การย้าย ค่าเฉลี่ย เวลา Series Stata

ค่าเฉลี่ยหมายถึงค่าเฉลี่ยมักเป็นอันดับแรกและเป็นหนึ่งในสถิติสรุปที่มีประโยชน์มากที่สุดในการคำนวณเมื่อข้อมูลอยู่ในรูปแบบของชุดเวลาชุดค่าเฉลี่ยเป็นตัววัดที่มีประโยชน์ แต่ไม่ได้ สะท้อนถึงลักษณะแบบไดนามิกของข้อมูลค่าเฉลี่ยที่คำนวณจากช่วงสั้น ๆ ทั้งก่อนช่วงปัจจุบันหรือกึ่งกลางในช่วงเวลาปัจจุบันมักมีประโยชน์มากกว่าเนื่องจากค่าเฉลี่ยดังกล่าวจะแปรผันหรือเคลื่อนย้ายเนื่องจากระยะเวลาปัจจุบันจะเปลี่ยนจากเวลา t 2, t 3 ฯลฯ พวกเขาเป็นที่รู้จักกันเป็นค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ย Mas เฉลี่ยเคลื่อนที่โดยปกติจะเป็นค่าเฉลี่ยที่ไม่ได้ถัวเฉลี่ยของ k ค่าก่อนค่าเฉลี่ยถ่วงน้ำหนักแบบชี้แจงเป็นหลักเช่นเดียวกับค่าเฉลี่ยเคลื่อนที่ที่เรียบง่าย แต่มีส่วนร่วมกับค่าเฉลี่ยถ่วงน้ำหนักโดยความใกล้ชิดกับ เวลาปัจจุบันเพราะไม่มีใคร แต่เป็นชุดค่าเฉลี่ยเคลื่อนที่ของชุดค่าใดชุดหนึ่งของ Mas สามารถถูกวางแผนด้วยกราฟวิเคราะห์เป็นชุดและใช้ในการสร้างแบบจำลองและ forec asting ช่วงของโมเดลสามารถสร้างโดยใช้ค่าเฉลี่ยเคลื่อนที่และเป็นที่รู้จักกันในรูปแบบ MA หากโมเดลดังกล่าวรวมกับโมเดล AR แบบอัตถิภาวนารูปแบบคอมโพสิตที่เป็นที่รู้จักกันในรูปแบบ ARMA หรือ ARIMA ผมใช้สำหรับการคำนวณแบบรวม อนุกรมเวลาสามารถถือได้ว่าเป็นชุดของค่า, t 1,2,3,4, n ค่าเฉลี่ยของค่าเหล่านี้สามารถคำนวณถ้าเราสมมติว่า n มีขนาดใหญ่มากและเราเลือก k จำนวนเต็มซึ่งมีขนาดเล็กมาก กว่า n เราสามารถคำนวณชุดของค่าเฉลี่ยของบล็อกหรือค่าเฉลี่ยเคลื่อนที่ที่เรียบง่ายของคำสั่ง k. Each หมายถึงค่าเฉลี่ยของค่าข้อมูลในช่วงเวลาของการสังเกต k หมายเหตุว่า MA แรกที่เป็นไปได้ของ k 0 คำสั่งคือสำหรับ tk โดยทั่วไป เราสามารถปล่อย subscript พิเศษในนิพจน์ด้านบนและเขียนได้กล่าวว่าค่าเฉลี่ยที่ประมาณเวลา t เป็นค่าเฉลี่ยที่เรียบง่ายของค่าที่สังเกตได้ ณ เวลา t และ k-step time ก่อนหน้านี้ถ้าใช้น้ำหนักที่ลดการมีส่วนร่วมของ ข้อสังเกตที่มีอยู่ ไกลออกไปในเวลาที่ค่าเฉลี่ยเคลื่อนที่จะกล่าวว่าเรียบเรียงเป็นนัย Moving averages มักจะใช้เป็นรูปแบบของการคาดการณ์โดยที่ค่าประมาณสำหรับชุดที่เวลา t 1, S t 1 จะได้รับเป็น MA สำหรับระยะเวลาถึง และรวมถึงค่าเวลาของวันนี้ประมาณการของวันนี้ขึ้นอยู่กับค่าเฉลี่ยของค่าที่บันทึกไว้ก่อนหน้านี้ไปจนถึงวันที่เมื่อวานนี้สำหรับข้อมูลรายวันค่าเฉลี่ยเคลื่อนที่ที่เคลื่อนที่ได้โดยง่ายสามารถมองเห็นได้ว่าเป็นรูปแบบหนึ่งของการทำให้เรียบตัวอย่างด้านล่างแสดงข้อมูลมลพิษทางอากาศที่แสดงใน บทนำสู่หัวข้อนี้ได้รับการเพิ่มขึ้นโดยเส้นค่าเฉลี่ยเคลื่อนที่ 7 วันที่แสดงไว้ที่นี่เป็นสีแดงเมื่อมองเห็นได้เส้นแมสซาชูเซตส์จะทำให้จุดสูงสุดและส่วนล่างของข้อมูลเป็นไปอย่างราบรื่นและเป็นประโยชน์ในการระบุแนวโน้ม สูตรคำนวณหมายความว่าจุดข้อมูล k -1 แรกไม่มีค่า MA แต่หลังจากนั้นการคำนวณจะขยายไปยังจุดข้อมูลสุดท้ายในชุดค่าเฉลี่ยของวันละ P10 Greenwich. source London Air Quality Network เหตุผลหนึ่งที่ทำให้คอมพิวเตอร์เคลื่อนที่ได้ง่าย verages ในลักษณะที่อธิบายไว้คือมันช่วยให้ค่าที่จะคำนวณสำหรับทุกช่วงเวลาจาก tk เวลาถึงปัจจุบันและเป็นวัดใหม่ได้สำหรับเวลา t 1, MA สำหรับเวลา t 1 สามารถเพิ่มชุดแล้ว คำนวณมีขั้นตอนง่ายๆสำหรับชุดข้อมูลแบบไดนามิกอย่างไรก็ตามมีบางประเด็นเกี่ยวกับแนวทางนี้มีเหตุผลที่จะอ้างว่าค่าเฉลี่ยในช่วง 3 ช่วงสุดท้ายควรจะอยู่ที่เวลา t -1 ไม่ใช่เวลา t และสำหรับ a แมสซาชูเซตส์มากกว่าจำนวนรอบระยะเวลาบางทีมันควรจะอยู่ที่จุดกึ่งกลางระหว่างสองช่วงเวลาวิธีการแก้ปัญหานี้คือการใช้การคำนวณ MA