Flytte Gjennomsnittet Time Series Stata

Det er tre bøker som jeg alltid holder til med fra en R-programmering og tidsserieanalyseperspektiv: Den første boken fra Shumway and Stoffer har en åpen kildekode (forkortet) versjon tilgjengelig online kalt EZgreen-versjonen. Hvis du ser spesielt på prognoser for tidsserier, vil jeg anbefale følgende bøker: Forecasting Methods and Applications av Makridakis, Wheelwright og Hyndman. Jeg fortsetter å henvise til denne boken, dette er en klassisk, skrivestil er helt fenomenal. En online etterfølger til boken ovenfor med fine R-eksempler er Forecasting Principles and Practice av Hyndman og Athanasopoulos. Hvis du ser på klassisk Box Jenkins modelleringsmetode, vil jeg anbefale Time Series Analysis: Forecasting and Control av Box, Jenkins og Reinsel. En eksepsjonell behandling av overføringsfunksjon modellering og prognoser er i prognoser med dynamiske regresjonsmodeller av Pankratz. Igjen er skrivestilen helt fantastisk. En annen ekstremt nyttig hvis du i å bruke prognoser for å løse virkelige problemer i verden er Prinsipper for Forecasting av Armstrong. Etter min mening er bøker 1, 4 og 5 noen av de beste av de beste bøkene. Mange liker Forecasting Principles and Practice av Hyndman og Athanasopoulos fordi den er åpen kildekode og har R koder. Det er ingen vei nærmere bredden, dybden av dekning av prognosemetoder og skrivestilen til den forgjenger Makridakis et al. Nedenfor er noen kontrastfaktorer på hvorfor jeg liker Makridakis et al: Liste over referanser: for eksempel i boksen Jenkins kapittel Makridakis et al har 31 referanser, Hyndman et al er det svært lite eller ingen referanser i mange kapitler. Bredde og dybde i dekning - Hyndman et al. hovedsakelig fokus på Univariate metoder spesielt utviklet av den første forfatteren, mens Makridakis et. Alt fokuserer ikke bare på egen forskning, men et bredt spekter av metoder og applikasjoner, og det legges også vekt på realverdenes applikasjon og læring i motsetning til å være mer akademisk fokusert. Skrivestil - Jeg kan ikke klage som begge bøkene er svært godt skrevet. Men jeg lene meg personlig mot Makridakis fordi den koker ned komplekse konsepter i leservennlige seksjoner. Det er en del om dynamiske regresjons - eller overføringsfunksjoner, jeg har ingen der det oppstod en slik klar forklaring på denne komplekse metoden. Det krever ekstraordinært skrive talent for å hjelpe leseren å forstå hva Dynamisk regresjon er på 15 sider, og de lykkes med det. Makridakis et al er softwaremethod agnostic og de liste noen nyttige programvarepakker og sammenligne og kontrastere dem (selv om dette er nesten 20 år gamle) er fortsatt en svært verdifull for en utøver. Tre dedikerte kapitler om hvordan man bruker prognoser i virkeligheten i Makridakis et al. som er stort pluss å ha for en utøver. Forecasting er rett og slett ikke å kjøre univariate metoder som arima og eksponensiell utjevning og produsere utganger. Det er mye mer enn det, og spesielt strategisk prognose når du ser på lengre horisont. Prinsipper for prognoser ved Armstrong går utover de univariate ekstrapoleringsmetodene, og anbefales på det sterkeste for alle som gjør virkelige verdensprognoser spesielt strategisk prognose. Hvis du finner Hamilton for vanskelig, så er det Introduksjon til Econometric Modeling Princeton Uni Press av Bent Nielsen og David Hendry. Det fokuserer mer på intuisjon og praktisk måte enn dypere teori. Så hvis du er på en tidsbegrensning så ville det være en god tilnærming. Jeg vil fortsatt anbefale å fortsette med Time Series Analysis av Hamilton. Det er veldig dypt matematisk, og de første fire kapitlene vil holde deg i lang tid og tjene som en veldig sterk introduksjon til emnet. Det dekker også Granger ikke-kausalitet og samordning, og hvis du bestemmer deg for å forfølge dette emnet dypere, så er det i uvurderlig ressurs. For en mer intuitiv behandling av cointegration, vil jeg også anbefale Cointegration, Causality, og Forecasting