如果你也在 怎样代写时间序列分析Time-Series Analysis 这个学科遇到相关的难题，请随时右上角联系我们的24/7代写客服。时间序列分析Time-Series Analysis是在数学中，是按时间顺序索引（或列出或绘制）的一系列数据点。最常见的是，一个时间序列是在连续的等距的时间点上的一个序列。因此，它是一个离散时间数据的序列。时间序列的例子有海洋潮汐的高度、太阳黑子的数量和道琼斯工业平均指数的每日收盘值。
时间序列分析Time-Series Analysis分析包括分析时间序列数据的方法，以提取有意义的统计数据和数据的其他特征。时间序列预测是使用一个模型来预测基于先前观察到的值的未来值。虽然经常采用回归分析的方式来测试一个或多个不同时间序列之间的关系，但这种类型的分析通常不被称为 “时间序列分析”，它特别指的是单一序列中不同时间点之间的关系。中断的时间序列分析是用来检测一个时间序列从之前到之后的演变变化，这种变化可能会影响基础变量。
时间序列分析Time-Series Analysis代写，免费提交作业要求， 满意后付款，成绩80\%以下全额退款，安全省心无顾虑。专业硕 博写手团队，所有订单可靠准时，保证 100% 原创。最高质量的时间序列分析Time-Series Analysis作业代写，服务覆盖北美、欧洲、澳洲等 国家。 在代写价格方面，考虑到同学们的经济条件，在保障代写质量的前提下，我们为客户提供最合理的价格。 由于作业种类很多，同时其中的大部分作业在字数上都没有具体要求，因此时间序列分析Time-Series Analysis作业代写的价格不固定。通常在专家查看完作业要求之后会给出报价。作业难度和截止日期对价格也有很大的影响。
avatest™帮您通过考试
avatest™的各个学科专家已帮了学生顺利通过达上千场考试。我们保证您快速准时完成各时长和类型的考试，包括in class、take home、online、proctor。写手整理各样的资源来或按照您学校的资料教您，创造模拟试题，提供所有的问题例子，以保证您在真实考试中取得的通过率是85%以上。如果您有即将到来的每周、季考、期中或期末考试，我们都能帮助您！
在不断发展的过程中，avatest™如今已经成长为论文代写，留学生作业代写服务行业的翘楚和国际领先的教育集团。全体成员以诚信为圆心，以专业为半径，以贴心的服务时刻陪伴着您， 用专业的力量帮助国外学子取得学业上的成功。
•最快12小时交付
•200+ 英语母语导师
•70分以下全额退款
想知道您作业确定的价格吗? 免费下单以相关学科的专家能了解具体的要求之后在1-3个小时就提出价格。专家的 报价比上列的价格能便宜好几倍。
我们在统计Statistics代写方面已经树立了自己的口碑, 保证靠谱, 高质且原创的统计Statistics代写服务。我们的专家在时间序列分析Time-Series Analysis代写方面经验极为丰富，各种时间序列分析Time-Series Analysis相关的作业也就用不着说。
统计代写|时间序列分析代写Time-Series Analysis代考|The two-step estimation method
When the GO-GARCH model was first proposed by van der Weide (2002), he used the singular value decomposition of the linkage matrix as a parameterization, that is, $\boldsymbol{\Omega}=\mathbf{U} \mathbf{\Lambda}^{1 / 2} \mathbf{V}^{\prime}$, where $\mathbf{U}$ is the orthogonal matrix containing the orthogonal eigenvectors of $\Omega^{\prime}, \boldsymbol{\Lambda}=\operatorname{diag}\left(\lambda_1, \ldots, \lambda_m\right)$ contains the corresponding eigenvalues $\left(\lambda_i>0\right.$, for all $\left.i\right)$ and $\mathbf{V}$ is the orthogonal matrix of eigenvectors of $\boldsymbol{\Omega}^{\prime} \boldsymbol{\Omega}$. He proposed a two-step estimation method. In the first step, $\mathbf{U}$ and $\boldsymbol{\Lambda}$ are consistently estimated through PCA of the unconditional sample covariance:
$$
\hat{\mathbf{\Sigma}}=T^{-1 / 2} \Sigma_{t=1}^T \varepsilon_t \varepsilon_t^{\prime}=\hat{\mathbf{U}} \hat{\mathbf{\Lambda}} \hat{\mathbf{U}}^{\prime}
$$
where $\hat{\mathbf{U}}$ contains the orthogonal eigenvectors of $\hat{\mathbf{\Sigma}}, \hat{\boldsymbol{\Lambda}}=\left(\hat{\lambda}_1, \ldots, \hat{\lambda}_m\right)$ contains the corresponding eigenvalues, and $T$ is the length of the series. In the second step, $\mathbf{V}$ and the univariate GARCH parameters are estimated by maximizing the following log likelihood:
$$
\begin{aligned}
L(\boldsymbol{\theta}) & =-\frac{1}{2} \sum_{t=1}^T\left{m \log (2 \pi)+\log \left|\hat{\boldsymbol{\Sigma}}t\right|+\boldsymbol{\varepsilon}_t^{\prime} \hat{\boldsymbol{\Sigma}}_t^{-1} \boldsymbol{\varepsilon}_t\right} \ & =-\frac{1}{2} \sum{t=1}^T\left{m \log (2 \pi)+\log \left|\hat{\boldsymbol{\Omega}} \boldsymbol{\Gamma}{\mathbf{t}} \hat{\mathbf{\Omega}}^{\prime}\right|+\boldsymbol{\varepsilon}_t^{\prime}\left(\hat{\boldsymbol{\Omega}} \boldsymbol{\Gamma}{\mathbf{t}} \hat{\boldsymbol{\Omega}}^{\prime}\right)^{-1} \boldsymbol{\varepsilon}t\right} \ & =-\frac{1}{2} \sum{t=1}^T\left{m \log (2 \pi)+\log \left|\boldsymbol{\Gamma}_t\right|+\log \left|\hat{\mathbf{U}} \hat{\boldsymbol{\Lambda}} \hat{\mathbf{U}}^{\prime}\right|+\boldsymbol{\varepsilon}_t^{\prime} \hat{\mathbf{U}} \hat{\boldsymbol{\Lambda}}^{-1 / 2} \mathbf{V}^{\prime} \boldsymbol{\Gamma}_t^{-1} \mathbf{V} \hat{\boldsymbol{\Lambda}}^{-1 / 2} \hat{\mathbf{U}}^{\prime} \boldsymbol{\varepsilon}_t\right},
\end{aligned}
$$
where $\log \left|\hat{\boldsymbol{\Omega}} \boldsymbol{\Gamma}_t \hat{\boldsymbol{\Omega}}^{\prime}\right|=\log \left|\boldsymbol{\Gamma}_t\right|+\log \left|\hat{\mathbf{\Omega}} \hat{\mathbf{\Omega}}^{\prime}\right|, \hat{\mathbf{\Omega}} \hat{\mathbf{\Omega}}^{\prime}=\hat{\mathbf{U}} \hat{\boldsymbol{\Lambda}} \hat{\mathbf{U}}^{\prime}$, and $\boldsymbol{\theta}=\left(\boldsymbol{\theta}_1^{\prime}, \boldsymbol{\theta}_2^{\prime}\right)$ with $\boldsymbol{\theta}_1$ being a vector of dimension $m(m-1) / 2$ characterizing the $m \times m$ orthogonal matrix $\mathbf{V}, \boldsymbol{\theta}_2$ being the GARCH parameter vector of dimension $2 m$ for $\boldsymbol{\Gamma}_t$. We note here that by using unconditional information first, van der Weide (2002) showed that the number of parameters to be estimated for $\mathbf{V}$ is $m(m-1) / 2$ instead of $m^2$.
统计代写|时间序列分析代写Time-Series Analysis代考|The weighted scatter estimation method
It is well known that sample covariance is not the most efficient method to estimate the population covariance. The estimation of the linkage matrix using PCA based on sample covariance is prone to outliers, and outliers are quite common in economic and business data. In this section, we propose a new weighted scatter estimation method (WSE) to estimate the linkage matrix, which inherits many nice properties of robust estimation.