ศูนย์กลางซึ่งในเวลาที่ t คือค่าเฉลี่ยของชุดสมมาตรของค่ารอบ แม้จะมีประโยชน์อย่างเห็นได้ชัด แต่วิธีนี้ไม่ได้ถูกใช้โดยทั่วไปเพราะว่าต้องการข้อมูลที่มีอยู่สำหรับเหตุการณ์ในอนาคตซึ่งอาจจะไม่ใช่กรณีในกรณีที่การวิเคราะห์เป็นไปอย่างสิ้นเชิงกับชุดข้อมูลที่มีอยู่การใช้ Mas ไว้ตรงกลางอาจเป็นที่ต้องการได้ง่ายขึ้น ค่าเฉลี่ยเคลื่อนที่ได้ ถือเป็นรูปแบบหนึ่งของการทำให้ราบรื่นถอดคอมโพเนนต์ความถี่สูงบางส่วนของชุดข้อมูลเป็นเวลาและเน้น แต่ไม่สามารถลบแนวโน้มในลักษณะที่คล้ายคลึงกับแนวคิดทั่วไปของการกรองแบบดิจิทัลแท้จริงการเคลื่อนที่โดยเฉลี่ยเป็นรูปแบบของตัวกรองเชิงเส้นคุณสามารถใช้ การคำนวณค่าเฉลี่ยเคลื่อนที่เป็นชุดที่ได้รับการปรับให้เรียบขึ้นแล้วเช่นการปรับให้เรียบหรือกรองชุดที่เรียบขึ้นไปแล้วตัวอย่างเช่นค่าเฉลี่ยเคลื่อนที่ของคำสั่งที่ 2 เราสามารถคำนวณว่าคำนวณโดยใช้น้ำหนักดังนั้น MA ที่ x 2 0 5 x 1 0 5 x 2 ในทำนองเดียวกัน MA ที่ x 3 0 5 x 2 0 5 x 3 ถ้าเราใช้ระดับที่สองของการเรียบหรือกรองเรามี 0 5 x 2 0 5 x 3 0 5 0 5 x 1 0 5 x 2 0 5 0 5 x 2 0 5 x 3 0 25 x 1 0 5 x 2 0 25 x 3 เช่นขั้นตอนการกรอง 2 ขั้นตอนหรือการชักนำมีการผลิตค่าเฉลี่ยเคลื่อนที่แบบสมมาตรที่แปรผันตามน้ำหนักด้วย Weight น้ำหนักหลาย convolutions สามารถสร้างการถ่วงน้ำหนักที่ค่อนข้างซับซ้อน moving average ซึ่งบางแห่งได้รับการค้นพบว่ามีการใช้เฉพาะในสาขาพิเศษเช่นในชีวิต i การคำนวณค่าใช้จ่าย nsurance. Moving ค่าเฉลี่ยสามารถนำมาใช้เพื่อลบผลกระทบเป็นระยะถ้าคำนวณด้วยความยาวของ periodicity เป็นที่รู้จักกันตัวอย่างเช่นมีข้อมูลรายเดือนตามฤดูกาลรูปแบบมักจะสามารถลบออกได้ถ้าเป็นวัตถุประสงค์โดยใช้สมมาตรค่าเฉลี่ยเคลื่อนที่ 12 เดือนกับ ทุกเดือนมีการถ่วงน้ำหนักอย่างเท่าเทียมกันยกเว้นกรณีแรกและครั้งสุดท้ายที่มีการถ่วงน้ำหนักโดย 1 2 เนื่องจากมีเวลาปัจจุบันประมาณ 13 เดือนในรูปแบบสมมาตร t - 6 เดือนรวมเป็น 12 หมายถึงค่าเฉลี่ยเคลื่อนที่ถ่วงน้ำหนัก EWMA ถัวเฉลี่ยถ่วงน้ำหนักเคลื่อนที่เฉลี่ยสังเกตการณ์ถ่วงน้ำหนักเท่ากันหากเราเรียกว่าน้ำหนักเท่ากันเหล่านี้แต่ละน้ำหนัก k จะเท่ากับ 1 k ดังนั้นผลรวมของน้ำหนักจะเป็น 1 และ สูตรจะเป็นเราได้เห็นแล้วว่าการใช้งานหลายของกระบวนการนี้ส่งผลให้น้ำหนักที่แตกต่างกันกับการย้ายถัวเฉลี่ยถ่วงน้ำหนักชี้แจงผลงานให้ค่าเฉลี่ยจากการสังเกตว่า จะถูกลบออกมากขึ้นในเวลาจะพิจารณาลดลงจึงเน้นเหตุการณ์ในท้องถิ่นมากขึ้นโดยอัตโนมัติเป็นหลักพารามิเตอร์ราบเรียบ 0 1 ถูกนำมาใช้และสูตรการแก้ไขไปเป็นรุ่นสมมาตรของสูตรนี้จะมีรูปแบบถ้าน้ำหนักในสมมาตร รูปแบบจะถูกเลือกเป็นเงื่อนไขของข้อกำหนดของการขยายตัวแบบทวินาม, 1 2 1 2 2q พวกเขาจะรวมถึง 1 และเป็น q กลายเป็นขนาดใหญ่จะประมาณการกระจายปกตินี้เป็นรูปแบบของการเคอร์เนลถ่วงด้วย Binomial ทำหน้าที่เป็น ฟังก์ชั่นของเคอร์เนลการแกว่งสองขั้นที่อธิบายไว้ในหมวดย่อยก่อนหน้านี้คือการจัดเรียงนี้อย่างแม่นยำด้วย q 1 การให้น้ำหนัก. ในการเรียบแบบเลขยกกำลังนั้นจำเป็นต้องใช้ชุดของน้ำหนักที่รวมกันเป็น 1 และลดขนาดทางเรขาคณิตน้ำหนักที่ใช้คือ โดยปกติจะมีรูปแบบเพื่อแสดงให้เห็นว่าน้ำหนักเหล่านี้รวมกันเป็น 1 พิจารณาการขยายตัวของ 1 เป็นชุดเราสามารถ write. and ขยายนิพจน์ในวงเล็บโดยใช้สูตรทวินาม 1- xp ที่ x 1- และ p -1 ซึ่งจะให้ . จากนั้นจะให้รูปแบบของค่าเฉลี่ยถ่วงน้ำหนักของแบบฟอร์มซึ่งผลรวมนี้สามารถเขียนเป็นความสัมพันธ์ที่เกิดซ้ำซึ่งช่วยลดความยุ่งยากในการคำนวณได้อย่างมากและหลีกเลี่ยงปัญหาที่ระบบการถ่วงน้ำหนักควรจะไม่มีที่สิ้นสุดสำหรับน้ำหนักที่จะรวมกันเป็น 1 สำหรับค่าเล็ก ๆ บางกรณีใช้สัญกรณ์ที่ใช้โดยผู้เขียนที่แตกต่างกันไปใช้บางตัวอักษร S เพื่อบ่งชี้ว่าสูตรนั้นเป็นตัวแปรที่ราบเรียบและเขียนในขณะที่ทฤษฎีวรรณคดีควบคุมมักใช้ Z แทนที่จะเป็น S เพื่อชี้แจงถ่วงน้ำหนักหรือเรียบ ค่าที่เห็นตัวอย่างเช่น Lucas and Saccucci, 1990, LUC1 และเว็บไซต์ NIST สำหรับรายละเอียดเพิ่มเติมและตัวอย่างการทำงานสูตรที่อ้างถึงข้างต้นมาจากผลงานของ Roberts 1959, ROB1 แต่ 1986 Hunter HUN1 ใช้การแสดงออกของแบบฟอร์ม ซึ่งอาจเหมาะสมกว่าสำหรับการใช้งานในขั้นตอนการควบคุมบางอย่างด้วย 1 การประมาณค่าเฉลี่ยเป็นเพียงค่าที่วัดได้หรือมูลค่าของข้อมูลก่อนหน้าด้วย 0 5 ค่าประมาณคือค่า m การประมาณค่าเฉลี่ยของการวัดในปัจจุบันและก่อนหน้านี้ในรูปแบบการคาดการณ์ค่า S t มักใช้เป็นประมาณการหรือค่าพยากรณ์ในช่วงเวลาต่อไปนั่นคือค่าประมาณสำหรับ x เวลา t 1 ดังนั้นเราจึงมีข้อมูลดังกล่าวแสดงให้เห็นว่าการคาดการณ์ ค่าในเวลา t 1 คือค่าเฉลี่ยเคลื่อนที่ที่รวมอยู่ในค่าเฉลี่ยถ่วงน้ำหนักที่อธิบายด้วยเลขยกกำลังก่อนหน้าพร้อมกับส่วนประกอบที่แสดงถึงข้อผิดพลาดในการคาดการณ์ที่ถ่วงน้ำหนัก ณ เวลา t. สมมติว่าชุดข้อมูลเวลาจะได้รับและต้องมีการคาดการณ์ค่าสำหรับจะต้องซึ่งสามารถประมาณได้ จากข้อมูลที่มีอยู่โดยการประเมินผลรวมของข้อผิดพลาดในการทำนายกำลังสองได้ด้วยค่าที่แตกต่างกันสำหรับแต่ละที 2,3 ที่กำหนดค่าประมาณแรกเป็นค่าข้อมูลที่สังเกตได้ครั้งแรก x 1 ในการใช้งานการควบคุมค่าที่มีความสำคัญในการใช้งาน ในการกำหนดขีด จำกัด การควบคุมด้านบนและด้านล่างและมีผลต่อความยาวเฉลี่ยที่ ARL คาดว่าจะได้รับก่อนที่ขอบเขตการควบคุมเหล่านี้จะหักภายใต้สมมติฐานว่าชุดข้อมูลเวลาเป็นชุดแบบสุ่มแบบเดียวกัน ตัวแปรอิสระที่มีความแปรปรวนร่วมกันภายใต้สถานการณ์เช่นนี้ความแปรปรวนของสถิติการควบคุม Lucas และ Saccucci, 1990. ขีด จำกัด การควบคุมจะถูกตั้งค่าเป็นตัวแปรคงที่ของความแปรปรวนนี้ asymptotic เช่น - 3 ครั้งส่วนเบี่ยงเบนมาตรฐานถ้า 0 25, และข้อมูลที่ได้รับการตรวจสอบจะถือว่ามีการแจกแจงแบบปกติ N 0,1 เมื่ออยู่ในกลุ่มควบคุมขอบเขตการควบคุมจะเป็น 1 134 และกระบวนการนี้จะมีค่าหนึ่งหรือขีด จำกัด อื่น ๆ ใน 500 ขั้นโดยเฉลี่ย Lucas and Saccucci 1990 LUC1 ค่า ARL สำหรับช่วงกว้างของค่าและภายใต้สมมติฐานต่าง ๆ โดยใช้กระบวนการ Markov Chain จะจัดทำเป็นตารางผลลัพธ์รวมถึงการให้ ARLs เมื่อค่าเฉลี่ยของกระบวนการควบคุมได้รับการเปลี่ยนแปลงโดยหลายค่าเบี่ยงเบนมาตรฐานตัวอย่างเช่นเมื่อมีการเปลี่ยนแปลง 0 5 ด้วย 0 25 ARL มีระยะเวลาน้อยกว่า 50 ขั้นตอนวิธีการที่อธิบายไว้ข้างต้นเป็นที่รู้จักกันว่าการเรียบแบบเลขยกกำลังเดียวเป็นขั้นตอนที่ใช้ครั้งเดียวกับชุดข้อมูลเวลาแล้ววิเคราะห์หรือควบคุม pr ocesses ดำเนินการกับชุดข้อมูลที่ได้จากข้อมูลที่ราบรื่นหากชุดข้อมูลมีส่วนประกอบของเทรนด์และหรือตามฤดูกาลให้ใช้วิธีการลบแบบทวีคูณแบบสองขั้นตอนหรือสามขั้นตอนเพื่อใช้เป็นแนวทางในการลบแบบจำลองเหล่านี้อย่างชัดเจนให้ดูที่ส่วนการพยากรณ์ด้านล่างและ ตัวอย่างการทำงานของ NIST CHA1 Chatfield C 1975 การวิเคราะห์ทฤษฎีและการปฏิบัติของซีรีส์ครั้งแชปแมนและฮอลล์กรุงลอนดอน HUN1 Hunter J S 1986 ค่าเฉลี่ยเคลื่อนที่แบบถ่วงน้ำหนัก J ของ Quality Technology, 18, 203-210 LUC1 Lucas J M, Saccucci M S 1990 การควบคุมค่าเฉลี่ยแบบถ่วงน้ำหนักแบบถ่วงน้ำหนักแบบสมมาตรแบบแผนคุณสมบัติและการปรับปรุงด้านเทคนิค, 32 1, 1-12 ROB1 Roberts SW 1959 การควบคุมแผนภูมิการทดสอบขึ้นอยู่กับค่าเฉลี่ยการเคลื่อนที่ทางเรขาคณิต, 1, 239-250. การวิเคราะห์ข้อมูลและสถิติซอฟต์แวร์สถิติ Nicholas J Cox, Durham