av Engle og White. Til slutt for svært avanserte behandlinger, er det Søren Johansens bok Sannsynlighetsbasert Inferens i Cointegrated VARs og selvfølgelig David Hendrys Dynamic Econometrics. Blant de to, tror jeg Hendrys er mer storbildet orientert og Johansen er ganske hardt på matematikken. svarte Mar 7 15 kl 13:25 Hirek, la merke til den første setningen i spørsmålet, hvor plakaten forklarer at de allerede bruker Hamilton og ikke forstår det. og vil ha noe annet ndash Glenb 9830 Mar 14 15 kl 14:35 Ha helt oversett det beklager Glenb ndash Hirek Mar 14 15 kl 16:44 Etter min mening kan du virkelig ikke slå Forecasting: prinsipper og praksis. Den er skrevet av CVs egen Rob Hyndman og George Athanasopoulos, den er tilgjengelig gratis online, og den har tonnevis av eksemplskoder i R, og benytter seg av den gode prognosen. Hvis du bruker Stata, introduksjon til tidsserier Bruke Stata av Sean Becketti er en solid, mild introduksjon, med mange eksempler og vekt på intuisjon over teori. Jeg tror denne boken vil utfylle Ender ganske bra. Boken åpnes med en intro til Stata-språket, etterfulgt av en rask gjennomgang av regresjon og hypotesetesting. Tidsserien begynner med bevegelige gjennomsnitt og HoltWinters teknikker for å glatte og prognose dataene. Den neste delen fokuserer på å bruke disse for teknikkprognoser. Disse metodene blir ofte forsømt, men de fungerer ganske bra for automatisert prognose og er lett å forklare. Becketti forklarer når de skal jobbe og når de ikke vil. De neste kapitlene dekker enkeltkvate-tidsseriemodeller som autokorrelerte forstyrrelser, ARIMA og ARCHGARCH-modellering. Til slutt diskuterer Becketti flere likningsmodeller, spesielt VAR og VEC, og ikke-stationære tidsserier. Dimitriy V. Masterov Theres NBER Summer Institute Hva er nytt i Time Series Econometrics (ikke sikker på om dette materialet er inngjerdet eller ikke). Det er videoer med tilhørende lysbilder. Forelesningene er gitt av et par professorer (Stock og Watson) som er kjent for sin populære bachelorøkonomisk lærebok. Vi leter etter lange svar som gir noen forklaring og kontekst. Ikke bare gi et svar på en linje forklare hvorfor svaret ditt er riktig, ideelt med citater. Svar som ikke inkluderer forklaringer, kan fjernes. HILL GRIFFITHS LIM 2011 Prinsipper for økonometri 4E Wiley Fordeler: (1) Veldig lett å følge. Emner er godt presentert. Selv om jeg ikke tok noen økonometrisk kurs i mitt liv, grep jeg lett innledende økonometri med boken. (2) Det er supplerende bøker for å forstå HILLs bok: a. Bruke EViews for prinsipper for økonometri b. Bruke Excel for prinsipper for økonometri c. Bruke Gretl for prinsipper for økonometri d. Bruke Stata for prinsipper for økonometri Ulemper: (1) Det er ingen å bruke R for prinsipper for økonometri R er industristandard. R er bedre enn Python. Matematikk i tankene kan best reflekteres til å kode via R (Jeg sier dette som en person som skrev VBA-moduler i Excel, skrev Gretl-koder, skrev Eviews-koder). Jeg selvstartte økonometri med GREENE 2011 Econometric Analysis - W. H. GREENE 7E PearsonPrentice Hall Dette er også fint, men mer teoretisk kan være vanskelig for startere. Oppsummert anbefaler jeg sterkt å ta tak i Econometrics med Hills-boken, og bruk den forståelsen via en annen Econometry-bok som er basert på R. Stata jokertegn og snarveier. Jokertegn er svært nyttige. De kan spare mye tid, samt lage kodende utfall som ellers er umulige eller ekstremt vanskelig å ellers våte opp. La oss først generere en håndfull variabler for å eksperimentere på: gl A c3a3aa a1 a2 a3 b2 b3 b4 c3 c4 c5 a3a3 klart sett obs 12 Dette vil løpe gjennom hvert element i den globale A og generere tilsvarende variabler. foreach v i A gen vrnormal () Nå hvis vi bare vil bruke noen av variablene med jokertegn. A. gjør det mulig for et tegn å være vill summen a Noen ganger kan vi bruke kombinasjoner av stjerner og. å målrette mot bestemte grupper av variabler sum 3a En stjerne tillater at et hvilket som