Vector autoregressione analisi ( o l’analisi VAR) è un modo statisticamente valido di valutare il co-sviluppo di più insiemi di serie temporali . Una serie temporale è un insieme di dati statistici che mostra come un fenomeno specifico cambia quantitativamente rispetto al tempo . Quando ci sono più insiemi di serie storiche , statistica possono utilizzare l’analisi autoregressione vettore come un modo teoria meno di indagare le relazioni tra le serie storiche differenti . Recentemente, alcuni esperti di statistica hanno iniziato a introdurre modelli dinamici fattore (modelli che utilizzano indici di diffusione nella costruzione matematica dei modelli autoregressivi vettoriali) . Questa introduzione ha cambiato il modo vengono eseguite le analisi autoregressivi e dato nuove implicazioni nel campo della analisi di serie temporali . Complessità

Utilizzando modelli fattoriali dinamici rispetto ad altri metodi di analisi vettoriale autoregressione significa che ci sarà un gran numero di fattori coinvolti . Mentre altri modelli possono semplificare l’analisi un’autoregressione , abbattendo le analisi finali e conclusioni all’analisi di due o tre variabili , modelli fattoriali dinamici tendono a includere una notevole quantità di variabili , rendendo così il modello e analisi molto più complessa . Mentre alcuni ricercatori suggeriscono che si dovrebbe restringere il numero di fattori finali , il modello risultante perde il suo valore predittivo .

Prevedibilità

L’implicazione associato alla scelta di utilizzare un modello dinamico fattore rispetto ad altri modelli è che il ricercatore o la persona applicando il modello cerca prevedibilità . Modelli fattoriali dinamici sono ben noti per aver importi superiori alla media di precisione rispetto ai diversi modelli che tentano di prevedere lo stesso fenomeno .

Informazioni Dimensione

una delle implicazioni che si fanno quando si applica un modello fattore dinamico di vettore metodi autoregressivi è che il set di dati sarà particolarmente grande . Di solito , per i dataset più piccoli , non ci sarebbe alcun motivo per creare fattori dinamici , come una manciata di semplici parametri predittivi sarebbe sufficiente . Così, coloro che applicano modelli fattoriali dinamici di analisi delle serie temporali stanno assumendo che lavoreranno con un ampio dataset. Allo stesso modo , tali relazioni di lettura che hanno utilizzato modelli fattoriali dinamici dovrebbero sapere che i dataset con cui i ricercatori stavano lavorando deve essere stato piuttosto grande .

Flessibilità

Uno dei più interessanti implicazioni dell’applicazione di modelli fattoriali dinamici di autoregressione vettoriale è la capacità di accogliere i nuovi dati nel modello . Modelli fattoriali dinamici possono essere eseguiti e re-run quando arrivano nuovi dati , aumentando così la prevedibilità del modello . Questo è qualcosa che non può essere raggiunto con la regressione normale .