Exponencial moving average eviews

ETS Suavização exponencial em EViews 8 Embora os métodos de suavização exponencial ad hoc (ES) tenham sido empregados por muitas décadas, desenvolvimentos metodológicos recentes incorporaram esses modelos em uma estrutura de modelo não-linear dinâmico moderno. Hyndman, Koehler, et al. (2002, A Framework de Espaço do Estado para Previsão Automática Usando Métodos de Suavização Exponencial, International Journal of Forecasting, 18, 439454.) descreve a estrutura ETS (E rror-T rend-Sasonason ou E xponen T ial S) que define uma extensão Classe de métodos ES e oferece uma base teórica para a análise desses modelos usando cálculos de verossimilhança baseados no espaço estadual, com suporte para seleção de modelo e cálculo de erros padrão de previsão. Notavelmente, a estrutura ETS abrange os modelos ES padrão (por exemplo, métodos aditivos e multiplicativos Holt e HoltWinters), de modo que fornece uma base teórica para o que anteriormente era uma coleção de abordagens ad hoc. EViews 8 fornece suavização exponencial ETS como um procedimento interno. Abaixo, mostramos um exemplo de uso do ETS em EViews. Para ilustrar a estimativa e alisamento usando um modelo de ETS, prevemos manobra mensal de habitação (HS) para o período 1985m011988m12. Esses dados são fornecidos no arquivo de trabalho hs. wf1. Usaremos o erro multiplicativo, a tendência aditiva e o modelo sazonal multiplicativo (M, A, M) para estimar parâmetros usando dados de 1959m011984m12 e suavizar e prever para 1985m11988m12. Primeiro, carregue o arquivo de trabalho, abra a série HS e selecione Suavização exponencial SmoothingETS ProcExponential. Mude os menus suspensos da Especificação do Modelo para (M, A, M), defina a amostra de Estimativa para 1959 1984 ou 1959m01 1984m12, defina o ponto final de Previsão para 1988m04 e deixe as configurações restantes em seus valores padrão. Quando você clicar em OK. EViews estima o modelo ETS, exibe os resultados e salva os resultados suavizados na série HSSM no arquivo de trabalho. Os resultados são divididos em quatro partes. A primeira parte da tabela mostra as configurações empregadas no procedimento ETS, incluindo a amostra empregada para avaliação e o estado da estimativa. Aqui vemos que estimamos um modelo (M, A, M) usando dados de 1959 a 1984, e que o estimador convergiu, mas com alguns parâmetros em valores limite. A próxima seção da tabela mostra os parâmetros de suavização (,,) e os estados iniciais x 0 (l 0. B 0. S 0. S -1. S -11). Observe a presença dos valores zero do limite para e, que indicam que os componentes sazonais e de tendência não mudam de seus valores iniciais. A parte inferior da saída da tabela contém estatísticas de resumo para o procedimento de estimativa: a maioria dessas estatísticas é auto-explicativa. A probabilidade de registro comprovada relatada é simplesmente o valor de log-verossimilhança ausente de constantes inessenciais, e é fornecido para facilitar a comparação com os resultados obtidos de outras fontes. Para fins de comparação, pode ser útil considerar o modelo ETS obtido usando a seleção do modelo. Para executar a seleção do modelo, preencha a caixa de diálogo como antes, mas configure cada um dos menus suspensos da Especificação do modelo para Auto. Observe que nas configurações padrão, o melhor modelo será selecionado usando o Critério de Informação Akaike. Em seguida, clique na aba Opções e defina as opções de Exibição para mostrar a previsão e todos os elementos da decomposição em Gráficos múltiplos e para produzir gráficos e tabelas para as comparações de previsão e probabilidade de todos os modelos considerados pela seleção do modelo. procedimento. Clique em OK para executar o suavização. Uma vez que o EViews produzirá vários tipos de saída para o procedimento, os resultados serão exibidos em um spool: O painel de saída esquerdo permite que você selecione a saída que deseja exibir. Basta clicar na saída que deseja exibir ou usar a barra de rolagem no lado direito da janela para passar da saída para a saída. A saída de estimativa contém a