helst antall tegn er vill summen a Vi kan også referere til variabler gjennom spesifikasjoner for variabel rekkevidde: Stata 14 NY Stata 14 er en komplett, integrert statistisk pakke som gir alt du trenger for dataanalyse, datahåndtering og grafikk. Stata selges ikke i moduler, noe som betyr at du får alt du trenger i en pakke. OxMetrics OxMetrics gir en integrert løsning for økonometrisk analyse av tidsserier, prognoser, økonomisk økonometrisk modellering, eller statistisk analyse av tverrsnitt og paneldata. EViews NYE ​​EViews 9 tilbyr akademiske forskere, bedrifter, myndigheter og studenter tilgang til kraftige statistiske, prognoser og modelleringsverktøy gjennom et innovativt, brukervennlig objektorientert grensesnitt. Prognos Pro Forecast Pro er rask, enkel og nøyaktig prognose programvare for forretningsfolk. GAUSS GAUSS er en rask, kraftig, svært adaptiv pakke med analytisk programvare og verktøy. NVivo NVivo er programvare som støtter kvalitativ og blandet metodeforskning. Den lar deg samle inn, organisere og analysere innhold. Nyeste versjon: Stata 14 (april 2015) Operativsystem: Windows, Mac OS, Linux Ny Bayesian analyse kommandoer Behandling-effekt analyse IRT (Item Response Theory) Analyse Støtte for Unicode Stata i nye språk Nye tidsserier kommandoer og mye mer sluttbruker lisens Avtale Stata 14 er en komplett, integrert statistisk pakke som gir alt du trenger for dataanalyse, datahåndtering og grafikk. Stata selges ikke i moduler, noe som betyr at du får alt du trenger i en pakke. Og du kan velge en evigvarende lisens, med ingenting mer å kjøpe noensinne. Årlige lisenser er også tilgjengelige. Alle følgende smaker av Stata har samme komplette sett med kommandoer og funksjoner og manualer som PDF-dokumentasjon i Stata. StataMP: Den raskeste versjonen av Stata (for dual-core og multicoremultiprocessor-datamaskiner) StataSE: Stata for store datasett StataIC: Stata for moderate datasett Small Stata: En versjon av Stata som håndterer små datasett (kun for pedagogiske kjøp). Sammenligning av funksjoner StataMP er den raskeste og største versjonen av Stata. De fleste datamaskiner som er kjøpt siden midten av 2006, kan benytte seg av den avanserte multiprosesseringen av StataMP. Dette inkluderer Intel Coretrade 2 Duo, i3, i5, i7 og AMD X2 dual-core chips. På dual-core-chips kjører StataMP 40 raskere totalt og 72 raskere hvor det gjelder - på de tidkrevende estimeringskommandoene. Med mer enn to kjerner eller prosessorer, er StataMP enda raskere. StataMP er en versjon av StataSE som kjører på multiprocessor og multicore datamaskiner. StataMP gir den mest omfattende støtten til flere prosessor datamaskiner og multicore datamaskiner av enhver statistikk og data management pakke. Den spennende tingen om StataMP, og den eneste forskjellen mellom StataMP og StataSE, er at StataMP kjører fastere raskere. StataMP lar deg analysere data i halvparten til to tredjedeler av tiden sammenlignet med StataSE på billige dual-core-stasjonære og bærbare datamaskiner og i kvart til halvannen tid på quad-core-stasjonære datamaskiner. StataMP går enda raskere på multiprocessorservere. StataMP støtter opptil 64 prosessorscores. I en perfekt verden ville programvaren kjøre dobbelt så fort på to kjerner, fire ganger så fort på fire kjerner, åtte ganger så fort på åtte kjerner, og så videre. I alle kommandoer kjører StataMP 1,6 ganger raskere på to kjerner, 2,1 ganger raskere på fire kjerner, og 2,7 ganger raskere på åtte kjerner. Disse verdiene er forbedringer i medianhastigheten. Halve kommandoene går enda raskere. På den andre siden av fordelingen løper noen få kommandoer ikke raskere, ofte fordi de er iboende sekvensielle, for eksempel kommandoer i tidsserier. Stata jobbet hardt for å sikre at ytelsesgevinstene for kommandoer som tar lengre tid å kjøre, ville være større. I alle estimatkommandoer kjører StataMP 1,8 ganger raskere på dual-core datamaskiner, 2,8 ganger raskere på quad-core datamaskiner, og 4,1 ganger