Processo generalizado de heterocedasticidade condicional condicional auto-regressiva (GARCH) O processo generalizado de heterocedasticidade condicional auto-regressiva (GARCH) é um termo econométrico desenvolvido em 1982 por Robert F. Engle, economista e ganhador do Nobel Memorial em 2003 Prêmio de Economia, para descrever uma abordagem para estimar a volatilidade nos mercados financeiros. Existem várias formas de modelagem GARCH. O processo GARCH é freqüentemente preferido pelos profissionais de modelagem financeira porque fornece um contexto mais realista do que outras formas ao tentar prever os preços e as taxas dos instrumentos financeiros. BREAKING Down Processo de Heteroscedasticidade Condicional AutoRegressivo Generalizado (GARCH) O processo geral para um modelo GARCH envolve três etapas. O primeiro é estimar um modelo autorregressivo que melhor se adapte. O segundo é computar autocorrelações do termo de erro. A terceira é para testar o significado. Modelos GARCH são usados por profissionais financeiros em várias áreas, incluindo negociação, investimento, hedging e negociação. Duas outras abordagens amplamente utilizadas para estimar e prever a volatilidade financeira são o método volatilidade histórica clássica (VolSD) e o método volatilidade média móvel ponderada exponencialmente (VolEWMA). Exemplo de Processo GARCH Os modelos GARCH ajudam a descrever mercados financeiros nos quais a volatilidade pode mudar, tornando-se mais volátil durante períodos de crises financeiras ou eventos mundiais e menos voláteis durante períodos de calma relativa e crescimento econômico estável. Em uma parcela de retornos, por exemplo, os retornos das ações podem parecer relativamente uniformes para os anos que antecederam uma crise financeira como a de 2007. No período de tempo após o início de uma crise, no entanto, os retornos podem balançar descontroladamente de negativo Para o território positivo. Além disso, o aumento da volatilidade pode ser preditivo da volatilidade no futuro. A volatilidade pode então retornar a níveis semelhantes aos níveis anteriores à crise ou ser mais uniforme para o futuro. Um modelo de regressão simples não explica esta variação na volatilidade exibida nos mercados financeiros e não é representativa dos eventos do cisne negro que ocorrem mais do que se poderia prever. Modelos GARCH Melhor para retornos de ativos Os processos GARCH diferem dos modelos homoscedásticos, que assumem volatilidade constante e são usados na análise de mínimos quadrados ordinários (OLS). OLS visa minimizar os desvios entre os pontos de dados e uma linha de regressão para ajustar esses pontos. Com os retornos dos ativos, a volatilidade parece variar durante certos períodos de tempo e dependem da variância passada, tornando um modelo homoscedástico não ótimo. Os processos GARCH, sendo autoregressivos, dependem de observações ao quadrado passado e variâncias passadas para modelar a variância atual. Os processos GARCH são amplamente utilizados em finanças devido à sua eficácia na modelagem de retornos de ativos e inflação. GARCH visa minimizar os erros na previsão por contabilização de erros na previsão anterior, aumentando a precisão das previsões em curso. Aplicação da regressão quantile para estudos genéticos e - ómicos recentes Primeiro Online: 26 de abril de 2014 Recebido em 16 de setembro de 2013 Aceito em 10 de março de 2014 Cite Este artigo como: Briollais, L. Durrieu, G. Hum Genet (2014) 133: 951. doi: 10.1007 / s00439-014-1440-6 4 Citações 463 Downloads Resumo Este artigo