especificação, alisamento estimado e parâmetros iniciais e estatísticas de resumo. A parte superior da saída mostra que o critério de informação de Akaike selecionado modelo ETS é uma especificação (M, N, M), com estimativa de parâmetro de alívio de nível 0,72 e o parâmetro sazonal 0 estimado no limite. As estatísticas de resumo indicam que esta especificação é superior ao modelo anterior (M, A, M), com base em todos os três critérios de informação e o erro quadrático médio médio, embora a probabilidade seja menor e o SSR e RMSE sejam ambos Um pouco mais alto no modelo selecionado. Ao clicar no gráfico de comparação AIC no spool, vemos os resultados para todos os modelos candidatos: Note que o modelo selecionado (M, N, M) e original (M, A, M) estão entre as cinco especificações com AIC relativamente baixo Valores. O gráfico de comparação de previsão mostra as previsões para os modelos candidatos: o gráfico mostra as últimas observações das previsões na amostra e as previsões fora da amostra para cada uma das possíveis especificações ETS. Além disso, nossas configurações de exibição de ETS escolhidas produziram a tabela de probabilidade que contém a probabilidade real e os valores de Akaike para cada especificação, e a tabela de comparação de previsão, que apresenta um subconjunto dos valores exibidos no gráfico. Por exemplo, a tabela de verossimilhança consiste em Por fim, o carretel contém um gráfico múltiplo contendo os valores reais e previstos de HS sobre o período de estimativa e previsão, juntamente com a decomposição da série no nível e nos componentes sazonais. Para obter informações sobre vendas, envie um e-mail para as vendas. Para obter suporte técnico, envie um e-mail para o Suporte. Inclua seu número de série com toda a correspondência por e-mail. Para obter informações de contato adicionais, consulte a nossa Sobre a página. O suavizado exponencial é um método simples de previsão adaptativa. É uma forma eficaz de prever quando você tem apenas algumas observações sobre as quais basear sua previsão. Ao contrário das previsões de modelos de regressão que usam coeficientes fixos, as previsões de métodos de suavização exponencial se ajustam com base em erros de previsão do passado. Para discussão adicional, veja Bowerman e OConnell (1979). O EViews oferece dois métodos de realização de suavização exponencial: suavização exponencial simples com base em métodos ad hoc mais antigos e suavização exponencial baseada no quadro de probabilidade de erro-Tendência-Sazonal de Hyndman, Koehler e outros. (2002). Suavização exponencial simples Para obter previsões com base em métodos de suavização exponencial, escolha ProcExponential SmoothingSimple Exponential Suavização. A caixa de diálogo Suavização exponencial aparece: você precisa fornecer as seguintes informações: Método de suavização. Você tem a opção de escolher um dos cinco métodos listados. Parâmetros de Suavização. Você pode especificar os valores dos parâmetros de suavização ou permitir que os EViews os estimem. Para estimar o parâmetro, digite a letra e (para estimativa) no campo de edição. EViews estima os parâmetros minimizando a soma de erros quadrados. Não se surpreenda se os parâmetros de amortecimento estimados estiverem perto de um é um sinal de que a série está próxima de uma caminhada aleatória, onde o valor mais recente é a melhor estimativa de valores futuros. Para especificar um número, digite o número no campo correspondente ao parâmetro. Todos os parâmetros são restritos para estar entre 0 e 1 se você especificar um número fora do intervalo da unidade, EViews estimará o parâmetro. Nome da série lisa. Você deve fornecer um nome para a série suavizada. Por padrão, o EViews gerará um nome anexando SM ao nome da série original, mas você pode inserir qualquer nome de EViews válido. Amostra de estimativa. Você deve especificar o período de amostra sobre o qual basear suas previsões (quer você opte por estimar os parâmetros ou não). O padrão é o exemplo atual do arquivo de trabalho. EViews calculará as previsões a partir da primeira observação após o