var die Fonds-Nummer ist und die Zeit var ist der Monat. So arbeite ich mit monatlichen Zeitreihen, aber mit Lücken. Was ich will, ist die Berechnung der 3-Jahres-Sharpe-Verhältnis und auch die 3-Jahres-Jensens Alpha für jeden Fonds. Wenn ich also im Jahre 1992 bin, möchte ich die Sharpe-Ratio für dieses Jahr mit den monatlichen Beobachtungen der Jahre 1992 1991 1990 berechnen. Dazu benötige ich den Mittelwert und die Sd der Überschussrenditen jedes Fonds während dieses Zeitraums. Darüber hinaus möchte ich das Jensens Alpha durch Ausführen des CAPM-Modells unter Verwendung der monatlichen Beobachtungen aus den Jahren 1992 1991 1990 schätzen. Dazu könnte ich den Befehl statsby verwenden und die Koeffizienten einer während dieser Periode laufenden Regression verwenden. Ich habe versucht viele Befehle wie rollreg, movavg, ma usw. und auch einige Einheimische mit foreach / forvalues ​​aber ich kann sie nicht verwenden, da ich nicht ein ausgewogenes Panel habe und ich nicht wollen, Mittel zu beseitigen, weil ich ein oder zwei Lücken haben könnte. Dies ist ein Beispiel meines Datensatzes im Laufe des Monats mktrf smb hml umd ExcessR s ---------------------------------- - 1 - 2 1997 2 -. 0049 - 0,261 .0469 - 0204. 2 1997 3 -0503 -0032 .0386 .0094 -.0181431 2 1997 4 .0404 -.0519 -.0102 .0489 .0117428 2 1997 5 .0674 .0483 -0.0438 -0.0519 .0372053 ---- -------------------------------------------------- --------------------- 2 1997 6 .041 .015 .0072 .0259 .0310222 2 1997 7 .0733 -.0252 -.0013 .0384 .0402394 2 1997 8-0.0415 .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 -0.0575 .0524 .0187 -0.91043 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 -.0478 -0096 .0134 -0132 -.0656004 7 1994 4,0000 -0091 .0169 .0041 -0032034 - -------------------------------------------------- ----------------------- 7 1994 5,0058 -.0201 .0018 -.0216 -.0093189 7 1994 6 -.0303 -.0048 .0168 -0083 -.0506594 7 1994 0, 0282 -0,178, 0098, 0019, 0199595 7 1994 8 .0401 0,0145 -.0347 .0154 .0419298 7 1994 9 -.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 Vielen Dank für Ihre Beiträge. Was die sharpe Verhältnis dieses ist der Code, den ich schrieb und mein Problem lösen. Gen MeanVWExcRetGr. Sortierung crspfundno ryear Monat forval i1990 (1) 2013 lokal mi-2 von crspfundno. egen Meanimean (VWExcRetGr), wenn ryearlti ryeargtm amp ersetzen MeanVWExcRetGrMeani wenn ryeari Es ist nicht perfekt, aber ich habe meine Mittel in einer Spalte jetzt so jedes Jahr habe ich den gleichen Wert von Roll in meinem monatlichen Beobachtungen bedeuten haben (egen). Ich sage, seine nicht perfekt, weil innerhalb der Befehle ich nicht spezifizieren, dass ich die Werte nur in dem Fall, dass ich habe 3 Jahre der Beobachtungen Durchschnitt. So berechnet es auch den Mittelwert in dem Fall, in dem ich 2 Jahre Beobachtungen habe. Die gute Nachricht ist, dass ich diese Beobachtungen beseitigen kann. Ich post die oben, weil ich möchte, dass Sie verstehen, was ich genau brauche. Ich möchte die alpha und beta, jeder in einer Spalte, so dass ich sie verwenden, um sie auf andere Variablen zurückgreifen