عنوان فارسی:دانلود ترجمه مقاله استنتاج آماری همزمان در مدل‌های عامل حرکتی : تقریب کای دو و بوت استرپ مبتنی بر مدل

دانلود ترجمه مقاله استنتاج آماری همزمان در مدل‌های عامل حرکتی:رویکرد استنباط آماری مبتنی بر احتمال پارامتری را در مدل‌های عامل کوچک-مقیاس (پویا) به طور جامع شرح داده‌ایم. به ویژه، جزئیات اجرای روش‌های تخمین و آزمایش را به شیوه‌ای منسجم و یکپارچه توضیح داده‌ایم. علاوه‌براین، برنامه‌های آماده استفاده MATLAB که همه نتایج دست نوشته حاضر را می‌توان با استفاده از آن‌ها مجددا تولید کرد بر حسب درخواست از نویسنده دوم قابل دسترس هستند.

مقاله انگلیسی+ترجمه فارسی

فهرست مطالب

چکیده

مقدمه و انگیزه

متدلوژی آماری

مدل عامل پویا

آزمون چندگانه

استنتاج مبتنی بر احتمال در مدل‌های عامل پویا

پیاده‌سازی

شناسایی مدل

تخمین تعداد باندهای فرکانس مجزا

تخمین پارامترهای آزاد در مدل

مطالعات شبیه‌سازی

کاربرد

بحث

چکیده

متدلوژی استنتاج آماری در مدل‌های عامل پویا (DFMs) در زمینه آزمون چندگانه بر اساس قضیه حد مرکزی برای تبدیلات فوریه تجربی سری‌های زمانی چند متغیره توسعه می‌یابد. این نتیجه نظری امکان استفاده از برداری از آماره آزمون نوع-والد را فراهم می‌سازد که به طور مجانبی از توزیع کای دوی چند متغیره‌ای تحت فرضیه پوچ جهانی، هنگامِ مِیل افق مشاهده به سمت بی‌نهایت، پیروی می‌کند. روال‌های آزمون چندگانه مجانبی چندگانگی-تطبیقی بر اساس آماره والد با روال بوت استرپ مدل-محور ارائه شده در کارهای قبلی اخیر مقایسه می‌شوند. شبیه‌سازی‌های مونت کارلو نشان می‌دهند که هر دوی آزمون کای دوی چندگانه مجانبی با تطبیق مناسب چندگانگی و روال آزمون چندگانگی مبتنی بر بوت استرپ، نرخ خطای خانوادگی را در سطح معناداریِ از پیش تعریف شده حفظ می‌کنند. الگوریتم تقریب و همچنین پیاده‌سازی روال‌ها آزمون به طور دقیق شرح داده شده و کاربردی واقعی روی داده‌های کالای اروپا انجام می‌شود.

Abstract

Statistical inference methodology in dynamic factor models (DFMs) is extended to the multiple testing context based on a central limit theorem for empirical Fourier transforms of multivariate time series. This theoretical result allows for employing a vector of Wald-type test statistics which asymptotically follows a multivariate chi-square distribution under the global null hypothesis when the observation horizon tends to infinity. Multiplicity-adjusted asymptotic multiple test procedures based on Wald statistics are compared with a model-based bootstrap procedure proposed in recent previous work. Monte Carlo simulations demonstrate that both the asymptotic multiple chi-square test with an appropriate multiplicity adjustment and the bootstrap-based multiple test procedure keep the family-wise error rate approximately at the predefined significance level. The estimation algorithm as well as the implementation of the testing procedures are described in detail and a real-life application is performed on European commodity data.

نمونه ترجمه مقاله:

. مقدمه و انگیزه

مدل عامل پویا (DFM)، مدل سری‌های زمانی چندمتغیره‌ای است که در آن فرض می‌شود فرایند مشاهداتی را می‌توان در مجموع فاکتورهای ویژه و مشترک نهفته تجزیه کرد. ماهیت پویای فرایند توسط خودهمبستگی در مولفه‌های مشترک یا ویژه، یا هر دو، یا تاثیر دینامیک مولفه‌های مشترک روی روند مشاهده نمایش داده می‌شود. فرض می‌شود که فاکتورهای مشترک، بخش معناداری از همبستگی متقابل سری‌های زمانی اصلی را نشان می‌دهند، در حالی که تنها دینامیک مربوط به سری‌های فردی، در فاکتورهای ویژه شامل می‌شود. با توجه به این ویژگی‌ها، DFMs را می‌توان به عنوان ابزار کاهش بُعد و همچنین برای فراهم ساختن تفاسیر معنادار از دینامیکِ محرک فرایندهای مشاهداتی خاص مورد استفاده قرار داد. با توجه به تفسیرپذیری و انعطاف‌پذیری مدل‌بندی DFMها، می‌توان آن‌ها را به طور گسترده‌ای در امور مالی و اقتصاد به کار گرفت؛ به عنوان مثال، سارگنت و سیمز (1977)، فورنی و همکاران (2000)، و استاک و واتسون (2011)[1] را ببینید.

پارامترهای DFM را می‌توان هم به لحاظ پارامتری و هم به لحاظ ناپارامتری در بُعد زمان و همچنین در بُعد فرکانس تخمین زد. روال‌های تخمین زمان-دامنه کلاسیک، از روش‌های مبتنی بر ماکسیمم احتمال، از قبیل الگوریتم ماکسیمم‌سازی انتظار[2] (EM) (واتسون و انگل، 1983)[3] یا روش‌های ناپارامتری بر اساس استخراج مولفه‌های اصلی (استاک و واتسون، 2002) استفاده می‌کنند. به تازگی، آنالوگ دامنه فرکانس روش EM-محور توسط فیورنتینی و همکاران (2016)[4] ارائه شده است و روال‌های مبتنی بر مولفه‌های اصلی توسط فورنی و همکاران (2000)[5] به دامنه فرکانس توسعه یافته‌اند. روش‌ تخمین پارامتری پیشنهادی توسط گویک (1977) و گویک و سینگلتون (1981)[6] ارائه شده و نشان دهنده تطبیقی از روش توسعه یافته اصلی برای تخمین پارامتری ماتریس کواریانس مدل عامل ایستای[7] ارائه شده توسط لاولی (1940) و جورسکاگ (1967)[8] است. در حالی که روش‎های مبتنی بر الگوریتم EM و مولفه‌های اصلی، به لحاظ سنتی برای تخمین DFMهای با مقیاس بزرگتری مورد استفاده قرار می‌گیرند، DFMهای با مقیاس کوچکتر را می‌توان به طور کارامدی از طریق بهینه‌سازی مستقیم تابع احتمال

[1] Sargent and Sims (1977), Forni et al. (2000) and Stock and Watson (2011)

[2] the expectation maximization

[3] Watson and Engle (1983)

[4] Fiorentini et al. (2016)

[5] Forni et al. (2000)

[6] Geweke (1977), Geweke and Singleton (1981)

[7] static factor model

[8] Lawley (1940) and Jِreskog (1967)