el criterio de información Akaike (AIC) de un modelo EGARCH estimado (con correcciones para pequeños tamaños de muestra).
Sintaxis
EGARCH_AIC(X, Order, Mean, Alphas, Gammas, Betas, Innovation, v)
- X
- son los datos de series de tiempo univariante (una matriz/array dimensional de celdas (Ej. filas o columnas)).
- Orden
- es el tiempo en la series de datos (Ej. el primer punto corresponde a la fecha (la fecha más temprana fecha = 1 (por defecto), la última fecha = 0).
Value Orden 1 Ascendente (el primer punto corresponde a la fecha más temprana (por defecto). 0 Descendente (el primer punto corresponde a la última fecha). - Mean
- es la media del modelo E-GARCH (Ej. mu).
- Alphas
- son los parámetros del componente de modelo ARCH(p) (comenzando con el lag más bajo).
- Gammas
- son los parámetros de apalancamiento (comenzando con el lag más bajo).
- Betas
- son los parámetros del modelo componente GARCH(q) (comenzando con el lag más bajo).
- Innovación
- es la probabilidad del modelo de distribución para los residuos/innovaciones (1 = Gaussian (por defecto), 2 = t-Distribución, 3 = GED).
Valor Innovación 1 Distribución normal o Gaussiana (por defecto). 2 Distribución t del estudiante. 3 Distribución de error generalizada (GED). - v
- es la forma del parámetro (o grados de libertad) de la función de distribucion de probailidad de residuos/innovations.
Observaciones
- El modelo subyacente se describe aquí.
- Criterio de Información de Akaike ( AIC ) se describe aquí.
- La series de tiempo son homogéneas e igualmente espaceadas.
- La series de tiempo puede incluiur valores faltantes (Ej. #N/A) en cada extremo.
- Dado un conjunto de datos fijos, varios modelos de la competencia pueden ser de acuerdo a su AIC , el modelo con el más bajo AIC es el mejor
- El modelo EGARCH(p,q) tiene 2p+q+2 parámtros estimados
- El número de los parámetros en los argumentos de entrada - alpha - determina el orden del modelo de componentes ARCH.
- El número de parámetros en los argumentos de entrada - beta- determina el orden del modelo de componentes GARCH.
Ejemplos de archivos
Enlaces Relacionados
- Wikipedia - Criterio de información de Akaike.
- Wikipedia - Autoregressive conditional heteroskedasticity.
Referencias
- Hamilton, J.D.; Time Series Analysis, Princeton University Press (1994), ISBN 0-691-04289-6.
- Tsay, Ruey S.; Analysis of Financial Time Series John Wiley & SONS. (2005), ISBN 0-471-690740.
Comentarios
El artículo está cerrado para comentarios.