University, ประเทศอังกฤษ Christopher Baum, Boston College. egen, ma และข้อ จำกัด ของข้อมูล Stata s คำสั่งที่ชัดเจนที่สุดสำหรับการคำนวณค่าเฉลี่ยเคลื่อนที่คือฟังก์ชัน ma ของ egen กำหนดนิพจน์จะสร้างค่าเฉลี่ยการเคลื่อนที่ของค่าเฉลี่ยของนิพจน์ดังกล่าวโดยค่าเริ่มต้นจะถูกนำมาเป็น 3 จะต้องเป็นเลขคี่อย่างไรก็ตามตามที่ระบุด้วยตัวอักษร egen ma อาจ ไม่รวมกับโดย varlist และด้วยเหตุผลเพียงอย่างเดียวไม่สามารถใช้ได้กับข้อมูลแผงในกรณีใด ๆ มันยืนอยู่นอกชุดของคำสั่งที่เขียนโดยเฉพาะสำหรับชุดเวลาดูชุดเวลาสำหรับรายละเอียดแนวทางการเลือกเมื่อต้องการคำนวณค่าเฉลี่ยเคลื่อนที่สำหรับ ข้อมูลแผงมีอย่างน้อยสองตัวเลือกทั้งสองขึ้นอยู่กับชุดข้อมูลที่ได้รับการตั้งค่าก่อนหน้านี้มากมูลค่าการทำไม่เพียง แต่คุณสามารถบันทึกตัวเองซ้ำ ๆ ระบุตัวแปรแผงและตัวแปรเวลา แต่ Stata เป็น ได้รับอย่างชาญฉลาดให้ช่องว่างใด ๆ ในข้อมูล 1 เขียนคำนิยามของคุณเองโดยใช้ generate. Using ตัวดำเนินการแบบอนุกรมเช่น L และ F ให้คำจำกัดความของค่าเฉลี่ยเคลื่อนที่เป็นอาร์กิวเมนต์ที่สร้างคำสั่งถ้าคุณทำเช่นนี้คุณจะเป็นธรรมชาติ โดยไม่ จำกัด เพียงค่าเฉลี่ยเคลื่อนที่โดยเฉลี่ยที่ไม่มีการชั่งน้ำหนักที่คำนวณโดยตัวอย่างเช่นตัวอย่างเช่นค่าเฉลี่ยเคลื่อนที่สามช่วงที่ถ่วงน้ำหนักอย่างเท่าเทียมกันจะได้รับโดยน้ำหนักและสามารถระบุน้ำหนักได้โดยง่ายคุณสามารถระบุการแสดงออกได้ เช่น log myvar แทนชื่อตัวแปรเช่น myvar. One ประโยชน์ใหญ่ของวิธีนี้คือ Stata จะไม่สิ่งที่ถูกต้องสำหรับข้อมูลแผงนำและค่าปกคลุมด้วยวัตถุฉนวนจะทำงานออกภายในแผงเช่นเดียวกับตรรกะสั่งพวกเขาควรจะเป็นสิ่งที่น่าสังเกตมากที่สุด ข้อเสียคือว่าบรรทัดคำสั่งจะค่อนข้างยาวถ้าค่าเฉลี่ยเคลื่อนที่เกี่ยวข้องกับเงื่อนไขต่างๆเช่นอีกตัวอย่างหนึ่งคือค่าเฉลี่ยเคลื่อนที่ด้านเดียวที่ใช้เฉพาะกับค่าก่อนหน้าซึ่งอาจเป็นประโยชน์ในการสร้างอดีตที่ปรับตัวได้ pectation ของสิ่งที่ตัวแปรจะขึ้นอยู่อย่างหมดจดเกี่ยวกับข้อมูลถึงวันที่สิ่งที่คนสามารถคาดการณ์สำหรับงวดปัจจุบันตามค่าที่ผ่านมาสี่โดยใช้โครงการถ่วงน้ำหนักคงที่ความล่าช้าในระยะเวลา 4 อาจจะใช้โดยเฉพาะอย่างยิ่งกับ timeseries ไตรมาสใช้งาน 2 egen กรองจาก SSC ใช้ตัวกรอง egen ของผู้ใช้ที่เขียนจากแพคเกจ egenmore บน SSC ใน Stata 7 อัพเดตหลังจาก 14 พฤศจิกายน 2001 คุณสามารถติดตั้งแพคเกจนี้ได้โดยหลังจากที่ช่วยให้ egenmore ชี้ไปที่รายละเอียดเกี่ยวกับตัวกรองตัวอย่างสองข้างต้นจะเป็น การแสดงผล ในการเปรียบเทียบนี้วิธีการสร้างอาจจะโปร่งใสมากขึ้น แต่เราจะเห็นตัวอย่างของสิ่งที่ตรงกันข้ามในขณะที่ความล่าช้าเป็นจำนวนที่นำไปสู่การลดจำนวนที่เป็นลบในกรณีนี้ -1 -1 จะขยายเป็น -1 0 1 หรือนำ 1, ล้าหลัง 0 , lag 1 Coef ficients, numlists อื่นคูณ lagging ที่สอดคล้องกันหรือรายการชั้นนำในกรณีนี้รายการเหล่านี้เป็น myvar และผลของตัวเลือกปกติคือการปรับค่าสัมประสิทธิ์แต่ละตัวด้วยผลคูณของค่าสัมประสิทธิ์เพื่อให้ coef 1 1 1 normalize คือ ค่าสัมประสิทธิ์ของ 1 3 1 3 1 3 และ coef 1 2 1 normalize เท่ากับค่าสัมประสิทธิ์ของ 1 4 1 2 1 4 คุณต้องระบุไม่เพียง แต่ความล่าช้า แต่ยังเป็นค่าสัมประสิทธิ์เนื่องจาก egen, ma ให้กรณีถ่วงน้ำหนักอย่างเท่าเทียมกัน เหตุผลหลักสำหรับตัวกรอง egen คือการสนับสนุนกรณีถ่วงน้ำหนักที่ไม่เท่ากันซึ่งคุณต้องระบุค่าสัมประสิทธิ์นอกจากนี้ยังอาจกล่าวได้ว่าการบังคับให้ผู้ใช้ระบุค่าสัมประสิทธิ์เป็นแรงกดดันเล็กน้อยต่อพวกเขาในการคิดถึงค่าสัมประสิทธิ์ที่ต้องการ สำหรับน้ำหนักที่เท่ากันคือเราคาดเดาความเรียบง่าย