können. Daher möchte ich im Jahr 1995 für den Fonds Nr. 100 mit 11 monatlichen Beobachtungen zum Beispiel die Alpha-Ausgabe der 3-jährigen Roll - (1995,1994,1993) capm / 4-Faktor-Capm-Regression wiederholen 11 Zeilen-Zellen der alpha-Spalte. Das gleiche gilt für Beta. Ich habe den Mata-Code mit einigen Änderungen egen g group (crspfundno) gen alpha angewendet. mata mata klar stview (crspfundno. quotcrspfundno quot) stview (RYEAR. quotryearquot) stview (VWExcRetGr. quotVWExcRetGrquot) stview (mktrf. quotmktrfquot) stview (smb. quotsmbquot) stview (HML. quothmlquot) stview (UMD. quotumdquot) stview (g. (1) für (i, 1, ..., x) (1) für (i, 1) ,.) B. (1, 1, 1, 1, 1, 2, 1, 1, 1, 1, 2, , 1) yy (2. & mgr; (y)) ,. XX (2..rows (X)) ,. Wenn (Zeilen (y) gt6) b invsym (Kreuz (X, X)) Kreuz (X, y) alphao, 1 b5,1 Ende aber das Ergebnis ist dieses und es doesnt enthalten Beta als gut. Können Sie mir bitte helfen fundno ryear month g alpha 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 2002 1 -.0037288 5487 478 0,0009866 5487 2002 2 478 0,0019246 5487 2002 3 478 0,0019994 5487 2002 4 478 0,002021 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 bin ich nicht sicher, ob Ich verstehe dich. Allerdings wiederholen Sie den Ratschlag in den Thread, auf die ich Sie schon früher über nicht mit Mata-Code, während Stata-Code zur Verfügung steht, hier ist ein angepasstes Code aus diesem Thread, die die rollende Regression zu tun. Es dauert Ihnen viel Zeit, wenn Sie einen großen Datensatz haben. Lassen Sie mich wissen, wenn es Ihnen eine Menge Zeit dauert. Ich rate Ihnen, die Ergebnisse zu überprüfen. 06 Nov 2014, 08:51 Abraham: Wirklich schneller Mata-Code. Ich brauchte nur 1 Minute statt 2 Stunden. Außerdem funktioniert es besser, da es fehlende Werte zurückgibt, wenn ich nur eine Jahre Beobachtung habe. Vielen Dank. Eine letzte Frage. Wenn ich die Capm Regression, das bedeutet, nur VWExcRetGr und mktrf, aber nicht die smb hml umd, ist dies, wie der Code wie Gen Alpha sein sollte. Gen bMktrf. mata mata klar stview (crspfundno. quotcrspfundnoquot) stview (RYEAR. quotryearquot) stview (VWExcRetGr. quotVWExcRetGrquot) stview (mktrf. quotmktrfquot) stview (Alpha. quotAlphaquot) stview (bMktrf. quotbMktrfquot) p panelsetup (crspfundno, 1) für (i1 iltrows (P) i) für (opi, 1 oltpi, 2o) y VWExcRetGro, 1 X (mktrfo, 1, 1) b. für (tpi, 1 tltpi, 2 t), wenn (zu amp crspfundnoo, 1 crspfundnot, 1 Ampere (ryearo, 1 - ryeart, 1 lt 2) amp ryearo, 1 gt ryeart, 1) yy VWExcRetGrt, 1 XX (mktrft, 1 1) Wenn (Zeilen (y) gt6) b invsym (Kreuz (X, X)) Kreuz (X, y) Alphao, 1 b2,1 bMktrfo, 1 b1,1 In Ihrem Code berechnen Sie Standardabweichung nach Land und Industrie (mit zusammenfassen), aber dann ersetzen Sie diesen Wert in SDx von anderen coutries (in der inneren Schleife). Ist das, was Sie tun möchten Ich schrieb den Mata-Code vorausgesetzt, dass Sie die Standardabweichung pro Land und Industrie berechnen möchten. Wenn Sie pro Land und Industrie berechnen wollen, müssen Sie hinzufügen: Hier ist der Mata-Code (er berechnet die Standardabweichung auch, wenn das Fenster weniger als 4 Jahre beträgt):