Pour des questions rapides, envoyez un courriel à dataprinceton. edu. Pas d'appts. Nécessaire pendant les heures de marche. Remarque: le laboratoire DSS est ouvert tant que Firestone est ouvert, aucun rendez vous nécessaire pour utiliser les ordinateurs de laboratoire pour votre propre analyse. Sélection de laps de temps dans les données de séries chronologiques Lorsque l'on exécute des régressions sur des données de séries chronologiques, il est souvent important d'inclure des valeurs retardées de la variable dépendante en tant que variables indépendantes. Dans la terminologie technique, la régression est maintenant appelée autorégression vectorielle (VAR). Par exemple, en essayant de trier les dterminants du PIB, il est probable que le PIB des dernières années est corrélé avec le PIB de cette année. Si tel est le cas, le PIB retardé d'au moins un an devrait être inclus sur le côté droit de la régression. Si la variable en question est persistante c'est à dire que les valeurs dans le passé lointain affectent toujours les valeurs d'aujourd'hui il faudra plus de décalages. Afin de déterminer le nombre de retards à utiliser, plusieurs critères de sélection peuvent être utilisés. Les deux plus courants sont le critère d'information d'Akaike (AIC) et le critère d'information bayésien de Schwarz (SICBICSBIC). Ces règles choisissent la longueur j du retard pour minimiser: log (SSR (j) n) (j 1) C (n) n, où SSR (j) est la somme ou les résidus carrés pour le VAR avec j lags et n le nombre de Observations C (n) 2 pour AIC et C (n) log (n) pour BIC. Heureusement, dans Stata 8 il ya une seule commande qui fera les calculs pour un nombre quelconque de retards spécifiés: varsoc. Pour obtenir l'AIC et le BIC, tapez simplement varsoc depvar dans la fenêtre de commande. Le nombre par défaut de laps Stata vérifie est de 4 afin de vérifier un nombre différent, ajouter, maxlags (oflags) après le varsoc depvar. Si, en plus, la régression a des variables indépendantes autres que les retards, incluez ceux après l'option maxlag () en tapant exog (varnames). La sortie indiquera le nombre de décalage optimal avec un astérisque. Ensuite, procédez à l'exécution de la régression en utilisant le nombre spécifié de décalages sur la variable dépendante sur le côté droit avec les autres variables indépendantes. De cette sortie, il est clair que le nombre optimal de décalages est 1, donc la régression devrait ressembler à: (Pour d'autres options avec la commande varsoc, voir le manuel Stata de Time Series.) 101 copie 2007 Les fiduciaires de l'Université de Princeton. Tous les droits sont réservés. Dataprinceton. edu NOTE: L'information est pour l'université de Princeton. N'hésitez pas à utiliser la documentation, mais nous ne pouvons pas répondre aux questions en dehors de Princeton AVIS: Le groupe de consultation IDRE Statistical migrera le site Web vers le WordPress CMS en février pour faciliter la maintenance et la création de nouveaux contenus. Certaines de nos anciennes pages seront supprimées ou archivées de sorte qu'elles ne seront plus conservées. Nous essaierons de maintenir les redirections afin que les anciennes URL continuent à fonctionner de la meilleure façon possible. FAQ sur le SAS: Comment puis je créer des variables de retard et de plomb dans les données longitudinales Lorsque l'on examine les données sur des unités de temps cohérentes (années, trimestres, mois), il y a Est souvent intéressant à créer des variables basées sur la façon dont les données pour une période de temps donnée se comparent aux périodes avant et après. Si vous avez des données longitudinales, vous désirez regarder des unités de temps dans un même sujet. Lorsque vos données sont sous forme longue (une observation par point de temps par sujet), cela peut facilement être traité dans Stata avec des étapes de création de variables standard en raison de la façon dont Stata traite des ensembles de données: il stocke l'ensemble de données et peut facilement se référer à tout Point dans l'ensemble de données lors de la génération de variables. SAS fonctionne différemment. Les variables SAS sont typiquement créées par une étape de données dans laquelle le SAS se déplace dans l'ensemble de données, l'observation par observation, les calculs pour l'observation donnée et l'accès à une seule observation à la fois. Ce système de stockage et d'accès de données permet à SAS d'analyser des ensembles de données volumineux mais aussi très difficile de créer des variables de séries temporelles dans SAS à l'aide d'une étape de données. Cependant, proc expand fournit une alternative facile à utiliser pour l'étape de données. Commençons par un exemple de jeu de données contenant un seul sujet. L'ensemble de données ci dessous contient les taux de chômage des États Unis de septembre 2006 à août 2008. Pour chaque mois, nous souhaitons connaître la différence entre son taux et le taux du mois précédent (r (i) r (i 1) (R (i1) r (i)) (r (i) r (i 1) et son taux et le taux du mois suivant ) Nous allons indiquer que nous ne souhaitons pas transformer les valeurs (à l'aide d'une spline, d'un spline, Par exemple), mais simplement pour saisir les données non transformées de l'enregistrement spécifié. Nous indiquons que notre série temporelle est définie par date dans la ligne id et dans les trois lignes de convertir, nous créons les trois valeurs que nous souhaitons avoir pour chaque point de temps en Nous indiquons à SAS le nom de la variable dans notre nouvel ensemble de données, le type de transformation (lag. Lead) et le nombre De points de temps pour regarder en arrière ou en avant pour la transformation (1 dans cet exemple). Nous pouvons voir le jeu de données résultant. Sur la base de cet ensemble de données, nous pouvons maintenant facilement calculer les trois séries chronologiques que nous avons décrites précédemment. Mais que faire si nous avions des données pour plusieurs pays L'ensemble de données ci dessous contient des données sur le chômage de 2000 2005 pour trois pays. Nous souhaitons créer des variables de retard et de plomb dans chaque pays. Pour ce faire, nous pouvons utiliser proc expand avec une instruction par après le tri sur le pays. Avec proc expand. Vous pouvez également générer des moyennes mobiles, des splines et des valeurs interpolées. Pour plus de détails, reportez vous aux pages de développement de la documentation SAS en ligne.
No comments:
Post a Comment