Matstat Econométrie Matan - page 4
Vous manquez des opportunités de trading :
- Applications de trading gratuites
- Plus de 8 000 signaux à copier
- Actualités économiques pour explorer les marchés financiers
Inscription
Se connecter
Vous acceptez la politique du site Web et les conditions d'utilisation
Si vous n'avez pas de compte, veuillez vous inscrire
Je ne comprends pas bien la question : pourquoi utiliser un bruit blanc ?
Si vous avez besoin d'une telle série, vous pouvez générer une série SB dans Excel ou un autre programme et prendre ses premières différences - ce serait du bruit blanc.
Si une estimation approximative correspond - les premières différences des séries de prix sont également des quasi-bruits blancs.
Le fait est qu'en pratique, dans les formules, le bruit n'est pas toujours une série générée aléatoirement.
Il s'agit d'une série résultant de certains calculs à partir des données originales.
C'est-à-dire qu'il y a des informations internes dans le bruit qui contribuent à l'exactitude des calculs du modèle global.
Je suis donc confus par ces interprétations du bruit ;)) Et je voulais m'assurer, qui comprend ce bruit comment.
Randomisez, ou utilisezvotre bruit calculé.
Alexei, une telle question s'est posée.
J'ai creusé dans les formules économétriques, et dans de nombreuses formules, il y a une variable qui est un bruit blanc.
Par définition, le bruit blanc a des caractéristiques parfaites, la présence de normalité avec une variance constante de un.
Il est évident qu'un tel bruit blanc ne se trouve probablement pas dans la réalité. La question est donc la suivante :
. Dans la pratique, qu'utilise-t-on comme bruit blanc ?
Ce bruit blanc a-t-il quelque chose à voir avec les données d'entrée ? Par exemple, on peut considérer les résidus comme du bruit, mais les conditions de normalité et de dispersion seraient alors violées.
Ou bien s'agit-il d'un bruit parasite qui peut simplement être généré de manière aléatoire avec des caractéristiques spécifiques ?
Ou est-ce là le but, obtenir des caractéristiques de bruit blanc à partir des résidus ? C'est-à-dire que la normalité est là, la variance est constante, pas d'autocorrélation.
Il suffit de regarder les manuels d'économétrie (Magnus, Verbeek, etc.). Ils expliquent généralement toutes les bonnes choses là-bas.
Le fait est qu'un modèle prend toujours en compte un ensemble incomplet de facteurs et qu'il faut justifier pourquoi les autres sont écartés. On part généralement du principe que tous les autres facteurs s'additionnent pour former un bruit de fond, de sorte qu'il n'est pas nécessaire de les examiner de près. Mais ce n'est qu'une supposition, une hypothèse qui doit être confirmée, ce qui est généralement fait en examinant les résidus du modèle. Si les résidus du modèle ne ressemblent pas à un bruit blanc, il s'agit d'un mauvais modèle qui doit être remplacé par un autre.
Le bruit blanc n'a pas besoin d'être gaussien, mais c'est sa gaussianité qui nous permet d'appliquer l'ANC pour trouver les paramètres du modèle. Si, par exemple, le bruit est distribué selon une loi de Laplace, il sera nécessaire de minimiser la somme des modules plutôt que les carrés. Ce n'est pas difficile à comprendre si on le calcule en utilisant le principe du maximum de vraisemblance.
Ainsi, la dernière ligne de votre message est correcte.
Il suffit de jeter un coup d'œil aux manuels d'économétrie (Magnus, Verbik, etc.). Ils indiquent généralement toutes les bonnes choses à faire.
Le fait est qu'un modèle tient toujours compte d'un ensemble incomplet de facteurs, et qu'il faut justifier pourquoi le reste est écarté. On part généralement du principe que tous les autres facteurs s'additionnent pour former un bruit de fond, de sorte qu'il n'est pas nécessaire de les examiner de près. Mais ce n'est qu'une supposition, une hypothèse qui doit être confirmée, ce qui est généralement fait en examinant les résidus du modèle. Si les résidus du modèle ne ressemblent pas à un bruit blanc, il s'agit d'un mauvais modèle qui doit être remplacé par un autre.
Le bruit blanc n'a pas besoin d'être gaussien, mais c'est sa gaussianité qui nous permet d'appliquer l'ANC pour trouver les paramètres du modèle. Si, par exemple, le bruit est distribué selon une loi de Laplace, il sera nécessaire de minimiser la somme des modules plutôt que les carrés. Ce n'est pas difficile à comprendre si on le calcule en utilisant le principe du maximum de vraisemblance.
La dernière ligne de votre message est donc correcte.
Exactement. J'ai un Magnus qui traîne quelque part, je vais devoir le chercher. Merci. (gloussements)
Merci pour la clarification, j'ai compris.
Si, par exemple, le bruit est distribué selon une loi de Laplace, ce n'est plus la somme des carrés qu'il faut minimiser, mais les modules. Ce n'est pas difficile à comprendre, si vous calculez en utilisant le principe du maximum de vraisemblance.
Toutes les séries numériques sont divisées en trois types : déterministe, aléatoire et stochastique.
Est-ce que "stochastique" et "aléatoire" ne sont pas la même chose ?
Est-ce que "stochastique" et "aléatoire" ne sont pas la même chose ?
Non
Est-ce que "stochastique" et "aléatoire" ne sont pas la même chose ?
En économétrie, tout est sens dessus dessous et sens dessous. Ce que les gens appellent aléatoire est appelé stochastique, et l'aléatoire est un mélange de stochastique et de déterminisme.
Est-ce que "stochastique" et "aléatoire" ne sont pas la même chose ?
En gros, une tâche est une prédiction ou une classification.
Un processus déterministe est prévisible à 100%.
Le stochastique n'est pas du tout prévisible. Eh bien, le monde entier est imprévisible, seuls l'automate et Alejandro ont battu le coin.....
L'objet de la recherche est constitué par les processus aléatoires dans lesquels diverses méthodes et modèles tentent d'isoler la composante déterministe et le résidu qui n'est pas prévisible.
En gros, une tâche est une prédiction ou une classification.
Un processus déterministe est prévisible à 100%.
Une stochastique n'est pas du tout prévisible. Eh bien, le monde entier est imprévisible, seuls l'automate et Alejandro ont battu le coin.....
L'objet de la recherche est constitué par les processus aléatoires dans lesquels diverses méthodes et modèles tentent d'isoler la composante déterministe et le résidu, qui n'est pas prévisible.
Oui...
Un processus déterministe n'a pas besoin d'être prédit car il est prédéterminé, c'est-à-dire connu à l'avance.
Un processus aléatoire est aléatoire car il n'y a pas de composante déterministe.
Oui...
Un processus déterministe n'a pas besoin d'être prédit car il est prédéterminé, c'est-à-dire connu à l'avance.
Un processus aléatoire est aléatoire car il n'y a pas de composante déterministe.
))) Et si un processus aléatoire n'a pas de composante déterministe - comment est-il prédit ?
Pouvez-vous donner un exemple d'une série non déterministe qui est néanmoins prévisible ?