el criterio de información Akaike (AIC) de un modelo EGARCH estimado (con correcciones para pequeños tamaños de muestra).
Sintaxis
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
- 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
Ejemplo 1:
|
|
| 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) |
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.