拓端tecdat|R語言分位數(shù)自回歸QAR分析痛苦指數(shù)：失業(yè)率與通貨膨脹率時間序列
原文鏈接：http://tecdat.cn/?p=25536?
原文出處：拓端數(shù)據(jù)部落公眾號
“分位數(shù)自回歸”，它是對時間序列域的重要擴展。
本教程的數(shù)據(jù)是痛苦指數(shù)，它是一個月頻率時間序列，總和：（失業(yè)率 + 通貨膨脹率）構成所謂的“苦難指數(shù)”。?“什么是痛苦指數(shù)?就是失業(yè)率與通貨膨脹率之和”。該指數(shù)認為，失業(yè)與通貨膨脹給人們帶來的痛苦是相同的，失業(yè)率上升1%與通脹率上升1%對人們構成同樣程度的“痛苦”。
加載數(shù)據(jù)
首先加載數(shù)據(jù)并檢查不同的信息標準對模型中滯后階數(shù)的評估：
options(digits = 4)y = ts,sep = "\t",header = F)[,2])plotfor (i in 1:ormax){lagmat = cbindarod <- lmHQ[i] = HQICAK[i] = AICSC[i] = BIC}return}lagordr# 1個滯后
估計分位數(shù)自回歸
現(xiàn)在估計分位數(shù)自回歸，每個分位數(shù)一個，增量為 0.05。
lm0 = lm; summaryqs = NULL ; qr0 = list()
看一下結果：
layoutlayout.showplotfor (i in 1:length){lines}
頂部圖，擬合線以藍色疊加。在AR系數(shù)恒定的情況下，我們應該得到相互平行的線條，因為唯一的變化是你希望擬合數(shù)據(jù)。在這種情況下，我們可以在右下角的面板上看到，AR系數(shù)不是恒定的。對于擬合低分位數(shù)，過程表現(xiàn)得像隨機游走，而對于高分位數(shù)則觀察到強烈的均值回歸。這種不對稱性表明這個過程是異方差的，低方差比高方差大，所以我們得到的是 "扇形 "圖而不是平行線。它的經(jīng)濟意義在于，當這個指數(shù)高的時候，要采取措施來壓低它。這些措施包括降低借貸成本，從而使陷入困境的公司能夠繼續(xù)生存，使成功的公司能夠保持投資水平。重點是，當該指數(shù)高時，我們試圖壓低它，而當它處于中間范圍時，它可以雙向發(fā)展，因此是 "扇形"。?
注釋
在另一種情況下，您可以嘗試估算風險價值，5% VaR 值的分位數(shù)等于 0.05。請記住，在這種情況下，您需要一個大樣本來保證準確性，因為只有 5% 的觀測值具有與確定擬合值相關的信息。所以看看分位數(shù)回歸對 VaR 的估計如何與常見的 garch(1,1) 等進行比較。
最受歡迎的見解
1.在python中使用lstm和pytorch進行時間序列預測
2.python中利用長短期記憶模型lstm進行時間序列預測分析
3.使用r語言進行時間序列（arima，指數(shù)平滑）分析
4.r語言多元copula-garch-模型時間序列預測
5.r語言copulas和金融時間序列案例
6.使用r語言隨機波動模型sv處理時間序列中的隨機波動
7.r語言時間序列tar閾值自回歸模型
8.r語言k-shape時間序列聚類方法對股票價格時間序列聚類
9.python3用arima模型進行時間序列預測