แต่น้ำหนักที่เท่ากันมีคุณสมบัติโดเมนความถี่หมัดกล่าวคือการพิจารณาเพียงตัวเดียวตัวอย่างที่สามข้างต้นอาจเป็นได้ทั้งสองแบบซึ่งมีความซับซ้อนเพียงเล็กน้อยในขณะที่วิธีการสร้างมีกรณีที่ egen , ตัวกรองให้สูตรที่ง่ายกว่าการสร้างถ้าคุณต้องการตัวกรองแบบทวินามระยะ 9 ตัวซึ่งนักภูมิอากาศวิทยาหาประโยชน์แล้วบางทีอาจดูน่ากลัวน้อยกว่าและง่ายกว่าที่จะทำได้ดีกว่าเช่นเดียวกับวิธีการสร้าง egen ตัวกรองทำงานได้อย่างถูกต้อง กับข้อมูลแผงในความเป็นจริงตามที่ระบุไว้ข้างต้นจะขึ้นอยู่กับชุดข้อมูลที่ได้รับก่อน tsset ปลายกราฟิกหลังจากคำนวณค่าเฉลี่ยเคลื่อนที่ของคุณคุณอาจจะต้องการดูกราฟคำสั่งที่ผู้ใช้เขียน tsgraph เป็นสมาร์ทเกี่ยวกับชุดข้อมูล tsset ติดตั้งใน Stata 7 ที่ทันสมัยโดย ssc inst tsgraph เกี่ยวกับ subsetting กับถ้าไม่มีตัวอย่างข้างต้นใช้ประโยชน์จากข้อ จำกัด หากใน egen, ma จะไม่อนุญาตหากมีการระบุบางครั้งคน wa nt ที่จะใช้ถ้าเมื่อคำนวณค่าเฉลี่ยเคลื่อนที่ แต่การใช้งานของมันซับซ้อนกว่าเล็กน้อยโดยปกติแล้วสิ่งที่คุณคาดหวังจากค่าเฉลี่ยเคลื่อนที่ที่คำนวณได้ถ้าหากให้เราระบุสองความเป็นไปได้การตีความแนวนอนผมไม่อยากเห็นผลใด ๆ ข้อสังเกตที่ยกเว้นการตีความของทรานแซกชันฉันไม่ต้องการให้คุณใช้ค่าสำหรับการสังเกตที่ไม่ได้ต่อไปนี้เป็นตัวอย่างที่เป็นรูปธรรมสมมติว่าเป็นผลมาจากเงื่อนไขบางอย่างถ้าข้อสังเกต 1-42 รวมอยู่ด้วย แต่ไม่ใช่ข้อสังเกต 43 แต่ค่าเฉลี่ยเคลื่อนที่ สำหรับ 42 จะขึ้นอยู่กับสิ่งอื่นใดเกี่ยวกับค่าสำหรับการสังเกต 43 ถ้าค่าเฉลี่ยถอยหลังไปข้างหน้าและมีความยาวอย่างน้อย 3 และมันก็จะขึ้นอยู่กับบางส่วนของข้อสังเกตดังกล่าว 44 เป็นต้นไปในบางสถานการณ์การคาดเดาของเราคือว่า คนส่วนใหญ่จะไปตีความอ่อนแอ แต่ไม่ว่าจะถูกต้อง egen ตัวกรองไม่สนับสนุนถ้าอย่างใดอย่างหนึ่งคุณสามารถละเลยสิ่งที่คุณ don t ต้องการหรือแม้กระทั่งการตั้งค่าที่ไม่พึงประสงค์เพื่อหายไปภายหลังข y ใช้ replace. A ทราบเกี่ยวกับผลลัพธ์ที่หายไปที่ส่วนท้ายของชุดเนื่องจากค่าเฉลี่ยเคลื่อนที่เป็นหน้าที่ของความล่าช้าและโอกาสในการขาย egen, ma ผลิตขาดหายไปที่ความล่าช้าและโอกาสในการขายไม่มีอยู่ที่จุดเริ่มต้นและจุดสิ้นสุดของชุดตัวเลือก nomiss บังคับให้คำนวณค่าเฉลี่ยเคลื่อนที่ที่สั้นลงสำหรับหางในทางตรงกันข้ามไม่สร้างหรือ egen กรองไม่หรือช่วยอะไรพิเศษเพื่อหลีกเลี่ยงผลลัพธ์ที่หายไปหากค่าใด ๆ ที่จำเป็นสำหรับการคำนวณหายไปผลลัพธ์ที่ได้จะหายไป ขึ้นอยู่กับผู้ใช้ในการตัดสินใจว่าจะต้องมีการผ่าตัดแก้ไขและจำเป็นต้องใช้ข้อสังเกตดังกล่าวหลังจากดูชุดข้อมูลและพิจารณาเรื่องวิทยาศาสตร์ใด ๆ ที่สามารถนำมาใช้ได้การแนะนำ Time Series โดยใช้ Stata. Stata Press eBooks อ่านได้โดยใช้ VitalSource Bookshelf platform Bookshelf ฟรีและช่วยให้คุณสามารถเข้าถึง eBook ของ Stata Press จากคอมพิวเตอร์สมาร์ทโฟนแท็บเล็ตหรือ eReader วิธีการเข้าถึง eBook2 ของคุณเมื่อเข้าสู่ระบบแล้วคลิกแลกในยูอาร์ มุมขวาด้านล่างป้อนรหัส eBook รหัส eBook ของคุณจะอยู่ในอีเมลยืนยันใบสั่งซื้อภายใต้ชื่อหนังสือ eBook 3 eBook จะถูกเพิ่มในไลบรารีของคุณจากนั้นคุณสามารถดาวน์โหลด Bookshelf บนอุปกรณ์อื่น ๆ และซิงค์ห้องสมุดเพื่อดู eBookBookshelf สามารถดูได้ทางออนไลน์จากคอมพิวเตอร์ที่เชื่อมต่ออินเทอร์เน็ตโดยการเข้าถึง PDC Bookshelf สามารถใช้ได้กับ Windows 7 8 8 1 10 ทั้ง 32- และ 64 บิตดาวน์โหลดซอฟต์แวร์ Bookshelf ไปยังเดสก์ทอปของคุณเพื่อให้คุณสามารถ ดู eBook ของคุณที่มีหรือไม่มีอินเทอร์เน็ต access. iOS Bookshelf มีให้บริการสำหรับ iPad, iPhone และ iPod touch ดาวน์โหลดแอพฯ Bookshelf จาก App Store ของ Itunes Store. Android Bookshelf