fornece uma revisão das aplicações recentes da regressão quantile ao Genéticos e os estudos emergentes. Começa com um histórico geral sobre esta abordagem estatística seguindo o papel seminal de Koenker e Bassett (Econometrica 46: 3350, 1978). As aplicações são descritas, como diversos estudos de associação genética, estimativa de penetrância, expressão gênica, experimentos de matriz de CGH, experimentos RNAseq, dados de metilação e proteômica. Este artigo também introduz extensões recentes da regressão de quantil com um foco particular na regressão de quantilus de Copula, uma abordagem que recentemente propusemos para a análise de pares de sib. Um exemplo de dados reais da análise eQTL é então apresentado e os códigos (R), que executam as análises são fornecidos. Finalmente, concluímos com alguma apresentação estatística de software e algumas afirmações gerais sobre o potencial e os interesses da regressão quantile em experimentos biológicos modernos. Os marcadores genéticos do risco de obesidade: associações mais fortes com a composição corporal em sobrepeso em comparação com crianças de peso normal. Beyerlein A, Kries VR, Ness AR, Ong KK. PLoS ONE 6 (4): e19057 Bilias Y, Chen S, Ying Z (2000) Métodos simples de reamostragem para quantiles de regressão censurados. Comparação de métodos de normalização para dados de matriz de oligonucleótidos de alta densidade com base na variância e no viés. Bioinformática 19 (2): 185193 PubMed CrossRef Google Acadêmico Boscovich RJ (1757) De litteraria expeditione per pontificiam ditionem, et synopsis amplioris operis, Boon E, Salmon M (2002) Dinâmica copula quantil regressões e área da cauda dependência dinâmica nos mercados de forex. (2006) As abordagens de normalização para a remoção de vieses sistemáticos associados à massa Espectrometria e proteômica livre de rótulos. J Proteoma Res 5 (2): 277286 PubMedCentral PubMed CrossRef Google Scholar Cardoso J, Molenaar L, de Menezes RX, de Leerdam M, Rosenberg C, Mslein G, Sampson J, Morreau H, Boer JM, Fodde R Em pólipos adenomatosos myh - e apc-mutantes. (1995) Estimativa da função de densidade de quantil com base em quantiles de regressão. Stat Probab Lett 23: 7378 CrossRef Google Acadêmico Durrieu G, Briollais L (2009) Projeto seqüencial para experimentos de microarrays. Sobre um novo método de redução de observações relativas a várias quantidades. Philos Mag 25: 184191 CrossRef Google Acadêmico Eilers PHC, de Menezes RX (2005) Quantile suavização de dados cgh de matriz. Bioinformática 21 (7): 11461153 PubMed CrossRef Google Acadêmico Falconer DS, McKay TFC (1996) Introdução à genética quantitativa, 4th edn. Longmans Green, Harlow Google Acadêmico Gao X, Huang J (2010) Um robusto método penalizado para a análise de dados de número de cópia dna ruidosos. BMC Genom 11: 517 CrossRef Google Scholar Gu C, Todorov AA, Rao DC (1997) Genoma de triagem utilizando extremamente discordante e extremamente concordante sib pares. Genet Epidemiol 14: 791796 PubMed CrossRef Google Acadêmico Gutenbrunner CJ, Jurekov J, Koenker R, Portnoy S (1993) Testes de hipóteses lineares com base nas pontuações de regressão. J Non Parametr Stat 2: 307333 CrossRef Google Scholar Hansen KD, Irizarry RA (2012) Eliminando a variabilidade técnica em dados rna-seq usando a normalização quantile condicional. A variante genética sult2a1 identificada pelo (s) gene (s) geneticamente modificado (s) foi identificada (s) pelo (s) gene (s) Gwas como associado a dheas de baixo soro não afeta a proporção real dhea / dheas. Investigação