Interpretação arch results in stata forex

Eu uso um modelo GARCH padrão: comece rtampsigmatepsilont sigma2tampgamma0 gamma1 r 2 delta1 sigma2 final Eu tenho estimativas diferentes dos coeficientes e preciso interpretá-los. Por isso, estou me perguntando sobre uma interpretação agradável, então o que gamma0, gamma1 e delta1 representam, vejo que gamma0 é algo como uma parte constante. Então, representa uma espécie de volatilidade ambiental. A gama 1 representa o ajuste para choques anteriores. Além disso, o delta1 não é muito intuitivo para mim: representa o ajuste para a volatilidade do pas. Mas eu gostaria de ter uma interpretação melhor e mais abrangente desses parâmetros. Então, alguém pode me dar uma boa explicação sobre o que esses parâmetros representam e como uma mudança nos parâmetros pode ser explicada (então, o que significa se, por exemplo, a gama 1 aumenta). Além disso, eu procurei em vários livros (por exemplo, em Tsay), mas não consegui encontrar uma boa informação, então qualquer recomendação da literatura sobre a interpretação desses parâmetros seria apreciada. Editar: Eu também estaria interessado em como interpretar a persistência. Então, o que é exatamente persistência Em alguns livros que eu li, que a persistência de um GARCH (1,1) é gamma1delta1, mas, por exemplo, No livro de Carol Alexander na página 283, ele fala sobre apenas o parâmetro beta (meu delta1) sendo o parâmetro de persistência. Portanto, há uma diferença entre a persistência na volatilidade (sigmat) e a persistência nos choques (rt) solicitados em 15 de junho 13 às 14: 32NOTICE: O grupo de consultoria IDRE Statistical estará migrando o site para o WordPress CMS em fevereiro para facilitar a manutenção e criação de novos conteúdos. Algumas de nossas páginas antigas serão removidas ou arquivadas de modo que elas não serão mais mantidas. Vamos tentar manter os redirecionamentos para que os URLs antigos continuem a funcionar da melhor maneira possível. Bem-vindo ao Instituto de Pesquisa e Educação Digital Ajude o Grupo de Consultoria Stat ao oferecer um presente Análise de Regressão Logística de Saída Anotada Stata Esta página mostra um exemplo de análise de regressão de regressão logística com notas de rodapé explicando o resultado. Estes dados foram coletados em 200 alunos do ensino médio e são pontuações em vários testes, incluindo ciência, matemática, leitura e estudos sociais (socst). A variável feminina é uma variável dicotômica codificada 1 se o estudante fosse do sexo feminino e 0 se fosse do sexo masculino. Como não temos uma variável dicotômica adequada para usar como nossa variável dependente, criaremos uma (que chamaremos honcomp. Para composição de honras) com base na escrita de variável contínua. Nós não defendemos a saída de variáveis ​​dicotômicas de variáveis ​​contínuas, o que fazemos aqui apenas para fins desta ilustração. Iteration Log a. Esta é uma listagem das probabilidades de log em cada iteração. (Lembre-se de que a regressão logística usa a máxima verossimilhança, o que é um procedimento iterativo.) A primeira iteração (chamada iteração 0) é a probabilidade do log do modelo quotnullquot ou quotemptyquot que é um modelo sem preditores. Na próxima iteração, o (s) preditor (es) estão incluídos no modelo. Em cada iteração, a probabilidade do log cresce porque o objetivo é maximizar a probabilidade do log. Quando a diferença entre as iterações sucessivas é muito pequena, o modelo diz ter quotconvergedquot, a iteração é interrompida e os resultados são exibidos. Para obter mais informações sobre este processo, consulte Modelos de regressão para variáveis ​​categóricas e dependentes limitadas por J. Scott Long. Resumo do modelo b. Probabilidade de registro - Esta é a probabilidade de log do modelo final. O valor -80.11818 não tem nenhum significado por si só, esse número pode ser usado para ajudar a comparar modelos aninhados. C. Número de obs - Este é o número de observações que foram utilizadas na análise. Esse número pode ser menor do que o número total de observações no seu conjunto de dados se você tiver valores faltantes para qualquer uma das variáveis ​​usadas na regressão logística. O Stata usa uma exclusão listada por padrão, o que significa que, se houver um valor faltante para qualquer variável na regressão logística, todo o caso será excluído da análise. D. LR chi2 (3) - Este é