สามารถใช้ได้กับโทรศัพท์และแท็บเล็ต Android ที่ใช้ Ice Cream Sandwich 4 Ice และต่อมาดาวน์โหลด Bookshelf mobile app จาก Google Play Store. Kindle Fire Bookshelf สามารถใช้ได้กับ Kindle Fire 2, HD และ HDX ดาวน์โหลดแอปมือถือ Bookshelf จาก Kindle Fire App Store. Mac Bookshelf ที่มีให้บริการ e สำหรับ Mac OS X 10 8 ขึ้นไปดาวน์โหลดซอฟต์แวร์ Bookshelf ลงในเดสก์ท็อปของคุณเพื่อให้คุณสามารถดู eBook ของคุณได้โดยไม่ต้องมีหรือไม่มีการเข้าถึงอินเทอร์เน็ตชุดชั้นวางช่วยให้คุณสามารถมีคอมพิวเตอร์ 2 เครื่องและอุปกรณ์มือถือ 2 เครื่องที่เปิดใช้งานได้ในเวลาใดก็ตามฉันประหลาดใจที่ VitalSource วิธีการนำเสนอหนังสือทุกอย่างดูดีเลิศ แต่ยังสามารถพลิกหนังสือเล่มนี้ได้เช่นเดียวกับที่คุณจะพลิกดูหน้าเว็บที่ยาวมาก ๆ ในเว็บเบราเซอร์ของคุณและดีที่สุดเมื่อใดก็ตามที่ฉันมีแท็บเล็ตกับฉันหนังสือของฉัน เป็นเพียงแค่รูดไปไมเคิลมิทเชลล์สถิติผู้น่าสงสารที่ผู้เขียน USC เด็กเครือข่ายข้อมูลของสี่หนังสือ Stata กดและอดีตที่ปรึกษาสถิติยูซีแอลที่จินตนาการและการออกแบบ UCLA สถิติทรัพยากรการให้คำปรึกษาเว็บไซต์นโยบายการคืนหนังสือ eBooks. Stata กด eBooks เป็น nonreturnable และ nonrefundablement จากกลุ่มเทคนิค Stata บทนำสู่ Time Series การใช้ Stata โดย Sean Becketti ให้คำแนะนำในการปฏิบัติงานกับข้อมูลชุดข้อมูลแบบเรียลไทม์โดยใช้ Stata และจะ app eal ให้กับผู้ใช้ที่หลากหลายตัวอย่างมากมายคำอธิบายสั้น ๆ ที่มุ่งเน้นไปที่สัญชาตญาณและเคล็ดลับที่มีประโยชน์จากประสบการณ์ที่ผู้เขียนใช้มาหลายทศวรรษในการใช้วิธีการแบบอนุกรมเวลาทำให้หนังสือเล่มนี้มีความเข้าใจไม่เพียง แต่สำหรับผู้ใช้ทางวิชาการ แต่ยังสำหรับผู้ปฏิบัติงานในอุตสาหกรรมและ หนังสือเล่มนี้มีความเหมาะสมสำหรับผู้ใช้ Stata รายใหม่และสำหรับผู้ใช้ที่มีประสบการณ์ซึ่งเป็นผู้ที่ไม่ค่อยมีเวลาในการวิเคราะห์แบบอนุกรมบทที่ 1 นำเสนอการแนะนำ Stata อย่างอ่อนโยน แต่ให้ความสำคัญกับคุณลักษณะทั้งหมดที่ผู้ใช้จำเป็นต้องรู้เพื่อเริ่มต้นใช้งาน Stata สำหรับการวิเคราะห์อนุกรมเวลาบทที่ 2 เป็นการทบทวนการถดถอยและการทดสอบสมมติฐานอย่างรวดเร็วและกำหนดแนวคิดหลัก ๆ เช่นสัญญาณรบกวนสีขาวความเชื่อมโยงกันและตัวดำเนินการล่าช้าบทที่ 3 เริ่มต้นการอภิปรายเกี่ยวกับชุดข้อมูลเวลาโดยใช้ค่าเฉลี่ยเคลื่อนที่เฉลี่ยและช่วงโฮลท์วินเทอร์ เทคนิคในการเรียบและคาดการณ์ข้อมูล Becketti ยังแนะนำแนวคิดเกี่ยวกับแนวโน้ม cyclicality และ seasonality และแสดงให้เห็นว่าพวกเขาสามารถแยกแยะได้อย่างไรจากบทที่ 4 มุ่งเน้นไปที่ usi วิธีการเหล่านี้สำหรับการคาดการณ์และแสดงให้เห็นถึงสมมติฐานเกี่ยวกับแนวโน้มและรอบการคำนวณของเทคนิคต่างๆของ Moving Average และ Holt Winters ที่มีผลต่อการคาดการณ์ที่เกิดขึ้นแม้ว่าเทคนิคเหล่านี้จะถูกละเลยไปในหนังสือแบบเวลาอื่น ๆ ก็ตาม แต่ก็ง่ายต่อการใช้งาน หลายชุดได้อย่างรวดเร็วมักจะผลิตการคาดการณ์เช่นเดียวกับเทคนิคที่ซับซ้อนมากขึ้นและเป็น Becketti เน้นมีข้อดีแตกต่างจากการได้อย่างง่ายดายอธิบายให้เพื่อนร่วมงานและผู้กำหนดนโยบายโดยไม่ต้องมีประวัติในสถิติบทที่ 5 ถึง 8 รวมถึงชุดสมการเดียวเวลา รูปแบบบทที่ 5 มุ่งเน้นไปที่การวิเคราะห์การถดถอยในที่ที่มีการรบกวนที่สัมพันธ์กับระบบอัตโนมัติและรายละเอียดวิธีการต่างๆที่สามารถใช้เมื่อ regressors ทั้งหมดเป็นข้อยกเว้นอย่างเคร่งครัด แต่ข้อผิดพลาดจะสัมพันธ์กันโดยอัตโนมัติเมื่อชุด regressors มีตัวแปรอิสระที่ล้าหลังและข้อผิดพลาดอิสระและเมื่อ ชุด regressors รวมถึงตัวแปรขึ้นล่าช้าและ a ข้อผิดพลาด utocorrelated บทที่ 6 อธิบายถึงรูปแบบ ARIMA และวิธีการ Box Jenkins