For this method, after singular value decomposition of the linkage matrix, in the first step, $\mathbf{U}$ and $\boldsymbol{\Lambda}$ are still consistently estimated through PCA of the unconditional sample covariance in Eq. (6.35). However, in the second step, $\mathbf{V}$ is estimated based on weighted multivariate scatter estimators of $\mathbf{s}_{\mathbf{t}}=\mathbf{V}^{\prime} \mathbf{r}_t$, and the univariate GARCH parameters in Eq. (6.32) are estimated separately in the third step. The proposed estimation of the linkage matrix does not require the complicated distribution form and any optimization of an objective function; thus, it is free of computational and convergence problems, even when the dimension is high. This property makes the new method numerically attractive and easy to apply.
Under the GO-GARCH specification Eqs. (6.30)-(6.34), we see that $\operatorname{Var}\left(\mathbf{s}t\right)=\operatorname{Var}\left(\mathbf{r}_t\right)=\mathbf{I}_m . \mathbf{V}$ is unidentifiable through PCA on unconditional variance, as for any orthogonal matrix $\mathbf{Q}$, Var $\left(\mathbf{Q} \mathbf{s}_t\right)=\operatorname{Var}\left(\mathbf{Q V}^{\prime} \mathbf{r}_t\right)=\mathbf{I}_m$. The key idea of the proposed estimation method is that $\mathbf{V}$ can be identified through PCA on weighted multivariate scatter estimators, denoted as $\hat{\mathbf{H}}_w$, that assign weights to each observation based on predefined measures with respect to the distribution hyper-contour and higher moments. There are many ways to define weighted multivariate scatter estimation. For example, we can apply the weighting scheme of M-estimation, which is used in the robust statistics criterion. The concept can be easily extended to other weighting schemes. Define $\hat{\mathbf{H}}_w$ as the solution of the equation: $$ \frac{1}{T} \sum{t=1}^T w\left(g_t\right) \mathbf{s}t \mathbf{s}{t-1}^{\prime}=\mathbf{H},
$$
where $g_t=\mathbf{s}t^{\prime} \mathbf{H}^{-1} \mathbf{s}_t \geq 0$, the squared Mahalanobis distance, $\mathbf{s}_t=\boldsymbol{\Lambda}^{-1 / 2} \mathbf{U}^{\prime} \boldsymbol{\varepsilon}_t=\mathbf{V r { t }}$, and $w(g), g \geq 0$, is a weighting function with conditions given in the following Theorem 6.1. We define analogously the functional form of multivariate scatter at a distribution $F_{\mathrm{s}}$ in $R^m$, denoted as $\mathbf{H}w\left(F{\mathrm{s}}\right)$, to be the solution of the equation:
$$
E\left[w(g) \mathbf{s s}^{\prime}\right]=\mathbf{H},
$$
where s, without the time subscript, denotes a $m \times 1$ random vector following distribution $F_{\mathbf{s}}$, $g=\mathbf{s}^{\prime} \mathbf{H}^{-1} \mathbf{s} \geq 0$, and $E$ is the expectation operator over $\mathbf{s}$. If $\mathbf{s}1, \ldots, \mathbf{s}_T$ is a sample series of length $T$, and $F{\mathrm{s}}$ is the corresponding empirical distribution with $P\left(\mathbf{s}t\right)=T^{-1}, t=1, \ldots, T$, Eq. (6.40) becomes Eq. (6.39), and $\mathbf{H}_w\left(F{\mathrm{s}}\right)$ becomes $\hat{\mathbf{H}}_w$. We have the following results.
