فایل ورد کامل استنتاج آماری همزمان در مدل های عامل حرکتی : تقریب کای دو و بوت استرپ مبتنی بر مدل

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل استنتاج آماری همزمان در مدل های عامل حرکتی : تقریب کای دو و بوت استرپ مبتنی بر مدل،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۷ صفحه

چکیده

متدلوژی استنتاج آماری در مدل‌های عامل پویا (DFMs) در زمینه آزمون چندگانه بر اساس قضیه حد مرکزی برای تبدیلات فوریه تجربی سری‌های زمانی چند متغیره توسعه می‌یابد. این نتیجه نظری امکان استفاده از برداری از آماره آزمون نوع-والد را فراهم می‌سازد که به طور مجانبی از توزیع کای دوی چند متغیره‌ای تحت فرضیه پوچ جهانی، هنگامِ مِیل افق مشاهده به سمت بی‌نهایت، پیروی می‌کند. روال‌های آزمون چندگانه مجانبی چندگانگی-تطبیقی بر اساس آماره والد با روال بوت استرپ مدل-محور ارائه شده در کارهای قبلی اخیر مقایسه می‌شوند. شبیه‌سازی‌های مونت کارلو نشان می‌دهند که هر دوی آزمون کای دوی چندگانه مجانبی با تطبیق مناسب چندگانگی و روال آزمون چندگانگی مبتنی بر بوت استرپ، نرخ خطای خانوادگی را در سطح معناداریِ از پیش تعریف شده حفظ می‌کنند. الگوریتم تقریب و همچنین پیاده‌سازی روال‌ها آزمون به طور دقیق شرح داده شده و کاربردی واقعی روی داده‌های کالای اروپا انجام می‌شود.

– بحث

رویکرد استنباط آماری مبتنی بر احتمال پارامتری را در مدل‌های عامل کوچک-مقیاس (پویا) به طور جامع شرح داده‌ایم. به ویژه، جزئیات اجرای روش‌های تخمین و آزمایش را به شیوه‌ای منسجم و یکپارچه توضیح داده‌ایم. علاوه‌براین، برنامه‌های آماده استفاده MATLAB که همه نتایج دست نوشته حاضر را می‌توان با استفاده از آن‌ها مجددا تولید کرد بر حسب درخواست از نویسنده دوم قابل دسترس هستند. تا جایی که به نتایج آزمون چندگانه مربوط می‌شود، نشان داده‌ایم که هر دوی آزمون‌های کای-دوی مجانبی و آزمون‌های بوت استرپ مدل-محور، سطح FWER را حفظ می‌کنند، البته رفتار خطای نوع آن‌ها حتی برای اندازه‌های نمونه ، آزاد (لیبرال) باقی ماند. این حقیقت که این رفتار به شیوه‌ای بسیار مشابه توسط هر دوی آزمون‌های کای-دوی مجانبی و آزمون‌های بوت استرپ مدل-محور نشان داده شده است دلالت بر این دارد که تقریب نرمال توزیع پوچ MLE بردار پارامترهای DFM، مهمترین بخش در متدلوژی ارائه شده است. این سازگار با اظهار نظرات مربوطه دیکاوس و پاولی () است. از اینرو، کارهای آینده می‌توانند رویکردهای بوت استرپ ناپارامتری مربوط به فرض نرمالی (مجانبی) MLE در زمینه DFM را در نظر بگیرند. گسترش‌های ممکن بیشتر این کار می‌توانند سایر معیارهای خطای نوع چندگانه، به عنوان مثال، کنترل نرخ کشف نادرست، را ملاحظه کنند و متدلوژی آزمون چندگانه برای DFMهای با مقیاس بزرگتر را به کار گیرند؛ که در اینجا هر دوی این گسترش‌ها با یکدیگر در ارتباط هستند.

عنوان انگلیسی:Simultaneous statistical inference in dynamic factor models: Chi-square approximation and model-based bootstrap~~en~~

Abstract

Statistical inference methodology in dynamic factor models (DFMs) is extended to the multiple testing context based on a central limit theorem for empirical Fourier transforms of multivariate time series. This theoretical result allows for employing a vector of Wald-type test statistics which asymptotically follows a multivariate chi-square distribution under the global null hypothesis when the observation horizon tends to infinity. Multiplicity-adjusted asymptotic multiple test procedures based on Wald statistics are compared with a model-based bootstrap procedure proposed in recent previous work. Monte Carlo simulations demonstrate that both the asymptotic multiple chi-square test with an appropriate multiplicity adjustment and the bootstrap-based multiple test procedure keep the family-wise error rate approximately at the predefined significance level. The estimation algorithm as well as the implementation of the testing procedures are described in detail and a real-life application is performed on European commodity data.

– Discussion

We have comprehensively described a parametric likelihood-based statistical inference approach in small-scale (dynamic) factor models. In particular, details of the implementation of estimation and testing methods have been elucidated in a coherent and unified manner. Furthermore, ready-to-use MATLAB programs with which all results of the present manuscript can be reproduced are available from the second author upon request. As far as the multiple testing results are concerned, we have demonstrated that both the asymptotic chi-square tests and the model-based bootstrap tests approximately keep the FWER level, albeit their type I error behavior remained liberal even for sample sizes of T = O(103 ). The fact that this behavior was exhibited in a very similar manner by both the asymptotic chi-square tests and the model-based bootstrap tests indicates that the normal approximation of the null distribution of the MLE of the vector of DFM parameters is the most crucial part in the presented methodology. This is in line with the respective comments of Dickhaus and Pauly (2016). Hence, future work may consider nonparametric bootstrap approaches circumventing the assumption of (asymptotic) normality of the MLE in the DFM context. Further possible extensions of this work are to consider other multiple type I error criteria like, for instance, control of the false discovery rate, and to work out multiple testing methodology for larger-scale DFMs, where both of these extensions are interrelated with each other.

$$en!!