และบทที่ 7 ใช้เทคนิคเหล่านี้เพื่อพัฒนารูปแบบ ARIMA ตาม US GDP บทที่ 7 โดยเฉพาะจะดึงดูดผู้ปฏิบัติงานเนื่องจากได้ดำเนินการตามตัวอย่างของโลกแห่งความจริงอย่างจริงจัง เป็นชุดของฉันตอนนี้ฉันจะพอดีกับรูปแบบ ARIMA ไปบทที่ 8 เป็นสรุปตนเองของการสร้างแบบจำลอง ARCH GARCH ในส่วนสุดท้ายของหนังสือ Becketti กล่าวถึงรูปแบบสมการหลายโดยเฉพาะอย่างยิ่ง VARs และ VECs บทที่ 9 มุ่งเน้นไปที่ VAR รูปแบบและแสดงให้เห็นถึงแนวคิดที่สำคัญทั้งหมดรวมถึงรูปแบบข้อมูลจำเพาะเกรนเจอร์สาเหตุการวิเคราะห์การตอบสนองต่อแรงกระตุ้นและการคาดการณ์โดยใช้แบบจำลองที่เรียบง่ายของรูปแบบ VAR ของสหรัฐที่มีโครงสร้างทางเศรษฐกิจมีการแสดงโดยการกำหนดกฎเทย์เลอร์เกี่ยวกับอัตราดอกเบี้ยบทที่ 10 แสดง nonstationary time - หลังจากที่ได้อธิบายถึงการทดสอบ nonstationarity และ unit-root แล้ว Becketti สามารถสำรวจผู้อ่านผ่านงานที่ทำให้เกิดความสับสนในการระบุรูปแบบ VEC, usin g ตัวอย่างบนพื้นฐานของค่าแรงในการก่อสร้างในกรุงวอชิงตันดีซีและรัฐโดยรอบบทที่ 11 สรุป Seean Becketti เป็นทหารผ่านศึกในอุตสาหกรรมการเงินที่มีประสบการณ์สามสิบปีในด้านการศึกษารัฐบาลภาคเอกชนและอุตสาหกรรมเขาเป็นนักพัฒนาของ Stata ในวัยเด็กและ เขาเป็นบรรณาธิการของ Stata Technical Bulletin ซึ่งเป็นผู้นำของ Stata Journal ระหว่างปีพศ. 2536-2539 เขาเป็นผู้ใช้ Stata ตั้งแต่เริ่มก่อตั้งและเขาได้เขียนคำสั่งแบบอนุกรมเวลาเป็นครั้งแรกใน Stata บทนำเรื่อง Time Series โดยใช้ Stata โดย Sean Becketti เป็นคำแนะนำที่อิงตามตัวอย่างสำหรับการวิเคราะห์และคาดการณ์ลำดับเวลาโดยใช้ Stata ซึ่งสามารถใช้เป็นข้อมูลอ้างอิงสำหรับผู้ปฏิบัติงานและตำราเสริมสำหรับนักเรียนในสาขาวิชาสถิติที่ประยุกต์ใช้เนื้อหาสารบัญดูสารบัญ . List of figures.1 Just Stata.1 1 การเริ่มต้น 1 1 1 การกระทำแรกอธิบายภายหลัง 1 1 2 ตอนนี้คำอธิบายบางอย่าง 1 1 3 การนำทางอินเทอร์เฟซ 1 1 4 ท่าทางของ Stata 1 1 5 ส่วนต่างๆ ของ Stata speech.1 2 ข้อมูลเกี่ยวกับข้อมูล 1 3 การดูข้อมูล 1 4 สถิติ 1 4 1 ข้อมูลเบื้องต้น 1 4 2 การประมาณค่า.1 5 อัตราและสิ้นสุด 1 6 การทำวันที่ 1 6 1 วิธีการดูดี 1 6 2 หม้อแปลงไฟฟ้า 1 7 วันที่พิมพ์และตัวแปรวันที่ 1 8 มองไปข้างหน้า 2 สถิติที่พอเพียง 2 1 ตัวแปรสุ่มและช่วงเวลา 2 2 การทดสอบสมมุติฐาน 2 3 การถดถอยเชิงเส้น 2 3 1 ตัวแปรน้อยสุด 2 3 2 ตัวแปรที่เป็นประโยชน์ 2 3 3 FGLS.2 4 แบบจําลองหลายสมการ 2 5 ชุดขอมูลเวลา 2 5 1 สัญญาณรบกวนสีขาวความสัมพันธและความคงที่ 2 5 2 แบบจําลอง ARMA.3 ขอมูลชุดขอมูลเวลา 3 1 เตรียมขอมูลในชุดเวลา 3 1 1 คําถามสําหรับทุกประเภท data. How มีตัวแปรกำหนดอะไรคือความสัมพันธ์ระหว่างข้อมูลและปรากฏการณ์ที่น่าสนใจที่รวบรวมข้อมูลสิ่งที่กระบวนการสร้างข้อมูล 3 1 2 คำถามเฉพาะสำหรับข้อมูลชุดเวลาอะไรความถี่ในการวัดเป็นข้อมูลตามฤดูกาล ปรับเป็นข้อมูลที่ได้รับการปรับปรุงแล้ว 3 2 ส่วนประกอบของชุดข้อมูลแบบอนุกรมเวลา e simple filters.3 3 1 ราบเรียบเทรนด์ 3 3 2 ราบรื่นรอบ 3 3 3 ราบเรียบตามฤดูกาล 3 3 4 ขจัดข้อมูลจริง 3 4 ตัวกรองเพิ่มเติม 3 4 1 ma ค่าเฉลี่ยเคลื่อนที่ที่ถ่วงน้ำหนัก 3 4 2 EWMAs. exponential EWMAs dexponential ค่าเฉลี่ยเคลื่อนที่ที่เพิ่มขึ้นเป็นสองเท่า 3 4 3 Holt Winters smoothers. hwinters Holt Winters smoothers โดยไม่มีส่วนประกอบของฤดูกาล shwinters Holt Winters smoothers รวมทั้งส่วนประกอบตามฤดูกาล 3 จุดที่ต้องจดจำ 4 A first pass at forecasting.4 1 Forecast fundamentals.4 1 1 ประเภทของการคาดการณ์ 4 1 2 การวัดคุณภาพของการคาดการณ์ 4 1 3 องค์ประกอบของการคาดการณ์ 