o teste de qui-quadrado da razão de verossimilhança (LR). A estatística de teste do qui-quadrado de verossimilhança pode ser calculada à mão como 2 (115.64441 - 80.11818) 71.05. Este é menos dois (ou seja, -2) vezes a diferença entre a probabilidade de log inicial e final. O número entre parênteses indica o número de graus de liberdade. Neste modelo, existem três preditores, então existem três graus de liberdade. E. Prob gt chi2 - Esta é a probabilidade de obter a estatística do qui-quadrado dado que a hipótese nula é verdadeira. Em outras palavras, esta é a probabilidade de obter esta estatística do qui-quadrado (71,05) se não houver efeito das variáveis ​​independentes, em conjunto, na variável dependente. Este é, é claro, o valor p, que é comparado a um valor crítico, talvez 0,05 ou 0,01 para determinar se o modelo geral é estatisticamente significativo. Neste caso, o modelo é estatisticamente significativo porque o valor p é inferior a .000. F. Pseudo R2 - Este é o pseudo R-quadrado. A regressão logística não tem um equivalente ao R-quadrado que é encontrado na regressão OLS no entanto, muitas pessoas tentaram encontrar um. Há uma grande variedade de estatísticas pseudo-R-square. Como esta estatística não significa o que R-quadrado significa na regressão OLS (a proporção de variância explicada pelos preditores), sugerimos interpretar esta estatística com grande cautela. Parâmetro Estimativas g. Honcomp - Esta é a variável dependente em nossa regressão logística. As variáveis ​​listadas abaixo são as variáveis ​​independentes. H. Coef. - Estes são os valores da equação de regressão logística para prever a variável dependente da variável independente. Eles estão em unidades de log-odds. Semelhante à regressão OLS, a equação de predição é log (p1-p) b0 b1female b2read b3science onde p é a probabilidade de estar em composição de honras. Expressão em termos das variáveis ​​utilizadas neste exemplo, a equação de regressão logística é log (p1-p) -12.7772 1.482498female .1035361read 0947902science Estas estimativas informam sobre a relação entre as variáveis ​​independentes e a variável dependente, onde a variável dependente é Na escala logit. Essas estimativas indicam a quantidade de aumento nas probabilidades de log predito de honcomp 1 que seria previsto por um aumento de 1 unidade no preditor, mantendo todos os outros preditores constantes. Nota: Para as variáveis ​​independentes que não são significativas, os coeficientes não são significativamente diferentes de 0, o que deve ser levado em consideração ao interpretar os coeficientes. (Veja as colunas com os valores z e os valores de p para testar se os coeficientes são estatisticamente significativos). Como esses coeficientes estão em unidades de log-odds, eles são muitas vezes difíceis de interpretar, então eles geralmente são convertidos em odds ratios. Você pode fazer isso manualmente, exponenciando o coeficiente, ou usando a opção ou com o comando logit, ou usando o comando logístico. Feminino - O coeficiente (ou estimativa do parâmetro) para a variável feminina é 1.482498. Isso significa que, para um aumento de uma unidade em mulheres (em outras palavras, indo de masculino a feminino), esperamos um aumento de 1.482498 nas probabilidades de log da variável dependente. Mantendo todas as outras variáveis ​​independentes constantes. Ler - Para cada aumento de uma unidade no índice de leitura (então, para cada ponto adicional no teste de leitura), esperamos um aumento de .1035361 nas probabilidades de log de honcomp. Mantendo todas as outras variáveis ​​independentes constantes. Ciência - Para cada aumento de uma unidade na pontuação científica, esperamos um aumento de 0,0947902 no log-odds de honcomp. Mantendo todas as outras variáveis ​​independentes constantes. Constante - Este é o valor esperado do log-odds de honcomp quando todas as variáveis ​​de preditores são iguais a zero. Na maioria dos casos, isso não é interessante. Além disso, muitas vezes zero não é um valor realista para uma variável a tomar. Eu. Std. Errar. - Estes são os erros padrão associados aos coeficientes. O erro padrão é usado para testar se o parâmetro é significativamente diferente de 0 dividindo a estimativa do parâmetro pelo erro padrão, você obtém um valor z (veja a coluna com valores z e valores p). Os erros padrão também podem ser usados ​​para formar um