raskere på datamaskiner med åtte kjerner. StataMP er 100 kompatible andre versjoner av med Stata. Analyser må ikke omformuleres eller modifiseres på noen måte for å få StataMPs hastighetsforbedringer. StataMP er tilgjengelig for følgende operativsystemer: Windows (32- og 64-bit prosessorer) Mac OS X (64-bits Intel-prosessorer) Linux (32- og 64-bit prosessorer) Solaris (64-biters SPARC og x86-64) . For å kjøre StataMP kan du bruke en stasjonær datamaskin med en dual-core eller quad-core prosessor, eller du kan bruke en server med flere prosessorer. Enten en datamaskin har separate prosessorer eller en prosessor med flere kjerner, gjør ingen forskjell. Flere prosessorer eller kerner gjør StataMP raskere. For mer råd om kjøpoppgradering til StataMP eller for maskinvareforespørsler, vennligst kontakt vårt salgsteam. Stata SE utfører på samme måte som StataMP, som gir samme antall variabler og observasjoner, og den eneste forskjellen er at den ikke er laget for parallellbehandling. I tillegg varierer StataSE, StataIC og Small Stata kun i datasettstørrelsen som hver kan analysere StataSE og StataMP kan passe modeller med mer uavhengige variabler enn StataIC (opptil 10998). StataIC tillater datasett med så mange som 2.047 variabler. Maksimalt antall observasjoner er 2,14 milliarder kroner. StataIC kan ha maksimalt 798 høyre side-variabler i en modell. Små Stata er begrenset til å analysere datasett med maksimalt 99 variabler og 1200 observasjoner. Små Stata kan ha maksimalt 99 høyre side-variabler i en modell. Sammenligning av funksjoner Maksimum antall observasjoner er bare begrenset av mengden ledig RAM på systemet. Enten du er en student eller en erfaren forsker, er en rekke Stata-pakker tilgjengelig og designet for å dekke alle behov. StataMP: Den raskeste versjonen av Stata (for dual - og multicoremultiprocessor-datamaskiner) StataSE: Stata for store datasett StataIC: Stata for moderat størrelse datasett Små stata: En versjon av Stata som håndterer små datasett (kun for utdanningskjøp) Hva Stata passer for meg Oppsummeringen over viser Stata-pakkene som er tilgjengelige. StataMP er den raskeste og største versjonen av Stata. De fleste datamaskiner som er kjøpt etter midten av 2006, kan benytte seg av de avanserte multiprosesseringsegenskapene til StataMP. StataMP, StataSE og StataIC kjører alle på en hvilken som helst maskin, men StataMP går raskere. Du kan kjøpe en StataMP-lisens for opptil antall kjerner på maskinen din (den mest er 64). For eksempel, hvis maskinen har åtte kjerner, kan du kjøpe en StataMP-lisens for enten åtte kjerner (StataMP8), fire kjerner (StataMP4) eller to kjerner (StataMP2). StataMP kan også analysere flere data enn noen annen smak av Stata. StataMP kan analysere 10 til 20 milliarder observasjoner gitt de nåværende største datamaskinene, og er klar til å analysere opptil 281 billioner observasjoner når maskinvaren fanger opp. StataSE, StataIC og Small Stata varierer bare i datasettstørrelsen som hver kan analysere. StataSE og StataMP kan passe modeller med mer uavhengige variabler enn StataIC (opptil 10998). StataSE kan analysere opptil 2 milliarder observasjoner. StataIC tillater datasett med så mange som 2.047 variabler og 2 milliarder observasjoner. StataIC kan ha maksimalt 798 høyre side-variabler i en modell. Små Stata er begrenset til å analysere datasett med maksimalt 99 variabler og 1200 observasjoner. Små Stata kan ha høyst 98 høyre side-variabler i en modell. Merk: Antall variabler og observasjoner som tillates av Small Stata, inneholder de ekstra variablene eller observasjonene som genereres under statistiske beregninger. Nye funksjoner i Stata 14 Stata 14 har 102 nye funksjoner og er en av de største nyutgivelsene til Stata og tilbyr nye forskningsfunksjoner for brukere på en rekke områder som økonomi, helseforskere, epidemiologer, sosiologer, psykologer, utdannelsesforskere, politiske forskere og økonometrikere. Bayesian analyse kommandoer Innføring av Bayesian