Molte analisi dei dati delle serie temporali coinvolgono più variabili correlate. I modelli di serie temporali multiple presentano numerose scelte di specifiche e sfide particolari. Questo libro esamina i principali approcci concorrenti alla modellazione di più serie temporali: equazioni simultanee, ARIMA, modelli di correzione degli errori e autoregressione vettoriale. Il testo si concentra sui modelli di autoregressione vettoriale (VAR) come generalizzazione degli altri approcci menzionati. Vengono discusse la specificazione, la stima e l'inferenza utilizzando questi modelli. Gli autori esaminano inoltre gli argomenti a favore e contro l'utilizzo di modelli di serie temporali con più equazioni. Due esempi completi e concreti mostrano come possono essere utilizzati i modelli VAR. Un'appendice illustra il software che può essere utilizzato per più modelli di serie temporali ed è disponibile il codice software per replicare gli esempi. Caratteristiche principali Offre un confronto dettagliato di diversi metodi e approcci per serie temporali. Include un'introduzione autonoma alla modellazione dell'autoregressione vettoriale. Colloca la modellazione di serie temporali multiple come un'estensione naturale dei modelli statistici comunemente insegnati.
caricamento...