intervalo de confiança para o parâmetro, conforme mostrado nas duas últimas colunas desta tabela. J. Z e Pgtz - Estas colunas fornecem o valor-z e o p-valor de 2 colas utilizados no teste da hipótese nula de que o coeficiente (parâmetro) é 0. Se você usa um teste de 2 colas, então você compararia cada valor de p Para o seu valor pré-selecionado de alfa. Os coeficientes com valores p inferiores ao alfa são estatisticamente significativos. Por exemplo, se você escolheu o alfa para ser 0,05, os coeficientes com um valor p de 0,05 ou menos seriam estatisticamente significativos (ou seja, você pode rejeitar a hipótese nula e dizer que o coeficiente é significativamente diferente de 0). Se você usa um teste de 1 cola (ou seja, você prevê que o parâmetro irá em uma direção particular), então você pode dividir o valor p em 2 antes de compará-lo com seu nível alfa pré-selecionado. Com um teste de 2 colas e alfa de 0,05, você pode rejeitar a hipótese nula de que o coeficiente para a fêmea seja igual a 0. O coeficiente de 1.482498 é significativamente maior do que 0. O coeficiente de leitura é .1035361 significativamente diferente de 0 usando alfa De 0,05 porque o seu valor p é 0,000, que é menor do que 0,05. O coeficiente para a ciência é .0947902 significativamente diferente de 0 usando alfa de 0,05 porque seu valor p é 0,000, menor que 0,05. K. 95 Conf. Intervalo - Isso mostra um intervalo de confiança 95 para o coeficiente. Isso é muito útil, pois ajuda a entender o quão alto e quão baixo o valor real da população do parâmetro pode ser. Os intervalos de confiança estão relacionados aos valores de p de modo que o coeficiente não seja estatisticamente significante se o intervalo de confiança incluir 0. Razões de Odds Neste próximo exemplo, vamos ilustrar a interpretação dos odds ratios. Usaremos o comando logístico para que vejamos os odds ratios em vez dos coeficientes. Neste exemplo, simplificaremos nosso modelo de modo que tenhamos apenas um preditor, a variável binária feminina. Antes de executar a regressão logística, usaremos o comando tab para obter um crosstab das duas variáveis. Se dividirmos o número de homens que estão em composição de honra, 18, pelo número de homens que não estão em composição de honra, 73, obtemos a probabilidade de estar em composição de honra para homens, 1873 .24657534. Se fizermos o mesmo para mulheres, obtemos 3574 .47297297. Para obter o odds ratio, que é a proporção das duas chances que acabamos de calcular, obtemos .47297297.24657534 1.9181682. Como podemos ver na saída abaixo, este é exatamente o odds ratio que obtemos do comando logístico. O motivo para lembrar aqui é que você deseja que o grupo seja codificado como 1 em relação ao grupo codificado como 0, de modo que honcomp1honcomp0 para homens e mulheres e, em seguida, as chances para mulheres para homens, porque as fêmeas são codificadas como 1. No que diz respeito à 95, não queremos que isso inclua o valor de 1. Quando estávamos considerando os coeficientes, não queremos que o intervalo de confiança inclua 0. Se exponenciamos 0, obtemos 1 (exp (0) 1). Portanto, estas são duas maneiras de dizer o mesmo. Como você pode ver, o intervalo de confiança 95 inclui 1, portanto, o odds ratio não é estatisticamente significativo. Como o limite inferior do intervalo de confiança 95 é tão próximo de 1, o valor p é muito próximo de .05. Há algumas outras coisas a serem observadas sobre o resultado abaixo. O primeiro é que, embora tenhamos apenas uma variável preditor, o teste para o odds ratio não coincide com o teste geral do modelo. Isso ocorre porque a estatística Z é realmente o resultado de um teste de qui-quadrado de Wald, enquanto o teste do modelo geral é uma razão de verossimilhança do qui-quadrado. Embora esses dois tipos de testes de qui-quadrado sejam assintoticamente equivalentes, em pequenas amostras podem diferir, como fazem aqui. Além disso, temos a situação infeliz em que os resultados dos dois testes dão conclusões diferentes. Isso não acontece com muita frequência. Em uma situação como essa, é difícil saber o que concluir. Pode-se considerar o poder, ou pode-se decidir se um odds ratio dessa magnitude é importante do ponto de vista clínico ou prático. O conteúdo deste site não deve ser interpretado como um endosso de qualquer site, livro ou produto de software específico da Universidade da Califórnia.