सुलझाने - heteroskedasticity - इन - stata - विदेशी मुद्रा

हिटरोस्केडस्टक्लिटी हेटोरोस्केडस्टेक्टीटी हिटरोस्केडस्टेक्टीटी, आँकड़ों में है, जब एक वैरिएबल के मानक विचलन, विशिष्ट समय के समय पर नजर रखी जाती है, तो गैर-कंसल्टेंट नहीं होता है। हिटरोस्कोडॉस्टिस्टिक अक्सर दो रूपों में उत्पन्न होता है: सशर्त और बिना शर्त। सशर्त heteroskedasticity nonconstant उतार-चढ़ाव की पहचान जब उच्च और कम अस्थिरता की भविष्य की अवधि की पहचान नहीं की जा सकती। बिना शर्त हातोरोसक्लेस्टिबिलिटी का उपयोग तब किया जाता है जब उच्च और निम्न वाष्पशीलता की वायदा अवधि पहचान की जा सकती है। फाइनेंस में गिरावट को बंद करने के लिए, सशर्त heteroskedasticity अक्सर स्टॉक और बांड की कीमतों में देखा जाता है। इन इक्विटी के अस्थिरता का स्तर किसी भी अवधि में भविष्यवाणी नहीं किया जा सकता है। अनियंत्रित विषमता का उपयोग तब किया जा सकता है जब चरों पर चर्चा की जा सकती है जो मौसमी परिवर्तनशीलता को पहचाना जा सकता है। जैसे बिजली के उपयोग चूंकि यह आंकड़ों के साथ जुड़ा हुआ है, हेरोर्स्केडस्टेक्सीटीटी, हेल्टोसेसिस्टिस्टिक की वर्तनी भी है, एक विशेष नमूना के भीतर न्यूनतम स्वतंत्र निर्गम के भीतर, त्रुटि भिन्नता या स्कैटर की निर्भरता को संदर्भित करता है। इन बदलावों का उपयोग डेटा सेटों के बीच त्रुटि के मार्जिन की गणना करने के लिए किया जा सकता है, जैसे कि अपेक्षित परिणाम और वास्तविक परिणाम, क्योंकि यह औसत मूल्य से डेटा बिंदुओं के विचलन के लिए उपाय प्रदान करता है। डेटासेट को प्रासंगिक मानने के लिए, डेटा बिंदुओं के बहुमत चेब्शेहेव प्रमेय द्वारा वर्णित माध्य से मानक विचलन के एक निश्चित संख्या के भीतर होना चाहिए, जिसे चेबिशेव्स असमानता भी कहा जाता है यह माध्य से एक यादृच्छिक चर की भिन्नता की संभावना के बारे में दिशानिर्देश प्रदान करता है। निर्दिष्ट मानक विचलन की संख्या के आधार पर, एक यादृच्छिक चर में उन बिंदुओं के भीतर मौजूदा की एक विशेष संभावना है। उदाहरण के लिए, यह आवश्यक हो सकता है कि दो मानक विचलनों में से कम से कम 75 डेटा बिंदु मान्य होंगे। न्यूनतम आवश्यकता के बाहर भिन्नता का एक सामान्य कारण अक्सर डेटा की गुणवत्ता के मुद्दों को जिम्मेदार ठहराया जाता है। बिना शर्त Heteroskedasticity Unconditional heteroskedasticity पूर्वानुमान है, और अक्सर वेरिएबल से संबंधित हैं जो प्रकृति द्वारा चक्रीय होते हैं। इसमें परंपरागत अवकाश खरीदारी अवधि के दौरान रिपोर्ट की गई उच्च खुदरा बिक्री, या गर्मियों के दौरान एयर कंडीशनर मरम्मत कॉल में वृद्धि शामिल हो सकती है। विचरण के भीतर परिवर्तन सीधे विशिष्ट घटनाओं या भविष्यवाणियों की घटनाओं से जुड़ा हो सकता है यदि बदलाव पारंपरिक रूप से मौसमी नहीं होते हैं यह एक नए मॉडल के रिलीज के साथ स्मार्टफोन की बिक्री में वृद्धि से संबंधित हो सकता है क्योंकि गतिविधि घटना के आधार पर चक्रीय है लेकिन यह जरूरी नहीं कि सीजन द्वारा निर्धारित किया गया हो। सशर्त हातोरोस्केडस्टिस्टिक कंडीशनल हैरोकोक्लेस्टिविटी प्रकृति द्वारा पूर्वानुमानित नहीं है। कोई गड़बड़ संकेत नहीं है जो विश्लेषकों का मानना ​​है कि समय पर किसी भी समय डेटा अधिक या कम बिखरेगा। अक्सर, वित्तीय उत्पादों को सशर्त प्रतिकूलता के अधीन माना जाता