final da amostra de estimação. Ciclo para temporada. Você pode alterar o número de estações por ano do padrão de 12 por mês ou 4 para séries trimestrais. Esta opção permite que você preveja dados incomuns, como um arquivo de trabalho não datado. Digite um número para o ciclo neste campo. Single Smoothing (um parâmetro) Este único método de suavização exponencial é apropriado para séries que se movem aleatoriamente acima e abaixo de um meio constante sem tendência nem padrões sazonais. A série lisa é calculada de forma recursiva, avaliando: Vale ressaltar que Holt-WintersNo Seasonal, não é o mesmo que aditivo ou multiplicativo com o. A condição restringe apenas que os fatores sazonais se alterem ao longo do tempo, de modo que ainda existem fatores sazonais (fixos) não-zero nas previsões. Como ilustração da previsão usando o alisamento exponencial, prevemos dados sobre o início mensal da habitação (HS) no período 1985m011988m12 usando os dados básicos do DRI para o período 1959m011984m12. Esses dados são fornecidos no arquivo de trabalho Hs. WF1. Carregue o arquivo de trabalho, realce a série HS, clique duas vezes, selecione ProcExponential SmoothingSimple Exponential Suavização. Usamos o método Holt-Winters - Multiplicativo para explicar a sazonalidade, nomear as previsões suavizadas HSSM e estimar todos os parâmetros no período 1959m11984m12. Deixe as configurações restantes em seus valores padrão. Quando você clicar em OK. EViews exibe os resultados do procedimento de suavização. A primeira parte exibe os valores dos parâmetros estimados (ou especificados), a soma dos resíduos quadrados, o erro quadrático médio quadrado da previsão. Os valores zero para Beta e Gamma neste exemplo significam que a tendência e os componentes sazonais são estimados como fixos e não estão mudando. A segunda parte da tabela exibe a média e a tendência no final da amostra de estimativa que são usadas para previsões suavizadas pós-amostra. Para os métodos sazonais, os fatores sazonais utilizados nas previsões também são exibidos. A série suavizada no arquivo de trabalho contém dados desde o início da amostra de estimação até o final do intervalo do arquivo de trabalho, todos os valores após o período de estimação são previsões. Quando traçamos os valores reais (HS) e as previsões suavizadas (HSSM) em um único gráfico, obtemos: Incluímos os valores previstos HSF a partir da estimativa de um modelo de AR com um termo AR (1) e SAR (12) Para fins comparativos. As previsões do método de suavização exponencial multiplicativo fazem um melhor trabalho de rastreamento dos movimentos sazonais na série real. Suavização exponencial ETS Embora os métodos de suavização exponencial ad hoc (ES) tenham sido empregados durante muitas décadas, desenvolvimentos metodológicos recentes incorporaram esses modelos em uma estrutura de modelo não linear linear dinâmico (ver Chatfield, et al., 2001 para uma breve visão geral histórica). Hyndman, Koehler, et al. (2002) descrevem a estrutura do ETS (E rror-T rend-S easonal ou E xponen T ial S) que define uma classe estendida de métodos ES e oferece uma base teórica para a análise desses modelos usando cálculos de verossimilhança baseados no espaço de estado, Com suporte para seleção de modelo e cálculo de erros padrão de previsão. Notavelmente, a estrutura ETS abrange os modelos ES padrão (por exemplo, métodos aditivos e multiplicativos Holt e HoltWinters), de modo que fornece uma base teórica para o que anteriormente era uma coleção de abordagens ad hoc. O restante desta seção descreve brevemente os conceitos básicos dos modelos de suavização exponencial ETS e descreve sua estimativa em EViews. Os usuários que desejam detalhes adicionais devem consultar Ord, Koehler e Snyder (1997), Hyndman, Koehler, Snyder e Grose (2002) e, em particular, o tratamento do livro por Hyndman, Koehler, Ord e Snyder (2008) . A série temporal pode ser decomposta em três componentes, tendência (T), sazonal (S) e erro (E), onde o termo de tendência caracteriza o movimento a longo prazo, o termo sazonal corresponde a um padrão com periodicidade