4 2 ตัวกรองที่คาดการณ์ไว้ 4 2 1 การคาดการณ์จาก EWMA 4 2 2 การคาดการณ์ชุดแนวโน้มที่มีองค์ประกอบตามฤดูกาล 3 3 จำ 4 4 มองไปข้างหน้า.5ความผิดปกติที่เกี่ยวกับความสัมพันธ์กับตัวเอง 5 1 1 ตัวอย่างอัตราดอกเบี้ยสินเชื่อที่อยู่อาศัย 2 รูปแบบการถดถอยที่มีความสัมพันธ์กับความสัมพันธ์กับความสัมพันธ์กับตัวเอง 5 2 1 ความสัมพันธ์กันในลำดับแรก 5 2 2 ตัวอย่างอัตราดอกเบี้ยสินเชื่อที่อยู่อาศัย cont.5 3 การทดสอบความสัมพันธ์กับผู้อื่น 3 3 อื่น ๆ การทดสอบ h ข้อมูลที่เกี่ยวข้องกับการสั่งซื้อครั้งแรก 5 4 1 แบบที่ 1 การถดถอยภายนอกและการแปรปรวนที่สัมพันธ์กันโดยอัตโนมัติกลยุทธ์ OLS ยุทธศาสตร์การแปลงยุทธศาสตร์การ FGLS การเปรียบเทียบค่าประมาณของแบบจำลอง 5 4 2 แบบจำลอง 2 ตัวแปรขึ้นอยู่กับความล่าช้าและข้อผิดพลาด iid 5 4 3 Model 3 ตัวแปรล้าหลังที่มีข้อผิดพลาด AR 1 ยุทธศาสตร์การแปลงกลยุทธ์ที่ 4 5 ประมาณการสมการอัตราการจำนอง 5 6 คะแนนที่ต้องจดจำ 6 แบบจำลองแบบอนุกรมเวลาที่ไม่เป็นอิสระ 6 1 กระบวนการเชิงเส้นทั่วไป 6 2 ลหุนามลอจิกสัญกรณ์หรือ prestidigitation 6 รูปแบบ ARMA 6 4 ความสั่นสะเทือนและความไม่สามารถหลีกเลี่ยงได้ 6 5 โมเดล ARMA สามารถทำอะไรได้ 6 6 คะแนนที่ควรจดจำ 6 7 มองไปข้างหน้า 7 การสร้างแบบจำลองของซีรีส์เวลาจริง 7 2 The Box Jenkins approach 7 3 การระบุรูปแบบ ARMA.7 3 1 ขั้นตอนที่ 1 ชักนำให้หยุดนิ่ง ARMA กลายเป็น ARIMA 7 3 2 ขั้นตอนที่ 2 จงระวัง PS และ Q ของท่าน 7 4 การประมาณค่า 7 5 มองหาปัญหาการตรวจสอบวินิจฉัยแบบจำลอง 7 5 1 Overfitting 7 5 2 การทดสอบ ของส่วนที่เหลือ s.7 6 การพยากรณ์อากาศด้วยแบบ ARIMA 7 7 การเปรียบเทียบการคาดการณ์ 7 8 คะแนนที่ควรจดจำ 7 9 เราได้เรียนรู้อะไรบ้าง 7 10 มองไปข้างหน้า 8. ความผันผวนตามเวลา 8 1 ตัวอย่างความผันผวนตามเวลา 8 2 ARCH แบบจำลอง ความผันแปรตามเวลาที่ผันแปร 8 3 ขยายไปยังรุ่น ARCH.8 3 1 GARCH การ จำกัด คำสั่งของโมเดล 8 3 2 ส่วนขยายอื่น ๆ การตอบสนองแบบสมมาตรต่อข่าวความแปรผันของความผันผวนส่งผลต่อค่าเฉลี่ยของชุดที่สังเกตได้ข้อผิดพลาดที่ไม่ธรรมดาข้อดีและข้อเสีย 8 4 สิ่งที่น่าจดจำ 9 โมเดลของซีรีส์หลาย ๆ ชุด 9 1 การเกิดซ้ำของเวกเตอร์ 9 1 1 VAR แบบสามประเภท 9 2 A VAR ของระบบเศรษฐกิจมหภาคของสหรัฐฯ.9 2 1 การใช้ Stata เพื่อประเมินรูปแบบที่ลดลง VAR 9 2 2 การทดสอบ VAR สำหรับ stationarity. Evaluating การคาดการณ์ VAR 9 3 ที่เกี่ยวกับครั้งแรก 9 3 1 ความสัมพันธ์ข้าม 9 3 2 สรุปความสัมพันธ์ชั่วคราวใน VAR. Granger causality วิธีการกำหนดลำดับ FEVDs ใช้ Stata ในการคำนวณ IRFs และ FEVDs.9 4 1 ตัวอย่าง ของระยะสั้น SVAR 9 4 2 ตัวอย่างของ SVAR.9 ระยะยาว 5 คะแนนที่ต้องจำ 9 6 L ooking ahead10 โมเดลของชุดข้อมูลแบบไม่ต่อเนื่อง.10 1 แนวโน้มและรากของยูนิต 10 2 การทดสอบรากของหน่วย 10 3 การรวมกันเพื่อหาสัมพันธภาพระยะยาว 10 4 ความสัมพันธ์ที่ผสานและ VECM 10 4 1 องค์ประกอบที่กำหนดใน VECM 10 5 จากสัญชาตญาณ ไปที่ VECM ตัวอย่างเช่นขั้นตอนที่ 1 ยืนยันรากฐานของหน่วยขั้นตอนที่ 2 ระบุจำนวนความล่าช้าขั้นตอนที่ 3 ระบุจำนวนความสัมพันธ์ที่ผสานเข้าด้วยกันขั้นตอนที่ 4 ใส่ VECM ขั้นตอนที่ 5 ทดสอบความคงตัวและส่วนที่เหลือของสัญญาณรบกวนสีขาวขั้นตอนที่ 6 ทบทวนความหมายของรูปแบบสำหรับความสมเหตุสมผล 10 6 สิ่งที่ควรจดจำ 10 7 มองไปข้างหน้าข้อสังเกตปิดบัญชี 11 1 ทำความเข้าใจเรื่องทั้งหมด 11 2 เราทำอะไรพลาด 11 2 1 หัวข้อชั้นอนุกรมเวลาขั้นสูง 11 2 2 คุณลักษณะเพิ่มเติมของชุดข้อมูลชุดข้อมูล Stata ชุดเครื่องมือการจัดการข้อมูลและ ยูทิลิตี้โมเดล Univariate แบบหลายตัวแปร