R语言时间序列TAR阈值自回归模型 | 您所在的位置:网站首页 › r语言的向量自回归模型 › R语言时间序列TAR阈值自回归模型 |
原文链接:http://tecdat.cn/?p=5231
最近我们被客户要求撰写关于时间序列TAR阈值自回归的研究报告,包括一些图形和统计输出。 为了方便起见,这些模型通常简称为TAR模型这些模型捕获了线性时间序列模型无法捕获的行为,例如周期,幅度相关的频率和跳跃现象。Tong和Lim(1980)使用阈值模型表明,该模型能够发现黑子数据出现的不对称周期性行为。 一阶TAR模型的示例: σ是噪声标准偏差,Yt-1是阈值变量,r是阈值参数, {et}是具有零均值和单位方差的iid随机变量序列。 每个线性子模型都称为一个机制。上面是两个机制的模型。 考虑以下简单的一阶TAR模型: #低机制参数 i1 = 0.3 p1 = 0.5 s1 = 1 #高机制参数 i2 = -0.2 p2 = -1.8 s2 = 1 thresh = -1 delay = 1 #模拟数据 y=sim(n=100,Phi1=c(i1,p1),Phi2=c(i2,p2),p=1,d=delay,sigma1=s1,thd=thresh,sigma2=s2)$y #绘制数据 plot(y=y,x=1:length(y),type='o',xlab='t',ylab=expression(Y[t]) abline(thresh,0,col="red")点击标题查阅往期内容 R语言时间序列TAR阈值模型分析 左右滑动查看更多 01 02 03 04 TAR模型_框架_是原始TAR模型的修改版本。它是通过抑制噪声项和截距并将阈值设置为0来获得的: _框架_的稳定性以及某些规律性条件意味着TAR的平稳性。稳定性可以理解为,对于任何初始值Y1,_框架_都是有界过程。 在[164]中: #使用不同的起点检查稳定性 startvals = c(-2, -1.1,-0.5, 0.8, 1.2, 3.4) count = 1 for (s in startvals) { ysk[1 } else { ysk[i] = -1.8*ysk[i-1] } count = count + 1 } #绘制不同实现 matplot(t(x),type="l" abline(0,0)Chan和Tong(1985)证明,如果满足以下条件,则一阶TAR模型是平稳的 一般的两机制模型写为: 在这种情况下,稳定性更加复杂。然而,Chan and Tong(1985)证明,如果 模型估计一种方法以及此处讨论的方法是条件最小二乘(CLS)方法。 为简单起见,除了假设p1 = p2 = p,1≤d≤p,还假设σ1=σ2=σ。然后可以将TAR模型方便地写为 如果Yt-d> r,则I(Yt-d> r)= 1,否则为0。CLS最小化条件残差平方和: 在这种情况下,可以根据是否Yt-d≤r将数据分为两部分,然后执行OLS估计每个线性子模型的参数。 如果r未知。 在r值范围内进行搜索,该值必须在时间序列的最小值和最大值之间,以确保该序列实际上超过阈值。然后从搜索中排除最高和最低10%的值 在此受限频带内,针对不同的r = yt值估算TAR模型。 选择r的值,使对应的回归模型的残差平方和最小。 #找到分位数 lq = quantile(y,0.10) uq = quantile(y,0.90) #绘制数据 plot(y=y,x=1:length(y),type='o',xlab='t'abline(lq,0,col="blue") abline(uq,0,col="blue") #模型估计数 sum( (lq |
CopyRight 2018-2019 实验室设备网 版权所有 |