conhecida e O termo de erro é o componente irregular e imprevisível da série. Os componentes individuais de uma especificação ETS podem ser especificados como sendo da forma: (Hyndman, et al., 2008, Tabela 2.3, página 22). Parâmetros e estados iniciais Dada qualquer especificação ETS, parâmetros e valores para os estados iniciais, podemos usar o estado ETS e as equações de previsão para obter estimativas suavizadas dos componentes não observados e da série subjacente. Normalmente, os parâmetros são estimados. Os estados iniciais são estimados ou atribuídos valores ad hoc. Alguns modelos ETS requerem apenas um subconjunto dos parâmetros e estados. Modelos sem componente sazonal, por exemplo, não usam o parâmetro sazonal nem os estados sazonais iniciais. Usaremos e referiremos os subconjuntos relevantes para um determinado modelo que devem ser estimados. Os valores dos parâmetros geralmente são desconhecidos e devem ser estimados. Houve muitas sugestões para reduzir o tamanho do espaço de parâmetro potencial para. A abordagem tradicional atribuiu as seguintes restrições aos parâmetros para garantir a estabilidade do modelo: tradicionalmente, os valores do estado inicial são especificados usando valores ad hoc. A abordagem ETS permite o uso desses valores experimentais ou a estimativa dos estados iniciais como parte do problema de otimização. Mesmo quando os estados iniciais são estimados, é útil usar valores ad hoc como ponto de partida para otimização. Seguindo Hyndman, et al. (2002) O EViews usa o seguinte método ad hoc para calcular os estados iniciais ou os valores iniciais para os estados iniciais estimados: componentes de nível inicial. Para dados não sazonais, computa uma tendência linear nas primeiras dez observações contra uma série temporal. Para dados sazonais, computa uma tendência linear usando regressão linear nos dez primeiros valores sazonalmente ajustados contra séries temporais. E, em seguida, defina o nível inicial como a intercepção da tendência. Componente sazonal inicial. Calcule uma média móvel nos primeiros anos de dados. Indique este conjunto de valores. Para a sazonalidade aditiva, detrenda os dados para obter. Para a sazonalidade multiplicativa, desvira os dados para obter. Calcule os índices sazonais iniciais pela média dos dados detrados para cada estação. Normalize esses índices sazonais para que eles adicionem a zero para sazonalidade aditiva e adicione para sazonalidade multiplicativa. EViews oferece métodos de máxima verossimilhança (ML) e média de minimização de erro quadrado médio (AMSE) para estimar os parâmetros desconhecidos e, opcionalmente, os estados iniciais. Estimativa de máxima probabilidade O estimador de máxima verossimilhança encontra os parâmetros e estados iniciais que maximizam a função de verossimilhança. A probabilidade de log Gaussiana para as especificações ETS pode ser escrita em termos dos erros de previsão, pois, para um dado conjunto de parâmetros e estados iniciais e modelo ETS, a probabilidade é avaliada recursivamente usando as equações de estados e a resolução para o erro de predição usando a previsão apropriada Equação de decomposição. Minimização média média do erro quadrado O estimador médio do erro quadrático médio encontra os valores dos parâmetros e os valores do estado inicial que minimizam o erro médio médio quadrado das previsões do passo do modelo ETS especificado. Lembre-se de que nosso erro de previsão é simplesmente o erro de previsão de um passo para a série:. O erro de previsão do passo-a-passo é definido como A estrutura de suavização do ETS se presta à seleção automática do modelo. Uma vez que tanto uma probabilidade como um erro de previsão podem ser calculados para cada modelo ETS, é possível comparar um critério de informação baseado em probabilidade ou AMSE fora de amostra em modelos para determinar qual deles se adapta mais aos dados (usando a probabilidade), ou Previsões com mais precisão (usando AMSE). As comparações baseadas na verossimilhança podem ser realizadas usando os critérios baseados na probabilidade padrão: Critério