da ligação entre um traço quantitativo e um locus marcador. Behav Genet 2: 319 PubMed CrossRef Google Acadêmico He X, Shao Q (1996) Uma representação bahadur geral de m-estimadores e sua aplicação à regressão linear com desenhos não estocásticos. Ann Stat 24: 26082630 CrossRef Google Scholar Hecker LA, Edwards AO, Ryu E., Tosakulwong N., Baratz KH, Brown WL, Issa PC, Scholl HP, Pollok-Kopp B, Schmid - Kubista KE, Balley KR, Oppermann M Controle genético da via alternativa de complemento em humanos e degeneração macular relacionada à idade. Uma abordagem de seleção de modelos para descobrir padrões de expressão gênica dependentes da idade usando modelos de regressão quantile. BMC Genom 10 (3): 118 Huang BE, Lin DY (2007) Mapeamento eficiente da associação de loci de traços quantitativos usando genotipagem seletiva. Uma nova aplicação da regressão quantile para a identificação de biomarcadores exemplificados por dados de microarray de cartilagem eqüina. (AU) LILACS 3 BMC Bioinform 9:18 CrossRef Google Scholar Khmaladze E (1981) abordagem Martingale na teoria de testes de bondade de ajuste. Teoria Probab Appl 26: 240257 CrossRef Google Acadêmico Kocherginsky M, He X, Mu Y (2005) Intervalos de confiança práticos para quantis de regressão. J Comput Graph Stat 14: 4155 CrossRef Google Scholar Koenker R (1994) Intervalos de confiança para quantiles de regressão. Springer, Nova York Google Scholar Koenker R (1996) Rank testes para modelos lineares. Springer, Nova York Google Scholar Koenker R (2005) Quantile regressão. Cambridge University Press, New York CrossRef Google Acadêmico Koenker R (2008) Censurado quantile regressão redux. J Stat Softw 27: 114 Google Scholar Koenker R, Park BJ (1996) Um algoritmo de ponto interior para a regressão quantile não linear. J Econ 71: 265283 CrossRef Google Pesquisador Koenker R, Xiao Z (2002) Inferência no processo de regressão de quantil. Econometrica 81: 15831612 CrossRef Google Pesquisador Koenker RW, Bassett G (1978) Quantiles de regressão. Econometrica 46: 3350 CrossRef Google Acadêmico Kottas A, Gelfland AE (2001) Bayesiano semiparamétrico mediana regressão modelagem. Utilizando a amostragem fenot�ica extrema para identificar as raras variantes causais de caracter�ticas quantitativas em estudos de associa�o. Genet Epidemiol 35 (8): 790799 PubMed CrossRef Google Acadêmico Li Y, Zhu J (2007) Análise de dados de cgh de matriz para estudos de câncer usando regressão quantile fundida. Bioinformatics 23 (18): 24702476 PubMed CrossRef Google Acadêmico Manolio TA, Collins FS, Cox NJ, Goldstein DB, Hindorff LA, Hunter DJ, McCarthy MI, Ramos EM, Cardon LR, Chakravarti A, Cho JH, Guttmacher AE, Kruglyak L, Mardis E, Rotimi CN, Slatkin M, Valle D, Whittemore AS, Boehnke AG, Clark M, Eichler EE, Gibson G, Haines JL, Mackay TF, McCarroll SA, Visscher PM Doenças. (2004) Análise genética da variação do genoma em toda a expressão genética humana. (AU) LILACS Nature 430: 743747 PubMedCentral PubMed CrossRef Google Acadêmico Nelsen RB (1998) Uma introdução às cópulas. Springer, Nova York Google Scholar Olivieri O, Martinelli N, Sandri M, Bassi A, Guarini P, Trabetti E, Pizzolo F, Girelli D, Friso S, Pignatti PF, Corrocher R (2005) Apolipoproteína c-ii, n-3 Ácidos graxos poliinsaturados e polimorfismo do gene apoc3 t455c resistente à insulina em pacientes com doença cardíaca: Exemplo de interação gênero-dieta. Parzen MI, Wei L, Ying Z (1994) Um método de reamostragem baseado em funções de estimativa pivotal. Peng L, Huang Y (2008) Análise de