时间序列代写
统计代写|时间序列分析代写Time-Series Analysis代考|The two-step estimation method
当van der Weide(2002)首次提出GO-GARCH模型时，他使用了连杆矩阵的奇异值分解作为参数化，即$\boldsymbol{\Omega}=\mathbf{U} \mathbf{\Lambda}^{1 / 2} \mathbf{V}^{\prime}$，其中$\mathbf{U}$为包含$\Omega^{\prime}, \boldsymbol{\Lambda}=\operatorname{diag}\left(\lambda_1, \ldots, \lambda_m\right)$的正交特征向量的正交矩阵，其中包含对应的特征值$\left(\lambda_i>0\right.$，对于所有的$\left.i\right)$和$\mathbf{V}$为$\boldsymbol{\Omega}^{\prime} \boldsymbol{\Omega}$的特征向量的正交矩阵。他提出了一种两步估计方法。第一步，通过无条件样本协方差的PCA一致估计$\mathbf{U}$和$\boldsymbol{\Lambda}$:
$$
\hat{\mathbf{\Sigma}}=T^{-1 / 2} \Sigma_{t=1}^T \varepsilon_t \varepsilon_t^{\prime}=\hat{\mathbf{U}} \hat{\mathbf{\Lambda}} \hat{\mathbf{U}}^{\prime}
$$
其中$\hat{\mathbf{U}}$为正交特征向量，$\hat{\mathbf{\Sigma}}, \hat{\boldsymbol{\Lambda}}=\left(\hat{\lambda}1, \ldots, \hat{\lambda}_m\right)$为对应的特征值，$T$为序列的长度。在第二步中，通过最大化以下对数似然来估计$\mathbf{V}$和单变量GARCH参数: $$ \begin{aligned} L(\boldsymbol{\theta}) & =-\frac{1}{2} \sum{t=1}^T\left{m \log (2 \pi)+\log \left|\hat{\boldsymbol{\Sigma}}t\right|+\boldsymbol{\varepsilon}_t^{\prime} \hat{\boldsymbol{\Sigma}}_t^{-1} \boldsymbol{\varepsilon}_t\right} \ & =-\frac{1}{2} \sum{t=1}^T\left{m \log (2 \pi)+\log \left|\hat{\boldsymbol{\Omega}} \boldsymbol{\Gamma}{\mathbf{t}} \hat{\mathbf{\Omega}}^{\prime}\right|+\boldsymbol{\varepsilon}_t^{\prime}\left(\hat{\boldsymbol{\Omega}} \boldsymbol{\Gamma}{\mathbf{t}} \hat{\boldsymbol{\Omega}}^{\prime}\right)^{-1} \boldsymbol{\varepsilon}t\right} \ & =-\frac{1}{2} \sum{t=1}^T\left{m \log (2 \pi)+\log \left|\boldsymbol{\Gamma}_t\right|+\log \left|\hat{\mathbf{U}} \hat{\boldsymbol{\Lambda}} \hat{\mathbf{U}}^{\prime}\right|+\boldsymbol{\varepsilon}_t^{\prime} \hat{\mathbf{U}} \hat{\boldsymbol{\Lambda}}^{-1 / 2} \mathbf{V}^{\prime} \boldsymbol{\Gamma}_t^{-1} \mathbf{V} \hat{\boldsymbol{\Lambda}}^{-1 / 2} \hat{\mathbf{U}}^{\prime} \boldsymbol{\varepsilon}_t\right},
\end{aligned}
$$
