EGARCH_AIC - Criterio de información de Akaike (AIC) de un modelo EGARCH

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)).

Order tiempo en la series de datos (Ej. el primer punto corresponde a la fecha (la fecha más temprana fecha=1 (por defecto), la ultima fecha=0)).

Orden Descripción
1 ascendente (el primer punto corresponde a la fecha más temprana (por defecto)
0 descendente (el primer punto corresponde a la ultima 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).

innovation es la probalilidad del modelo de distribución para los residuos/innovations (Gaussian (por defecto), 2= t- Distribución, 3=GED).

valor Descripción
1 Distribución normal o Gaussiana (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

  1. El modelo subyacente se describe aquí.
  2. Criterio de Información de Akaike ( AIC ) se describe aquí.
  3. La series de tiempo son homogéneas e igualmente espaceadas.
  4. La series de tiempo puede incluiur valores faltantes (Ej. #N/A) en cada extremo.
  5. 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
  6. El modelo EGARCH(p,q) tiene 2p+q+2 parámtros estimados
  7. El número de los parámetros en los argumentos de entrada - alpha - determina el orden del modelo de componentes ARCH.
  8. El número de parámetros en los argumentos de entrada - beta- determina el orden del modelo de componentes GARCH.

Ejemplos

Ejemplo 1:

 
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
A B C D
Fecha Data    
Enero 10, 2008 -2.827 EGARCH(1,1)  
Enero 11, 2008 -0.947 Mean -0.266
Enero 12, 2008 -0.877 Alpha_0 1.583
Enero 14, 2008 1.209 Alpha_1 -1.755
Enero 13, 2008 -1.669 Gamma_1 0.286
Enero 15, 2008 0.835 Beta_1 0.470
Enero 16, 2008 -0.266    
Enero 17, 2008 1.361    
Enero 18, 2008 -0.343    
Enero 19, 2008 0.475    
Enero 20, 2008 -1.153    
Enero 21, 2008 1.144    
Enero 22, 2008 -1.070    
Enero 23, 2008 -1.491    
Enero 24, 2008 0.686    
Enero 25, 2008 0.975    
Enero 26, 2008 -1.316    
Enero 27, 2008 0.125    
Enero 28, 2008 0.712    
Enero 29, 2008 -1.530    
Enero 30, 2008 0.918    
Enero 31, 2008 0.365    
Febrero 1, 2008 -0.997    
Febrero 2, 2008 -0.360    
Febrero 3, 2008 1.347    
Febrero 4, 2008 -1.339    
Febrero 5, 2008 0.481    
Febrero 6, 2008 -1.270    
Febrero 7, 2008 1.710    
Febrero 8, 2008 -0.125    
Febrero 9, 2008 -0.940    


  Fórmula Descripción (Resultado)
  =EGARCH_AIC($B$2:$B$32,1,$D$3,$D$4:$D$5,$D$6,$D$7,3,30) Criterio de Información Akaike (AIC) con GED(df=30) choques (106.375)
  =EGARCH_AIC($B$2:$B$32,1,$D$3,$D$4:$D$5,$D$6,$D$7,2,5) Criterio de Información Akaike (AIC) con t-dist(df=5) innovation/choques(95.390)
  =EGARCH_AIC($B$2:$B$32,1,$D$3,$D$4:$D$5,$D$6,$D$7) Criterio de Información Akaike (AIC) con choques/innovations por defectos gaussina (90.471)
  =EGARCH_LLF($B$2:$B$32,1,$D$3,$D$4:$D$5,$D$6,$D$7) Función de Log-Verosimilitud para una distribución normal(-42.235)
  =EGARCH_CHECK($D$3,$D$4:$D$5,$D$6,$D$7) Es el modelo EGARCH(1,1) estable? (1)

Ejemplos de archivos

Referencias

¿Tiene más preguntas? Enviar una solicitud

0 Comentarios