analyse kommandoer (univariate og multivariate lineære modeller, univariate GLM, univariate og generaliserte ikke-lineære modeller, etc.) støttet av en helt ny Stata Bayesian Analysis referansehåndbok. Stata 14 inneholder 12 innebygde sannsynlighetsmodeller og 22 innebygde tidligere distribusjoner blant andre nyttige funksjoner. Mer Utvidede modeller av behandlingseffekter Behandling-effektanalyse er nå tilgjengelig for en mye bredere klasse av modeller. Endogen behandling-effekt estimering er nå tilgjengelig for kontinuerlige, binære, telle og fraksjonale resultater. Behandlingseffekter kan nå også estimeres fra observasjonsoverlevelsesdata. Flere IRT-analyser (elementresponsteori) Stata 14 støtter nå IRT-modeller for binære elementer (1-3 PL), kategoriske elementer (nominell respons), ordinære elementer (gradert svar, karakterskala og delvis kreditt) og hvilken som helst kombinasjon av disse modellene. Mer Stata på nye språk Statas brukergrensesnitt er nå tilgjengelig på spansk og japansk. Flere Flere nyttige nye funksjoner som er lagt til i Stata 14 er: Du kan passe til en rekke multilevel overlevelsesmodeller som eksponentielle og Weibull blandede effekter. Mer Du kan utføre småprøveferdigheter i lineære blandede modeller ved hjelp av flere nevner grader av frihet metoder, inkludert Kenward-Roger metoden. Flere nye tidsseriekommandoer. Flere nye og utvidede paneldata estimatorer. Mer Du kan beregne strøm og prøvestørrelse for epidemiologiske beredskapstabellanalyser. Mer Stata forstår nå Unicode. Mer Du kan utføre den Satorra-Bentler justerte modelltesten for SEM med data som ikke distribueres normalt. Mer Du kan estimere modeller for priser, proporsjoner og andre brøkdelige svar ved hjelp av beta-regresjon og fraksjonelle regresjonsmodeller. Du kan estimere Poisson-modeller med sensurert avhengige variabler. StataMP lar nå mer enn 2,1 milliarder observasjoner opptil 20 milliarder observasjoner gitt den nåværende største datamaskinen, og er klar for mer når maskinvaren fanger opp. Flere ICD-10 koder. Mer Stage-nivå vekter. Mer I tillegg til: churdle å estimere lineære og eksponentielle hindringsmodeller betareg og fracreg for fraksjonelle svar, proporsjoner, satser osv. Cpoisson å estimere sensurert Poisson-modeller ztest og ztesti-kommandoer for å beregne z-statistikk Postestimation Selector som i stor grad forenkler postestimasjonsanalyse Nesten alle estimatkommandoer i Stata støtter nå faktorvariabler En rekke forbedringer av marginer, for eksempel muligheten til å gjøre flere spådommer av gangen, og som har standardspådommer, gjenspeiler det beste valget for marginalanalyse Flere nye verktøy som hjelper deg med bedre å håndtere grafer Ny hurtigstart del av håndbøkene New Stata Funksjoner Reference Manual Programmering av tingen din. Du vil være interessert i disse nye funksjonene i Stata 14. Stata bruker nå 64-biters Mersenne twister som standard tilfeldig tall generator. Nye statistiske, random-nummer distribusjon og strengfunksjoner Alle nye funksjoner lagt til Stata er også tilgjengelige i Mata There Det er mange videoopplæringer i bruk av Stata. Nedenfor finner du de siste tilleggene som gjelder Stata 14, samt en liste over alle andre ressurser som er tilgjengelige for øyeblikket. Raske tips Alle versjoner av Stata kjøres på dual-core, multi-core og multi-prosessor datamaskiner. Stata for Windows Windows 10 Windows 8 Windows 7 Windows Vista Windows Server 2012 Windows Server 2008 Windows Server 2003 64-bits og 32-biters Windows-varianter for x86-64 og x86-prosessorer laget av Intel og AMD. Stata for Mac Stata for Mac krever 64-bits Intel-prosessorer (Core2 Duo eller bedre) som kjører OS X 10.7 eller nyere Stata for Unix Linux: Enhver 64-bits (x86-64 eller kompatibel) eller 32-bits (x86 eller kompatibel) kjører Linux. Maskinvarekrav Minimum 512 MB RAM Minimum 900 MB diskplass Stata for Unix krever et skjermkort som kan vise tusenvis av farger eller mer (16-biters eller 24-biters farge) Vennligst