sobrevivência com modelos de regressão de quantil. Biometrika 81: 341350 CrossRef Google Scholar. J Am Stat Assoc 103: 637649 CrossRef Google Acadêmico Pinkel D, Albertson DG (2005) Hibridização genômica comparativa. Annu Rev Genom Genet Humano 6: 331354 CrossRef Google Scholar Portnoy S (2003) Regressão quantificada censurada. Visualização de alterações genômicas por suavização segmentada usando penalidade (l0). PLoSone 7: e38230 CrossRef Google Acadêmico Risch N, Zhang H (1995) Extremamente discordante sib pares para mapeamento quantitativos loci traço em seres humanos. Science 268: 15841589 PubMed CrossRef Scholar EE, Lamb J, Yang X, J Zhu, Edwards S, GuhaThakurta D, Sieberts SK, Monges S, Reitman M, Zhang C, Lum PY, Leonardson A, Thieringer R, Metzger JM, Uma abordagem genômica integrativa para inferir as associações causais entre a expressão gênica e a doença. Nature Genetics 37: 710717 Scher AI, Terwindt GM, Verschuren WM, Kruit MC, Blom HJ, Kowa H, Frants RR, Van den Maagdenberg AM, van Buchem M, Ferrari MD, Launer LJ (2006) Migraine e mthfr c677t genotype in a População. Ann Neurol 59 (2): 372375 PubMed CrossRef Scholar Scholkopf B, Smola A (2002) Teoria da aprendizagem estatística. MIT Press, New York Google Scholar Simon RM, Korn EL, McShane LM, Radmacher MD, Wright GW, Zhao Y (2003) Projeto e análise de DNA microarray investigações. Springer, Nova Iorque Google Scholar Sklar A (1959) Fonctions de rpartition n dimensions et leurs marges. Publicações de Instituto de Estatística da Universidade de Paris 8: 229231 Google Acadêmico Snijders AM, Nowak N, Segraves R, Blackwood S, Brown N, Conroy J, Hamilton G, Hindle AK, Huey B, Kimura K, Palmer J, Ylstra B, Yue JP, Grey JW, Jain AN, Pinkel D, Albertson DG (2001) Montagem de microarrays para a medição genoma-larga do número de cópias de DNA. Novos métodos de normalização usando a abordagem de regressão de quantile de máquina de vetores de suporte em análise de microarrays. (AU) LILACS 3 Calcula a regressão quantile da máquina do vetor para detetar genes expressados diferencialmente na análise do microarray. Métodos Inf Med 5: 459467 Google Scholar Sun S, Chen Z, PS Yan, Huang Y-W, Huang THM, Lin S (2011) Identificar hipermetilado cpg ilhas usando um modelo de regressão quantile. BMC Bioinform 12:54 CrossRef Google Acadêmico Tibshirani R, Saunders M, Rosset S, Zhu J, Knight K (2005) Sparsity e suavidade através do laço fundido. (1998) Teoria da aprendizagem estatística, New-York Vinciotti V, Yu K (2009) Análise de regressão M-cuantil de dados de expressão gênica temporal. Stat Appl Genet Mol Biol 8 (1): 120 Google Scholar Wang H, He X (2007) Detecção de expressões diferenciais em estudos genechip microarray: uma abordagem quantile. J Am Stat Assoc 102: 104112 CrossRef Google Acadêmico Wang H, He X (2008) Uma abordagem de quantile melhorada para avaliar expressões de genes diferenciais. Um estudo de associação genoma-wide na obesidade e em traços relacionados à obesidade (Biomedics). Um estudo genome-largo da associação na obesidade e em traços relacionados à obesidade (Biometrics 64: 449457) . PLoS ONE 7 (2): e18939 Penetração quantile-específica de genes que afetam lipoproteins, adiposity e altura. PLoS One 7 (1): e28764 PubMedCentral PubMed CrossRef Acadêmico do Google Wu Z, Aryee MJ (2010) Subconjunto normalização quântica usando características de controle negativo. J Comput Biol 17 (10): 13851395 PubMedCentral PubMed CrossRef Acadêmico do Google Yoon D, Lee E-K, Park T (2007) Método robusto de imputação para valores