دسته: اقتصاد
دانلود کتاب مدل سازی خودرگرسیون بردار تجربی بعد از پرداخت مقدور خواهد بود
توضیحات کتاب در بخش جزئیات آمده است و می توانید موارد را مشاهده فرمایید
نام کتاب : Empirical Vector Autoregressive Modeling
ویرایش : 1
عنوان ترجمه شده به فارسی : مدل سازی خودرگرسیون بردار تجربی
سری : Lecture Notes in Economics and Mathematical Systems 407
نویسندگان : Dr. Marius Ooms (auth.)
ناشر : Springer-Verlag Berlin Heidelberg
سال نشر : 1994
تعداد صفحات : 402
ISBN (شابک) : 3540577076
زبان کتاب : English
فرمت کتاب : pdf
حجم کتاب : 26 مگابایت
بعد از تکمیل فرایند پرداخت لینک دانلود کتاب ارائه خواهد شد. درصورت ثبت نام و ورود به حساب کاربری خود قادر خواهید بود لیست کتاب های خریداری شده را مشاهده فرمایید.
1. 1 یکپارچه سازی نتایج مطالعه تجربی سری های زمانی کلان اقتصادی جالب است. همچنین دشوار است و فوراً پاداش نیست. بسیاری از مسائل آماری و اقتصادی درگیر هستند. مشکل اصلی این است که این موضوعات به قدری به هم مرتبط هستند که پرداختن به آنها در یک زمان معقول به نظر نمی رسد. به محض اینکه شخص شروع به ساخت مدلی از سری های زمانی کلان اقتصادی می کند، باید انتخاب کند که با کدام مشکلات سعی در مقابله با خود داشته باشد و کدام مشکلات را حل نشده رها کند یا توسط دیگران حل شود. از نقطه نظر نظری، تمرکز خود بر تنها یک مشکل می تواند مثمر ثمر باشد. اگر فردی از این استراتژی در کاربرد تجربی پیروی کند، در معرض خطر جدی ساخت یک مدل به ظاهر جالب قرار میگیرد، که این فقط نتیجهای از برخی اشتباهات مهم در رسیدگی به مشکلات دیگر است. دو نمونه معروف از مصنوعات آماری عبارتند از یافتن امواج شبه کوزنتس در حدود 20 سال فعالیت اقتصادی (سارجنت (1979، ص 248)) و «رگرسیون کاذب» سری های زمانی کلان اقتصادی که در گرنجر و نیوبولد توضیح داده شده است. 1986، §6. 4). ساده ترین راه برای رهایی از اشتباهات احتمالی این است که اعتراف کنیم که ممکن است در وهله اول وجود داشته باشند، اما محدودیت زمانی و ناآشنایی با راه حل به محقق اجازه نمی دهد کاری در مورد آنها انجام دهد. این می تواند یک استدلال قابل قبول باشد.
1. 1 Integrating results The empirical study of macroeconomic time series is interesting. It is also difficult and not immediately rewarding. Many statistical and economic issues are involved. The main problems is that these issues are so interrelated that it does not seem sensible to address them one at a time. As soon as one sets about the making of a model of macroeconomic time series one has to choose which problems one will try to tackle oneself and which problems one will leave unresolved or to be solved by others. From a theoretic point of view it can be fruitful to concentrate oneself on only one problem. If one follows this strategy in empirical application one runs a serious risk of making a seemingly interesting model, that is just a corollary of some important mistake in the handling of other problems. Two well known examples of statistical artifacts are the finding of Kuznets "pseudo-waves" of about 20 years in economic activity (Sargent (1979, p. 248)) and the "spurious regression" of macroeconomic time series described in Granger and Newbold (1986, §6. 4). The easiest way to get away with possible mistakes is to admit they may be there in the first place, but that time constraints and unfamiliarity with the solution do not allow the researcher to do something about them. This can be a viable argument.