式中$\log \left|\hat{\boldsymbol{\Omega}} \boldsymbol{\Gamma}_t \hat{\boldsymbol{\Omega}}^{\prime}\right|=\log \left|\boldsymbol{\Gamma}_t\right|+\log \left|\hat{\mathbf{\Omega}} \hat{\mathbf{\Omega}}^{\prime}\right|, \hat{\mathbf{\Omega}} \hat{\mathbf{\Omega}}^{\prime}=\hat{\mathbf{U}} \hat{\boldsymbol{\Lambda}} \hat{\mathbf{U}}^{\prime}$和$\boldsymbol{\theta}=\left(\boldsymbol{\theta}_1^{\prime}, \boldsymbol{\theta}_2^{\prime}\right)$，其中$\boldsymbol{\theta}_1$为表征$m \times m$正交矩阵的$m(m-1) / 2$维向量，$\mathbf{V}, \boldsymbol{\theta}_2$为$\boldsymbol{\Gamma}_t$的$2 m$维GARCH参数向量。我们在这里注意到，van der Weide(2002)通过首先使用无条件信息表明，对于$\mathbf{V}$需要估计的参数数是$m(m-1) / 2$而不是$m^2$。
统计代写|时间序列分析代写Time-Series Analysis代考|The weighted scatter estimation method
众所周知，样本协方差并不是估计总体协方差最有效的方法。基于样本协方差的主成分分析法估计联动矩阵容易出现异常值，而异常值在经济和商业数据中是非常常见的。在本节中，我们提出了一种新的加权散点估计方法(WSE)来估计连锁矩阵，该方法继承了鲁棒估计的许多优点。
对于该方法，在对联动矩阵进行奇异值分解后，在第一步中，通过对Eq.(6.35)中无条件样本协方差的PCA估计，$\mathbf{U}$和$\boldsymbol{\Lambda}$仍然是一致的。然而，在第二步中，我们基于$\mathbf{s}_{\mathbf{t}}=\mathbf{V}^{\prime} \mathbf{r}_t$的加权多变量散点估计估计$\mathbf{V}$，在第三步中，我们分别估计了Eq.(6.32)中的单变量GARCH参数。提出的连杆矩阵估计不需要复杂的分布形式和目标函数的任何优化;因此，即使当维度很高时，它也不存在计算和收敛问题。这种性质使得新方法在数值上具有吸引力，并且易于应用。
根据GO-GARCH规范方程。由(6.30)-(6.34)可知，对于任意正交矩阵$\mathbf{Q}$, Var $\left(\mathbf{Q} \mathbf{s}t\right)=\operatorname{Var}\left(\mathbf{Q V}^{\prime} \mathbf{r}_t\right)=\mathbf{I}_m$，通过PCA对无条件方差无法识别$\operatorname{Var}\left(\mathbf{s}t\right)=\operatorname{Var}\left(\mathbf{r}_t\right)=\mathbf{I}_m . \mathbf{V}$。所提出的估计方法的关键思想是，$\mathbf{V}$可以通过加权多变量散点估计量(表示为$\hat{\mathbf{H}}_w$)通过PCA识别，该估计量根据分布超轮廓和高矩的预定义度量为每个观测值分配权重。定义加权多元散点估计的方法有很多。例如，我们可以应用稳健统计准则中使用的m估计的加权方案。这个概念可以很容易地扩展到其他加权方案。定义$\hat{\mathbf{H}}_w$为方程的解:$$ \frac{1}{T} \sum{t=1}^T w\left(g_t\right) \mathbf{s}t \mathbf{s}{t-1}^{\prime}=\mathbf{H}, $$ 其中$g_t=\mathbf{s}t^{\prime} \mathbf{H}^{-1} \mathbf{s}_t \geq 0$为马氏距离的平方，$\mathbf{s}_t=\boldsymbol{\Lambda}^{-1 / 2} \mathbf{U}^{\prime} \boldsymbol{\varepsilon}_t=\mathbf{V r { t }}$和$w(g), g \geq 0$是一个加权函数，其条件如定理6.1所示。我们类似地定义$R^m$中分布$F{\mathrm{s}}$处的多元散射的函数形式，记为$\mathbf{H}w\left(F{\mathrm{s}}\right)$，作为方程的解:
