Implicações do fator dinâmico Modelos para Análise VAR

análise Vector autoregressão (ou análise VAR) é uma forma estatisticamente válida de avaliar o co- desenvolvimento de vários conjuntos de séries temporais . Uma série temporal é um conjunto de dados estatísticos que mostra como um fenômeno específico muda quantitativamente em relação ao tempo . Quando existem vários conjuntos de séries temporais , os estatísticos podem usar a análise autoregressão vetor como uma maneira teoria menos de investigar as relações entre as diferentes séries temporais . Recentemente, alguns estatísticos começaram a introduzir modelos de factores dinâmicos (modelos que usam índices de difusão na construção matemática de modelos auto-regressão vetorial). Esta introdução mudou a forma como as análises auto-regressão são executados e dado novas implicações para o campo da análise de séries temporais . Complexidade

Usando modelos de fator dinâmico ao contrário de outros métodos de análise de auto-regressão vetorial significa que haverá um grande número de fatores envolvidos. Considerando outros modelos podem simplificar a análise autoregressão , derrubando as análises e conclusões finais para a análise de duas ou três variáveis ​​, modelos de fatores dinâmicos tendem a incluir uma boa quantidade de variáveis ​​, tornando o modelo e análise muito mais complexa. Enquanto alguns pesquisadores sugerem que você deve diminuir o número de fatores finais, o modelo resultante perde o seu valor preditivo .

Previsibilidade

A implicação associado com a opção de usar um modelo de fator dinâmico em relação a outros modelos é que o pesquisador ou pessoa que aplica o modelo busca previsibilidade. Modelos de fatores dinâmicos são bem conhecidos por ter maior quantidade do que a média da precisão quando comparado com diferentes modelos que tentam prever o mesmo fenômeno .

Dados Tamanho

uma das implicações que você faz quando a aplicação de um modelo de fator dinâmico de métodos auto-regressão vetorial é que o conjunto de dados será particularmente grande . Normalmente, para conjuntos de dados menores, não haveria razão para criar fatores dinâmicos , como um punhado de parâmetros preditivos simples seria o suficiente. Assim, aqueles que aplicam modelos de factores dinâmicos de análise de séries temporais está assumindo que eles vão estar trabalhando com um grande conjunto de dados . Da mesma forma, aqueles que lêem relatórios que usaram modelos de factores dinâmicos deve saber que os conjuntos de dados com os quais os pesquisadores estavam trabalhando deve ter sido bastante grande

Flexibilidade

Uma das mais. implicações interessantes da aplicação de modelos de fator dinâmico de vetores auto-regressivos é a capacidade para acomodar novos dados para o modelo. Modelos de fator dinâmico pode ser executado e re- execução quando novos dados chegam , aumentando assim a previsibilidade do modelo. Isso é algo que não pode ser alcançado com a regressão normal.