Mudança De Bootstrap Médio

Eu sou novo em R e estou tentando calcular o desvio padrão de bootstrapped (sd) e o erro padrão associado dentro de uma janela de rolamento de 30 observações. A função abaixo executa a janela rolante apropriadamente se eu quiser apenas sd. Mas quando adiciono a função bootstrap usando o pacote de inicialização, recebo o erro especificado abaixo. Eu acho que estou tentando armazenar os resultados do bootstrap em um vetor que não é o tamanho correto. Alguém tem algum conselho sobre como armazenar apenas o sd bootstrapped e o stderror associado para cada janela em linhas de uma nova matriz. O objetivo é traçar o sd e os intervalos de confiança 95 associados para cada janela ao longo dos timeseries. Agradecemos antecipadamente por qualquer ajuda. Perguntou 29 de abril às 19:08 Você pode simplificá-lo bastante. Eu não estou familiarizado com o pacote de inicialização, mas podemos rolar uma função ao longo de um vetor usando a função rollapply com bastante facilidade e então podemos fazer amostras de bootstrap usando a função replicada: cada coluna representa o rollapply que inicializa as observações na janela atual Antes de aplicar sd. Modelos em movimento da média média Cite este artigo como: Corduas, MJ It. Estatista. Soc. (1992) 1: 227. doi: 10.1007BF02589032 Nos últimos anos, o método bootstrap foi estendido à análise de séries temporais, onde as observações estão correlacionadas em série. As contribuições focalizaram o modelo autoregressivo produzindo procedimentos alternativos de reescalonamento. Em contraste, além de algumas aplicações empíricas, muita atenção foi dada à possibilidade de ampliar o uso do método bootstrap para a média móvel pura (MA) ou modelos ARMA misturados. Neste artigo, apresentamos um novo procedimento de inicialização que pode ser aplicado para avaliar as propriedades distributivas das estimativas de parâmetros médios móveis obtidas por uma abordagem de mínimos quadrados. Discutimos a metodologia e os limites de seu uso. Finalmente, o desempenho da abordagem bootstrap é comparado com o da alternativa concorrente dada pela simulação de Monte Carlo. Série de tempo de inicialização Modelos da média móvel Pesquisa parcialmente suportada por CNR e MURST. Referências Burg J. (1975), Análise espectral de entropia máxima, Ph. D. Dissert. . Universidade de Stanford, Departamento de Geofísica. Chatterjee S. (1986), Bootstrapping modelos ARMA: algumas simulações, IEEE Transactions on System, Man amp Cybernetics. 16, 294299. CrossRef Google Scholar Corduas, M. (1990), Approcci alternativi per il ricampionamento nei modelli Autoregressivi, Atti della XXXV Riunione Scientifica SIS. Padova, 2, 6168. Google Scholar Efron B. (1979), métodos Bootstrap: outro olhar para Jackknife. Anais das estatísticas. 7, 126. MATH MathSciNet Google Scholar Efron B. (1982), The Jackknife, o bootstrap e outros planos de reescalonamento, SIAMCBMS Monograph 38, Philadelphia. Efron B. Tibshirani R. (1986), métodos Bootstrap para intervalos de confiança de erro padrão e outras medidas de precisão estatística. Ciência estatística. 1, 5477. MathSciNet Google Scholar Freedman D. (1984). No bootstrapping estimativas de mínimos quadrados de dois estágios em modelos lineares estacionários, Annals of Statistics. 12, 827842. MATH MathSciNet Google Scholar Hannan E. J. Rissanen J. (1982), estimativa recursiva da ordem média móvel móvel autorregressiva, Biometrika. 69, 8194. MATH CrossRef MathSciNet Google Scholar Hannan E. J. Kavalieris L. (1984), método para estimar a média móvel auto - ressorial. Biometrika. 72, 273280. CrossRef MathSciNet Google Scholar Koreisha S. Pukkila T. (1990), uma abordagem generalizada de mínimos quadrados para a estimativa de modelos de média móvel autorregressiva, Journal of Time Series Analysis. 2, 139151. MathSciNet Google Scholar Knsch H. R. (1989), o jackknife eo bootstrap para observações estacionárias gerais, Annals of Statistics. 17, 12171241. MATH MathSciNet Google Scholar Liu R. Y. Singh K. (1988), Movendo blocos jackknife e bootstrap captura baixa dependência, Relatório Técnico. Departamento de Estatística, Universidade de Rutgers. Tjostheim D. Paulsen J. (1983), Bias de algumas estimativas da série de tempo comum, Biometrika. 