de Informação de Akaike (AIC), Critério de Informação de Schwarz (BIC) ou o Critério Hannan-Quinn (HQ). Especificamente, onde estão os valores maximizados e p é o número de parâmetros em mais o número dos estados iniciais estimados em. O modelo que minimiza o AIC (BIC ou HQ) em todos os modelos disponíveis é adotado. O erro quadrático médio médio fora da amostra (AMSE) é calculado como antes: mas usando dados fora da amostra que não foram usados ​​para estimativa do modelo. Observe que duas complicações podem surgir ao realizar a seleção do modelo: Divisão por zero: alguns modelos multiplicativos podem ser divididos por zero problemas durante a estimativa. Uma maneira de aliviar esse problema é comparar apenas modelos com tendência aditiva e componentes sazonais. Falha na convergência: alguns modelos podem não encontrar um valor ótimo para os parâmetros ou não conseguem convergir. Esses modelos podem reportar valores de verossimilhança e erros de previsão mesmo que eles não tenham sido realmente otimizados. Uma vez que um modelo ETS foi escolhido e os parâmetros foram estimados, a série suavizada na amostra pode ser calculada substituindo recursivamente os parâmetros estimados pela função de previsão de um passo e usando os erros de previsão para atualizar as estimativas do estado. O procedimento de suavização pode ser prolongado para além do intervalo dos dados originais para formar uma previsão de suavização fora da amostra da série. Os valores suavizados fora da amostra são previsões dinâmicas da série usando o modelo de suavização, parâmetros estimados e dados na amostra. Usando ETS Smoothing em EViews Para executar o suavização exponencial em EViews, abra a série e escolha ProcExponential SmoothingETS Suavização Exponencial para exibir a caixa de diálogo ETS Smoothing: você pode usar a seção Especificação do modelo da caixa de diálogo para especificar o tipo de modelo ETS que deseja usar Para alisar. Há um menu suspenso para cada parte da decomposição. Por padrão, o EViews emprega o erro de adição, nenhuma tendência e nenhum modelo sazonal (A, N, N). Além das opções de componentes descritas na decomposição ETS (N, A, AD, etc.), o EViews oferece uma escolha automática para que você especifique que a especificação do componente será escolhida usando as técnicas de seleção do modelo. Para a eficiência de cálculo, o EViews oferece duas opções para reduzir o número de modelos de suavização ETS disponíveis. A caixa de seleção Somente permite que a opção additive trendseason apenas escolha modelos com tendência aditiva e apenas componentes sazonais. A caixa de seleção Rejeitar modelos não otimizados permite excluir modelos para os quais o procedimento de estimação não convergeu da comparação do modelo. Se você especificou um componente sazonal ou eleito para selecionar a especificação sazonal usando a seleção do modelo, o campo de edição de especificação sazonal permite que você especifique o comprimento m de sazonalidade. A configuração do ciclo padrão dependerá da estrutura do arquivo de trabalho (4 por trimestre, 12 por mês, 2 por todos os outros). Quando você escolhe Auto para qualquer um dos tipos de componentes, o EViews exibe as opções de seleção do modelo que permitem especificar o procedimento de seleção do modelo. Você pode escolher entre minimizar um dos critérios de informação (Akaike Info Criterion, Schwarz Info Criterion, Hannan-Quinn Criterion) ou encontrar o modelo com o melhor dentro da previsão preditiva de uma etapa, minimizando o MSE médio. A seção Parâmetros da caixa de diálogo permite que você especifique valores fixos para os parâmetros de suavização em seu modelo. Se você inserir um valor numérico em um dos campos de edição, EViews irá corrigir o parâmetro nesse valor e removê-lo do conjunto de parâmetros a serem estimados. Deixar um campo em branco instrui EViews para estimar o parâmetro. Observe que qualquer valor de parâmetro especificado pelo usuário deve estar dentro dos limites de parâmetros delineados na Equação (11.89). A seção de especificação da amostra consiste em duas configurações: a amostra de estimação e o ponto final da previsão. O campo de edição da amostra de estimativa identifica a amostra contígua que será usada para estimar o modelo de suavização. Você deve inserir um único par de datas. Observe que o procedimento ETS não permite valores faltantes na série de origem. O ponto final de previsão permite especificar o ponto final da amostra de previsão. Observe que o ponto inicial de previsão é corrigido como a primeira observação após a amostra de estimativa. Por exemplo, se a amostra de estimação for dada como 1985m01 1991m12 e o ponto final de previsão é dado como 1992m04, então EViews realizará análise de suavização exponencial para a amostra de estimação e prevê os períodos remanescentes (ou seja, 1992m01 1992m04). Para especificar as opções para controlar a estimativa, clique na guia Opção. A seção de otimização do modelo permite que você especifique a função objetivo de otimização, as iterações e convergências máximas e os valores iniciais, e para indicar se você deseja tratar os valores iniciais do estado como parâmetros ou usar o método ad hoc para computar os estados iniciais. Objetivo. Você pode escolher a função objetivo que precisa ser otimizada, com base em probabilidade (log-verossimilhança) ou com base em erro de previsão (MSE médio). Comprimento AMSE. Se a função objetivo média MSE for escolhida como objeto, o comprimento AMSE h descrito na Equação (11.92) deve ser especificado no campo de edição. Iterações máximas e convergência. Permite controlar o processo iterativo, especificando o número máximo de iterações e critério de convergência. Por padrão, os parâmetros iniciais são definidos como valores fornecidos pelo EViews, mas você pode selecionar a caixa de seleção Valores iniciais do usuário para usar os valores existentes no vetor de coeficientes C. Selecione a caixa Não otimizar os estados iniciais para usar o método ad hoc para computar os estados iniciais. A seção Exibir fornece opções para mostrar os resultados do procedimento ETS em gráfico ou formulário de tabela. A parte superior da seção permite que você especifique a exibição dos resultados dos componentes em gráficos únicos ou múltiplos. Se você selecionar vários gráficos. EViews exibirá a Previsão selecionada. Nível. Tendência. E Season componentes em gráficos separados. Se você selecionar Gráfico único. Todos os componentes selecionados serão incluídos em um único gráfico. Se a especificação ETS na página Especificação da caixa de diálogo (especificação ETS) contém quaisquer componentes escolhidos automaticamente, o EViews oferecerá a opção de exibir um gráfico ou tabela dos valores de previsão e verossimilhança usados ​​para prever e os valores de probabilidade usados ​​na seleção do modelo procedimento. Basta selecionar a caixa de seleção Gráfico ou Tabela apropriada para incluir um componente. Os resultados serão exibidos juntamente com os resultados da estimativa. A seção Série de Saída da guia Opções permite que você especifique os nomes das séries de saída do processo de suavização. Por padrão, o EViews criará uma nova série no arquivo de trabalho com as séries suavizadas finais (e possivelmente previstas). O nome da série criada será o mesmo que o nome da série original, com um SM anexado ao final. Você pode alterar esse nome usando o campo de edição de nome de Previsão. Você pode optar por salvar o nível individual, a tendência e os componentes sazonais da saída da série suavizada em seu arquivo de trabalho, digitando um nome para as séries de saída no nome do Nível. Nome da tendência. E Campos do nome da temporada. Para ilustrar a estimativa e alisamento usando um modelo de ETS, prevemos manobra mensal de habitação (HS) para o período 1985m011988m12. Esses dados são fornecidos no arquivo de trabalho Hs. WF1. Usaremos o erro multiplicativo, a tendência aditiva e o modelo sazonal multiplicativo (M, A, M) para estimar parâmetros usando dados de 1959m011984m12 e suavizar e prever para 1985m11988m12. Primeiro, carregue o arquivo de trabalho, abra a série HS e selecione Suavização exponencial