velg en brukertype: Stata 14 Dokumentasjon Hver installasjon av Stata inkluderer all dokumentasjon i PDF-format. Statas dokumentasjon består av over 12.000 sider som beskriver hver funksjon i Stata, inkludert metodene og formlene og fullt utarbeidede eksempler. Du kan overføre sømløst over oppføringer ved hjelp av koblingene i hver oppføring. Stata 14 Håndbøker Bayesian Analysis Referansehåndbok Komme i gang med Stata for Mac Komme i gang med Stata for Unix Komme i gang med Stata for Windows Stata 14-dokumentasjonen er opphavsrett til StataCorp LP, College Station TX, USA, og brukes med tillatelse fra StataCorp LP. Studentene kan kjøpe StataMP. StataSE. StataIC og Small Stata til en nedsatt pris gjennom Stata GradPlan programmet. For mer informasjon om tilgjengelige lisenstyper, klikk her. Dato: torsdag, 7. fredag, 8. september 2017 Sted: Cass Business School, London EC1Y 8TZ. London Stata Users Group-møtet er en to-dagers internasjonal konferanse. 2016 så oss feire tjuefem år med å distribuere og støtte Stata til brukere i Storbritannia. Vi er veldig stolte av vårt nært samarbeid med S. Financial Econometrics. Bruke Stata av Simona Boffelli og Giovanni Urga gir en utmerket introduksjon til tidsserieanalyse og hvordan å gjøre det i Stata for økonomisk. Midt-Østen og Nord-Afrika (MENA) - regionen lider av både datatilgjengelighet og datakvalitet. Enhver innsats for å samle, rense og presentere data på regionen er et godt. Den 4. Polen Stata Users Group Meeting finner sted mandag 17. oktober 2016 ved SGH Warsaw School of Economics, Warszawa, Polen. Målet for Stata Users Group Meeti. Siste stata kurs Dette 2-dagers kurset fortsetter fra del 1 og gir en ytterligere gjennomgang og en praktisk veiledning til flere store økonometriske metoder som ofte brukes til å modellere de stiliserte fakta i den finansielle tidsserien via ARMA-modeller, univariate og multivariate GARCH-modeller, risikostyring analyse og smitte. Demonstrasjon av alternative teknikker vil bli illustrert ved hjelp av Stata. Praktiske økter i løpet av kurset inkluderer rentedata, eiendomspriser og forex tidsserier. Kurset er levert av prof. Giovanni Urga, forfatter av Financial Econometrics ved hjelp av Stata - Boffelli, S og Urga, G (2016), Stata Press: TX. Kurset er basert på boka og alle deltakerne vil motta en gratis kopi. Vår sommerskole 2017 i Stata finner sted i London 3-8 juli 2017. Lær hvordan du bruker Stata mer effektivt i vår fleksible korte kursserie - En introduksjon til Stata En introduksjon til Stata Graphics Avansert dataadministrasjon i Stata En introduksjon til Stata for Medisinsk statistikk En introduksjon til meta-analyse En introduksjon til tidsserieanalyse. Dette 2-dagers kurset gir en gjennomgang av og en praktisk veiledning til flere store økonometriske metoder som ofte brukes til å modellere de stiliserte fakta i den finansielle tidsserien via ARMA-modeller, univariate og multivariate GARCH-modeller, risikostyringsanalyse og smitte. Demonstrasjon av alternative teknikker vil bli illustrert ved hjelp av Stata. Praktiske økter i løpet av kurset inkluderer rentedata, eiendomspriser og forex tidsserier. Kurset er levert av prof. Giovanni Urga, forfatter av Financial Econometrics ved hjelp av Stata - Boffelli, S og Urga, G (2016), Stata Press: TX. Den andre av to kurs utformet som en introduksjon til Bayesian metoder for empirisk analyse. Vi vil starte med en rekke teoretiske problemstillinger, inkludert utvekslingsevne, for-posterior analyse, modell sammenligning og hypotesetesting, og modeller for manglende data. Vi vil også undersøke det grunnleggende problemet med tidligere utfordringer. I dette tre-dagers kurset som går i London den 5.-7. April 2017, dekker vi hvordan vi lager og vurderer prognosemodeller for å forutsi makroøkonomiske variabler som inflasjon og økonomisk vekst. Vi ser på prognoser for tidsserier og grunnleggende for å bygge en modell, sjekke diagnose, VAR-modeller og samordning. Trenger et tilbud