faltantes em dados de microarray. BMC Bioinform 8 (Suplemento 2): S6 CrossRef Google Acadêmico Yu K, Moyeed RA (2001) Bayesiano regressão quantile. Stat Probab Lett 54 (4): 437447 CrossRef Google Acadêmico Informações sobre direitos autorais Springer-Verlag Berlin Heidelberg 2014 Autores e afiliações Laurent Briollais 1 Autor do e-mail Gilles Durrieu 2 1. Instituto de Pesquisa Lunenfeld-Tanenbaum, Hospital Mount Sinai Toronto Canadá 2. Laboratoire de Mathmatiques de Bretagne Atlantique LMBA UMR CNRS 6205 e Universidade de Bretagne Sul Vannes França Sobre este artigo Imprimir ISSN 0340-6717 Online ISSN 1432-1203 Nome do editor Springer Berlim HeidelbergDurbin Watson Estatística O que é o Durbin Watson Estatística O Durbin Watson estatística é um número que testa para autocorrelação Nos resíduos de uma análise de regressão estatística. A estatística de Durbin-Watson está sempre entre 0 e 4. Um valor de 2 significa que não há autocorrelação na amostra. Valores próximos de 0 indicam autocorrelação positiva e valores para 4 indicam autocorrelação negativa. BREAKING DOWN Durbin Watson Estatística Autocorrelação pode ser um problema significativo na análise de dados históricos, se não se sabe para olhar para ele. Por exemplo, uma vez que os preços das ações tendem a não mudar muito radicalmente de um dia para outro, os preços de um dia para o outro poderiam ser altamente correlacionados, embora haja pouca informação útil nessa observação. A fim de evitar problemas de autocorrelação, a solução mais fácil em finanças é simplesmente converter uma série de preços históricos em uma série de variações de preços percentuais de dia para dia. Durbin Watson Statistic Calculation A fórmula para a estatística de Durbin Watson é bastante complexa, mas envolve os resíduos de uma regressão de mínimos quadrados ordinários num conjunto de dados. O exemplo a seguir ilustra como calcular essa estatística. Suponha os seguintes pontos de dados (x, y): Par um (10, 1.100) Par dois (20, 1.200) Par três (35, 985) Par quatro (40, , 1.000) Usando os métodos de uma regressão de mínimos quadrados para encontrar a linha de melhor ajuste, a equação para a melhor linha de ajuste destes dados é: Y -2.6268x 1.129.2 Esta primeira etapa no cálculo da estatística Durbin Watson é calcular o esperado Y usando a linha da equação de melhor ajuste. Para este conjunto de dados, os valores de y esperados são: Y esperado (1) -2,6268 x 10 1,129.2 1,102.9 Esperado Y (2) -2,6268 x 20 1,129.2 1,076.7 Esperado Y (3) -2,6268 x 35 1,129.2 1,037.3 Esperado Y (4) - 2,6268 x 40 1,129,2 1,024.1 Esperado Y (5) -2,6268 x 50 1,129.2 997,9 Esperado Y (6) -2,6268 x 45 1,129.2 1,011 Em seguida, calculam-se as diferenças entre os valores reais de y e os valores esperados de y, os erros: Erro 1) (1,100 - 1,102,9) -2,9 Erro (2) (1,200 - 1,076.7) 123,3 Erro (3) (985 - 1,037.3) -52.3 Erro (4) (750 - 1,024.1) -274.1 Erro (5) (1.215 - 997.9) 217.1 Erro (6) (1.000 - 1.011) -11 Em seguida, esses erros devem ser quadrados e somados: Soma de erros ao quadrado (-2.92 123.32 -52.32 -274.12 217.12 -111) 140.368.5 Em seguida, o valor do erro menos o erro anterior é Calculado e quadrado: Diferença (1) (123,3 - (-2,9)) 126,3 Diferença (2) (-52,3 - 123,3) -175,6 Diferença (3) (-274,1 - (-52,3)) -221,9 Diferença (4) (217,1 - (-274,1)) 491,3 Diferença (5) (-11 - 217,1) -228,1 Soma das diferenças quadrado 389,392.2 Finalmente, a estatística de Durbin Watson é o quociente dos valores quadrados: Durbin Watson 389,392.2 / 140,368.5 2,77
No comments:
Post a Comment