SmoothingETS ProcExponential. Mude os menus suspensos da Especificação do modelo para (M, A, M), configure a amostra de estimativa para 1959 1984 ou 1959m01 1984m12, defina o ponto final da previsão para 1988m04 e deixe as configurações restantes em seus valores padrão. Quando você clicar em OK. EViews estima o modelo ETS, exibe os resultados e salva os resultados suavizados na série HSSM no arquivo de trabalho. Os resultados são divididos em quatro partes. A primeira parte da tabela mostra as configurações empregadas no procedimento ETS, incluindo a amostra empregada para avaliação e o estado da estimativa. Aqui vemos que estimamos um modelo (M, A, M) usando dados de 1959 a 1984, e que o estimador convergiu, mas com alguns parâmetros em valores limite. A próxima seção da tabela mostra os parâmetros de suavização e os estados iniciais. Observe a presença dos valores zero do limite para e, que indicam que os componentes sazonais e de tendência não mudam de seus valores iniciais. A parte inferior da saída da tabela contém estatísticas de resumo para o procedimento de estimativa: a maioria dessas estatísticas é auto-explicativa. A probabilidade de registro comprovada relatada é simplesmente o valor de log-verossimilhança ausente de constantes inessenciais, e é fornecido para facilitar a comparação com os resultados obtidos de outras fontes. Para fins de comparação, pode ser útil considerar o modelo ETS obtido usando a seleção do modelo. Para executar a seleção do modelo, preencha a caixa de diálogo como antes, mas configure cada um dos menus suspensos da Especificação do modelo para Auto. Observe que nas configurações padrão, o melhor modelo será selecionado usando o Critério de Informação Akaike. Em seguida, clique na aba Opções e defina as opções de Exibição para mostrar a previsão e todos os elementos da decomposição em Gráficos múltiplos e para produzir gráficos e tabelas para as comparações de previsão e probabilidade de todos os modelos considerados pela seleção do modelo. procedimento. Clique em OK para executar o suavização. Uma vez que o EViews produzirá vários tipos de saída para o procedimento, os resultados serão exibidos em um spool: O painel de saída esquerdo permite que você selecione a saída que deseja exibir. Basta clicar na saída que deseja exibir ou usar a barra de rolagem no lado direito da janela para passar da saída para a saída. A saída de estimativa contém a especificação, alisamento estimado e parâmetros iniciais e estatísticas de resumo. A parte superior da saída mostra que o critério de informação de Akaike selecionado Modelo ETS é uma especificação (M, N, M), com estimativa do parâmetro de alinhamento de nível e o parâmetro sazonal estimado no limite. As estatísticas de resumo indicam que esta especificação é superior ao modelo anterior (M, A, M), com base em todos os três critérios de informação e o erro quadrático médio médio, embora a probabilidade seja menor e o SSR e RMSE sejam ambos Um pouco mais alto no modelo selecionado. Ao clicar no gráfico de comparação do AIC no spool, vemos os resultados para todos os modelos candidatos: Note que os modelos selecionados (M, N, M) e original (M, A, M) estão entre as cinco especificações com AIC relativamente alto Valores. O gráfico de comparação de previsão mostra as previsões para os modelos candidatos: o gráfico mostra as últimas observações das previsões na amostra e as previsões fora da amostra para cada uma das possíveis especificações ETS. Além disso, nossas configurações de exibição de ETS escolhidas produziram a tabela de probabilidade que contém a probabilidade real e os valores de Akaike para cada especificação, e a tabela de comparação de previsão, que apresenta um subconjunto dos valores exibidos no gráfico. Por exemplo, a tabela de verossimilhança consiste em Por fim, o carretel contém um gráfico múltiplo contendo os valores reais e previstos de HS sobre o período de estimativa e previsão, juntamente com a decomposição da série no nível e nos componentes sazonais. Última atualização: quarta-feira, 21 de dezembro de 2017 20:01:03 PST