है, क्योंकि सभी परिवर्तन विशिष्ट घटनाओं या मौसमी परिवर्तनों के लिए नहीं हो सकते हैं। अनुसंधान में, पैनल डेटा विश्लेषण में स्व-पारस्परिक संबंध और हेटोरोकेडस्टेबिलिटी दोनों का पता लगाया गया है। मैं उन्हें अलग-अलग सीमांत xtregar और मजबूत, आदरपूर्वक के साथ हल कर सकता हूँ। हालांकि, मुझे एक ही समय में दोनों समस्याओं को हल करने का कोई तरीका नहीं मिल सकता है। यदि संभव हो, तो कृपया मुझे दिखाएं कि एक एस्टीइमोशन में पैनल डेटा के लिए ऑटोकोएरलिलेशन और हेटोरोकेडस्टिस्टिक समस्या की मरम्मत कैसे करें। यह स्टेटा का उपयोग करके बहुत अच्छा होगा, लेकिन एसपीएसएस भी ठीक है। ने 11 सितंबर 11 को 8:51 पूछा कि इसके लिए सही करने का एक मानक तरीका हैरोस्कोडस्टेलिटी और ऑटोोकॉरेरलेशन संगत (एचएसी) मानक त्रुटियों का उपयोग करना है। वे अपने डेवलपर्स के बाद भी नई-वेस्ट मानक त्रुटियों के नाम से जाना जाता है। वे नए आदेश का उपयोग करते हुए स्ताटा में लागू हो सकते हैं। इस आदेश के लिए स्टाटा सहायता फ़ाइल यहां दी गई है: statahelp. cginewey इन त्रुटियों को लागू करने में कठिनाई यह है कि आपको उन गठबंधनों की संख्या चुननी होगी जिन्हें आप स्वयंको संबंध संरचना में विचार करने की प्रक्रिया चाहते हैं। मानक ऑटोकोर्रेलेशन टेस्ट आमतौर पर अच्छा मार्गदर्शन प्रदान करते हैं, यद्यपि। यह दृष्टिकोण asymptotics पर निर्भर करता है, इसलिए बड़े डेटा सेट बेहतर काम करते हैं ब्लॉक बूटस्ट्रैप सहित विकल्प भी हैं। पैनल डेटा में स्वचुनावता से निपटने के तरीकों की तुलना करने के लिए इस आलेख को देखें: बर्ट्रेंड, मैरिएन, एस्टर डुफलो, और सेन्दील मुल्लैनाथन। 2004. कितना हमें अंतर पर भरोसा करना चाहिए-अंतर में अर्थशास्त्र के तिमाही जर्नल का अनुमान है। 119 (1): 24 9-275 प्रीबेब वर्जन में हेटोरोकेक्लेस्टिविटी को विभिन्न तरीकों से परिभाषित किया जा सकता है: मैं स्टेटा से परिचित नहीं हूं, लेकिन इंटरनेट पर त्वरित जांच से पता चलता है कि विकल्प क्लस्टर बाद के दो मामलों से निपटेंगे, आपको केवल सही क्लस्टर्स निर्दिष्ट करना होगा संयोगवश पिछले मामले के लिए यह निम्न प्रकार के स्वयं के संबंध से भी रक्षा करेगा: यह देखने के लिए कि, वेक्टर प्रारूप में पैनल डेटा को दोबारा लिखना: जहां yi39 (y। Y), यूआई (यू)। फिर शास्त्रीय मजबूत मानक त्रुटियों की रक्षा जिसमें टिटम्स टी मैट्रिक्स होता है, जो सभी के लिए समान है I यह देखना कठिन नहीं है कि इंट्रा-ग्रुप हेरोर्सोक्साइडस्टीलिटी और एआर (1) ऑटोकोएरलमेंट को कॉओरेन्स मैट्रिक्स प्रदान करते हैं जो सामान्य ओमेगाटी का विशेष मामला है। आप में मॉडल को फिर से लिखना हेटोरोस्कोडस्टिस्टिक के अन्य मामलों की रक्षा कर सकते हैं: लेकिन फिर एआर (1) के बारे में कुछ भी करना संभव नहीं है। अगर आप इन दोनों मामलों के लिए सामान्यीकृत कम से कम वर्गों का उपयोग करके कुशल आकलक प्राप्त करने में रुचि रखते हैं, तो आप साधारण ओएलएस प्रतिगमन से आसानी से उपलब्ध अनुमानों को प्राप्त कर सकते हैं: मुझे स्टाटा के बारे में नहीं पता है, लेकिन अगर मुझे सही ढंग से याद आ रहा है तो ईव्यू का उपयोग करने का विकल्प है अनुमान के लिए इन मैट्रिक्स यदि आपके पास अधिक जटिल संप्रदाय संरचना है, तो मुझे लगता है कि आपको अपना स्वयं का समाधान विकसित करने की आवश्यकता होगी।