Time Series MT Time Series MT ist ein Modul für Gauss, welches sich speziell für Zeitreihenmodelle eignet. Es enthält Routinen zur Diagnose von Modellen und ist in der Lage Maximum-Likelihood-Schätzungen (MLE) und Prognosen zu erstellen. Weiterhin kann das Modul Time Series MT für die Paneldatenanalyse mit zufälligen und systematischen Effekten eingesetzt werden und erlaubt die Verwendung von unbalancierten Paneldaten. Highlights Kleinste-Quadrate-Dummy-Variablen-Modell für multivariate Daten mit Bias-Korrektur der Parameter Hamilton's Regime-Switching-Regressionsmodell Saisonale VARMAX-Modelle Zeitreihen-Querschnitts-Regressionsmodelle Gewichtete Maximum-Likelihood-Modelle Thread-safe Strukturierte Ausgabe ARIMA-Modell-Schätzung und -Prognosen Exakte Maximum-Likelihood-Schätzung mit voller Information für VARMAX-, VARMA-, ARIMAX- und ECM-Modelle Standard-Zeitreihen-Diagnosetests, einschließlich Einheitswurzeltests, Kointegrationstests und Lag-Selektionstests Features Neue Features nach Version Beispiele Systemvoraussetzungen Features Univariate Zeitreihenmodelle Modelle mit bedingtem Mittelwert Autoregressiver gleitender Mittelwert (ARMA) Saisonaler autoregressiver gleitender Mittelwert (SARMA) Autoregressiver gleitender Mittelwert mit exogenen Variablen (ARMAX) Autoregressiver integrierter gleitender Mittelwert (ARIMA) Saisonaler autoregressiver integrierter gleitender Mittelwert (SARIMA) Modelle mit bedingter Varianz Verallgemeinerte autoregressive bedingte Heteroskedastizität (GARCH) GARCH mit einer Einheitswurzel (IGARCH) GARCH mit asymmetrischen Effekten (GJRGARCH) GARCH-in-mean (GARCHM) Multivariate Zeitreihenmodelle Modelle mit bedingtem Mittelwert Vektorieller autoregressiver gleitender Mittelwert (VARMA) Vektorieller autoregressiver gleitender Durchschnitt mit exogenen Variablen (VARMAX) Saisonaler vektorautoregressiver gleitender Mittelwert (SVARMA) Saisonaler vektorautoregressiver gleitender Durchschnitt mit exogenen Variablen (SVARMAX) Vektorielle Fehlerkorrekturmodelle (VECM) Paneldaten und andere Modelle Modelle mit festen Effekten und zufälligen Effekten (TSCS) Kleinste-Quadrate-Dummy-Variable (LSDV) Kalman-Filter für die Zustandsraum-Modellierung Nichtlineare Zeitreihenmodelle Wechselnde Regression Strukturelle Bruchmodelle Schwellenwert-Autoregressionsmodelle (TAR) Parameter-Instabilitätstests Chow-Prognose CUSUM-Test auf Gleichheit der Koeffizienten Hansen-Nymblom-Test Rollierende Regressionen Einheitswurzel- und Kointegrationstests Erweiterter Dickey-Fuller-Test Breitung- und Das-Test Im-Pesaran-Shin-Test (IPS) Johansen-Test und maximale Eigenwertstatistik Levin-Lin-Chu-Test (LLC) Phillips-Perron-Test Zivot- und Andrews-Test Modellauswahl und -bewertung Akaike-Informationskriterium (AIC) Bereinigtes R-Quadrat Schwartz Bayes'sches Informationskriterium (BIC) Kwiatkowski-Phillips-Schmidt-Shin (KPSS) Likelihood-Verhältnis-Statistik (LRS) Multivariate Portmanteau-Statistik Wald-Statistik Friedman-, Frees- und Pesaran-Tests für Querschnittsunabhängigkeit in Paneldatenmodellen Version 3.0 Neue