48, 197199. MathSciNet Google Scholar White H. (1984), Teoria assintótica para econometristas. Academic Press, Orlando (CA). Google Scholar Informação de direitos autorais Societa Italiana di Statistica 1992 Autores e Afiliações Marcella Corduas 1 2 1. Centro de Especialização e Ricerche Portici (NA) Itália 2. Universit di Napoli Federico II Napoli Italia Sobre este artigo Imprimir ISSN 1121-9130 Online ISSN 1613-981X Nome do editor Springer-VerlagBootstrapping modelos médios móveis Cite este artigo como: Corduas, MJ It. Estatista. Soc. (1992) 1: 227. doi: 10.1007BF02589032 Nos últimos anos, o método bootstrap foi estendido à análise de séries temporais, onde as observações estão correlacionadas em série. As contribuições concentraram-se no modelo autoregressivo produzindo procedimentos alternativos de reescalonamento. Em contraste, além de algumas aplicações empíricas, muita atenção foi dada à possibilidade de ampliar o uso do método bootstrap para a média móvel pura (MA) ou modelos ARMA misturados. Neste artigo, apresentamos um novo procedimento de inicialização que pode ser aplicado para avaliar as propriedades distributivas das estimativas de parâmetros médios móveis obtidas por uma abordagem de mínimos quadrados. Discutimos a metodologia e os limites de seu uso. Finalmente, o desempenho da abordagem bootstrap é comparado com o da alternativa concorrente dada pela simulação de Monte Carlo. Série de tempo de inicialização Modelos da média móvel Pesquisa parcialmente suportada por CNR e MURST. Referências Burg J. (1975), Análise espectral de entropia máxima, Ph. D. Dissert. . Universidade de Stanford, Departamento de Geofísica. Chatterjee S. (1986), Bootstrapping modelos ARMA: algumas simulações, IEEE Transactions on System, Man amp Cybernetics. 16, 294299. CrossRef Google Scholar Corduas, M. (1990), Approcci alternativi per il ricampionamento nei modelli Autoregressivi, Atti della XXXV Riunione Scientifica SIS. Padova, 2, 6168. Google Scholar Efron B. (1979), métodos Bootstrap: outro olhar para Jackknife. Anais das estatísticas. 7, 126. MATH MathSciNet Google Scholar Efron B. (1982), The Jackknife, o bootstrap e outros planos de reescalonamento, SIAMCBMS Monograph 38, Philadelphia. Efron B. Tibshirani R. (1986), métodos Bootstrap para intervalos de confiança de erro padrão e outras medidas de precisão estatística. Ciência estatística. 1, 5477. MathSciNet Google Scholar Freedman D. (1984). No bootstrapping estimativas de mínimos quadrados de dois estágios em modelos lineares estacionários, Annals of Statistics. 12, 827842. MATH MathSciNet Google Scholar Hannan E. J. Rissanen J. (1982), estimativa recursiva da ordem média móvel móvel autorregressiva, Biometrika. 69, 8194. MATH CrossRef MathSciNet Google Scholar Hannan E. J. Kavalieris L. (1984), método para estimar a média móvel auto - ressorial. Biometrika. 72, 273280. CrossRef MathSciNet Google Scholar Koreisha S. Pukkila T. (1990), uma abordagem generalizada de mínimos quadrados para a estimativa de modelos de média móvel autorregressiva, Journal of Time Series Analysis. 2, 139151. MathSciNet Google Scholar Knsch H. R. (1989), o jackknife eo bootstrap para observações estacionárias gerais, Annals of Statistics. 17, 12171241. MATH MathSciNet Google Scholar Liu R. Y. Singh K. (1988), Movendo blocos jackknife e bootstrap captura baixa dependência, Relatório Técnico. Departamento de Estatística, Universidade de Rutgers. Tjostheim D. Paulsen J. (1983), Bias de algumas estimativas da série de tempo comummente utilizadas, Biometrika. 48, 197199. MathSciNet Google Scholar White H. (1984), Teoria assintótica para econometristas. Academic Press, Orlando (CA). Google Scholar Informação de direitos autorais Societa Italiana di Statistica 1992 Autores e Afiliações Marcella Corduas 1 2 1. Centro de Especialização e Ricerche Portici (NA) Itália 2. Universit di Napoli Federico II Napoli Italia Sobre este artigo Imprimir ISSN 1121-9130 Online ISSN 1613-981X Nome do editor Springer-Verlag