$$
E\left[w(g) \mathbf{s s}^{\prime}\right]=\mathbf{H},
$$
其中s(不带时间下标)表示服从$F_{\mathbf{s}}$、$g=\mathbf{s}^{\prime} \mathbf{H}^{-1} \mathbf{s} \geq 0$分布的$m \times 1$随机向量，$E$是$\mathbf{s}$上的期望算子。设$\mathbf{s}1, \ldots, \mathbf{s}_T$为长度为$T$的样本序列，$F{\mathrm{s}}$为与$P\left(\mathbf{s}t\right)=T^{-1}, t=1, \ldots, T$对应的经验分布，则式(6.40)变为式(6.39)，$\mathbf{H}_w\left(F{\mathrm{s}}\right)$变为$\hat{\mathbf{H}}_w$。我们得到了以下结果。
统计代写|时间序列分析代写Time-Series Analysis代考 请认准UprivateTA™. UprivateTA™为您的留学生涯保驾护航。
微观经济学代写
微观经济学是主流经济学的一个分支，研究个人和企业在做出有关稀缺资源分配的决策时的行为以及这些个人和企业之间的相互作用。my-assignmentexpert™ 为您的留学生涯保驾护航 在数学Mathematics作业代写方面已经树立了自己的口碑, 保证靠谱, 高质且原创的数学Mathematics代写服务。我们的专家在图论代写Graph Theory代写方面经验极为丰富，各种图论代写Graph Theory相关的作业也就用不着 说。
线性代数代写
线性代数是数学的一个分支，涉及线性方程，如：线性图，如：以及它们在向量空间和通过矩阵的表示。线性代数是几乎所有数学领域的核心。
博弈论代写
现代博弈论始于约翰-冯-诺伊曼（John von Neumann）提出的两人零和博弈中的混合策略均衡的观点及其证明。冯-诺依曼的原始证明使用了关于连续映射到紧凑凸集的布劳威尔定点定理，这成为博弈论和数学经济学的标准方法。在他的论文之后，1944年，他与奥斯卡-莫根斯特恩（Oskar Morgenstern）共同撰写了《游戏和经济行为理论》一书，该书考虑了几个参与者的合作游戏。这本书的第二版提供了预期效用的公理理论，使数理统计学家和经济学家能够处理不确定性下的决策。
微积分代写
微积分，最初被称为无穷小微积分或 “无穷小的微积分”，是对连续变化的数学研究，就像几何学是对形状的研究，而代数是对算术运算的概括研究一样。
它有两个主要分支，微分和积分；微分涉及瞬时变化率和曲线的斜率，而积分涉及数量的累积，以及曲线下或曲线之间的面积。这两个分支通过微积分的基本定理相互联系，它们利用了无限序列和无限级数收敛到一个明确定义的极限的基本概念 。
计量经济学代写
什么是计量经济学？
计量经济学是统计学和数学模型的定量应用，使用数据来发展理论或测试经济学中的现有假设，并根据历史数据预测未来趋势。它对现实世界的数据进行统计试验，然后将结果与被测试的理论进行比较和对比。
根据你是对测试现有理论感兴趣，还是对利用现有数据在这些观察的基础上提出新的假设感兴趣，计量经济学可以细分为两大类：理论和应用。那些经常从事这种实践的人通常被称为计量经济学家。
MATLAB代写
MATLAB 是一种用于技术计算的高性能语言。它将计算、可视化和编程集成在一个易于使用的环境中，其中问题和解决方案以熟悉的数学符号表示。典型用途包括：数学和计算算法开发建模、仿真和原型制作数据分析、探索和可视化科学和工程图形应用程序开发，包括图形用户界面构建MATLAB 是一个交互式系统，其基本数据元素是一个不需要维度的数组。这使您可以解决许多技术计算问题，尤其是那些具有矩阵和向量公式的问题，而只需用 C 或 Fortran 等标量非交互式语言编写程序所需的时间的一小部分。MATLAB 名称代表矩阵实验室。MATLAB 最初的编写目的是提供对由 LINPACK 和 EISPACK 项目开发的矩阵软件的轻松访问，这两个项目共同代表了矩阵计算软件的最新技术。MATLAB 经过多年的发展，得到了许多用户的投入。在大学环境中，它是数学、工程和科学入门和高级课程的标准教学工具。在工业领域，MATLAB 是高效研究、开发和分析的首选工具。MATLAB 具有一系列称为工具箱的特定于应用程序的解决方案。对于大多数 MATLAB 用户来说非常重要，工具箱允许您学习和应用专业技术。工具箱是 MATLAB 函数（M 文件）的综合集合，可扩展 MATLAB 环境以解决特定类别的问题。可用工具箱的领域包括信号处理、控制系统、神经网络、模糊逻辑、小波、仿真等。