Funktionen in Time Series MT 3.0 Neue Modellierungswerkzeuge Neue Kalman-Filter-Prozedur Zustandsraum-SARIMA- und -ARIMA-Modelle Neue Tests für Querschnittsabhängigkeiten in Paneldatenmodellen Neue Sammlung von Schätzfunktionen und mehr ... Vereinfachtes Datenmanagement Laden, Transformieren und Analysieren von Daten in einer Zeile unter Verwendung der Formel-String-Notation Direktes Arbeiten mit csv- und Excel-Dateien sowie mit GAUSS-, SAS- und STATA-Datensätzen Optionale Argumente für einfache Modellanpassungen Verbesserte Werkzeuge für die Verwaltung von Paneldaten Sonstiges Aktualisierte Dokumentation und Beispiele vollständig rückwärtskompatibel mit TSMT 1.0-2.0 Version 2.1 Neue Funktionen in Time Series MT 2.1 Neue Modelle Schätzen von Zeitreihen mit mehreren unterschiedlichen Strukturen Schätzen von Zeitreihne durch Autoregression mit Schwellwerten Least-Square-Schätzung mit Fensterfunktion und Rekursion Neue Werkzeuge Neue ARIMA-Lag-Selektionsprozedur mit AIC, SBC, HQC und FPE Datenaggregationsprozedur mit Unterstützung für End-Of-Period, Period-Average- oder Beginning-Of-Period-Aggregation Auffindung von Parameterinstabilitäten mithilfe von Kleinste-Quadrate-Schätzung mit Fensterfunktion und Rekursion Chow-Forecast-Test CUSUM- und CUSUM-Square-Test Hansen-Nyblom-Test Werkzeuge zur Anpassung an individuelle Modellierungsanforderungen Parameterstrukturen für die flexible Benutzersteuerung der TAR-Modellierung: Benutzerspezifische AR-Ordnung Spezifische Auslassung von Lags Anzahl der Monte-Carlo-Wiederholungen Flexible Benutzerkontrolle bei der Modellierung von Strukturbrüchen: Maximale Anzahl von Brüchen Partielle Strukturbruchmodellierung Optionale Bildschirm- und Grafikausgabe Die GAUSS Zeitreihenausgabe beinhaltet (falls zutreffend) TAR-Schätzungen und Testwerte SupLM, ExpLM, AveLM, SupLMs, ExpLMs und AveLMs Teststatistiken Monte Carlo generierte p-Werte Geschätzte Koeffizienten für beide Regime Geschätzer Schwellwert für Variablen-Lag und -Wert Regimespezifische und gesamte Modellfehler-Varianz Globale Strukturbruchschätzungen Geschätzte Bruchdaten und Gesamt-SSR für alle Anzahlen von Brüchen, die kleiner oder gleich der angegebenen maximalen Anzahl von Brüchen sind Version 2.0 Neue Features in Time Series MT 2 Neue Einzelreihen-Einheitswurzeltests DFGLS KPSS Neue Panelreihen-Einheitswurzeltests Breitung Im-Pesaran-Shin Levin-Lin-Chu Neuer Einheitswurzeltest mit Strukturbrüchen Zivot-Andrews GARCH GJR GARCH IGARCH GARCH-in-mean Weitere Neuerungen Schätzen der langfristigen Varianz Bereinigtes R-Quadrat Beispiele Nachfolgend finden Sie zwei dokumentierte Beispiele: autoregmt, autocor, pacf: ARMA model. Schätzen der Autokorrelationen, Autokovarianzen und Koeffizienten eines Regressionsmodells mit autoregressiven Fehlern einer beliebigen Ordnung switchmt: Markov-Switching model. GAUSS-Verfahren zur Schätzung der Parameter des Markov-Switching-Regressionsmodells Systemvoraussetzungen Betriebssysteme: Windows Mac Linux Voraussetzung: GAUSS/GAUSS Engine 18+ Systemvoraussetzungen für GAUSS finden Sie hier.
