Hp Filter Moving Average

Por que você nunca deve usar o filtro de Hodrick-Prescott Uma tarefa muito comum em finanças e economia é calcular a tendência subjacente de uma série de tempo. Este é um problema bem conhecido em sistemas de comunicação, e é conseguido projetando um filtro passa-baixa. Um filtro que elimina componentes de alta freqüência de uma entrada. Por razões difíceis de entender, alguns economistas usam o Filtro Hodrick-Prescott (o Filtro HP) como um filtro passa-baixa. Infelizmente, o filtro HP viola vários princípios de design de filtro e gera saída enganosa. Como resultado, ele nunca deve ser usado. Embora este tema pareça bastante técnico, os problemas podem ser facilmente ilustrados graficamente. Mesmo se você não estiver interessado em filtrar a série você mesmo, estes problemas devem ser mantidos na mente ao olhar a pesquisa dos economistas se for baseado no uso deste filtro. As conclusões podem ser baseadas em defeitos criados pela técnica de filtragem. Histórico A implementação do HP Filter é bastante complexa, e eu acho que essa complexidade dá à técnica uma aura de sofisticação. Uma vez que você nunca deve usar o filtro, não há nenhuma razão para olhar para a matemática por trás dele. Mas se você desejar, o filtro HP é descrito nesta documentação do idioma R (o pacote mFilter, eu usei este pacote para gerar os resultados aqui). O gráfico acima mostra um uso típico do Filtro HP - usá-lo para calcular a tendência (real) do PIB. O painel superior mostra a série original ea saída do filtro, que é referida como a tendência dentro da literatura econômica. A tendência é uma boa linha suave que se encaixa através da série PIB. (Observe que estou usando isso como um exemplo que fornece uma intuição simples para os problemas com o filtro HP. Como observo abaixo, embora o filtro HP foi utilizado para este fim historicamente, tentativas mais sérias para calcular o PIB potencial agora usar Diferentes técnicas). (Em uma nota técnica, eu calculei a série como segue: primeiro, transformou o PIB tomando o logaritmo de seu valor, o que converte o crescimento exponencial estável em uma linha reta, e depois calculo a tendência do log PIB, ou Usando o filtro HP ou uma técnica alternativa. Finalmente, eu calcular a tendência para o PIB, tendo a exponencial da série de tendência. Todos os meus cálculos usam o valor do parâmetro de suavização de 1600, que é o mesmo valor que todos os outros usa para os dados trimestrais Por que 1600, e não 100 Há uma longa explicação (o que pode ou não ser convincente) Professor Karl Whelan tem notas de conferência com uma explicação resumida UPDATE: Por favor, note que a explicação original da escolha de parâmetro 1600 foi sarcástico e completamente injusto . Aparentemente, eu estou em um humor mais generoso hoje, e atualizado o texto. Gostaria de agradecer ao comentarista elsurexiste por fornecer a referência e bater meus knuckles sobre a minha observação. O painel inferior mostra o desvio do PIB da tendência calculada pelo filtro HP. É apresentado como uma percentagem do PIB. Curiosamente, mostra que o PIB real dos EUA está acima da tendência, o que deve ser assustador se você for um bônus de obrigações - e se o filtro HP fosse confiável (eu discuto isso mais adiante). Como as séries filtradas que eu calculo são bastante próximas entre si em termos de nível, agora vou demonstrar as saídas de filtro pelo desvio na tendência que elas geram. Como um aparte, muitas pessoas usam um desvio do PIB de alguma tendência como uma medida do hiato do produto. Gostaria de salientar que os dois conceitos devem ser separados, uma vez que precisamos de fazer fortes pressupostos de modelo para justificar a crença de que o hiato do produto deve estar próximo do PIB tendencial. Como exemplo, a taxa de crescimento relativamente baixa do PIB desde o fim da Crise Financeira implica que o crescimento tendencial do PIB é menor, mas isso não significa necessariamente que o crescimento potencial do PIB seja baixo. Por que o filtro HP falha para uso em tempo real O problema mais importante com o filtro HP pode ser demonstrado por como ele se comporta em diferentes cenários. No painel superior do gráfico acima, mostro três séries temporais da taxa de crescimento: dados históricos (até 2014q4, em preto), um cenário de forte crescimento (mais precisamente, crescimento mais forte - uma taxa anual de 3, em vermelho) E um cenário de recessão moderada (2 contrações ao longo de 2 trimestres, e depois retornando para 1,5 crescimento anualizado, em azul). O painel inferior mostra o que acontece com a saída do filtro HP, dependendo do cenário. O desvio da tendência no final do conjunto de dados é revisado. Se tivermos um crescimento mais forte, a estimativa de que o PIB real está acima da tendência no final de 2014 é revisada e parece que a economia estava apenas perto do valor da tendência. Por outro lado, se a economia cair em recessão, a economia parece estar tão acima da tendência quanto em 2007. Isso acontece porque o filtro HP não é causal, o valor em um ponto no tempo depende de valores futuros do tempo série. Podemos calcular uma saída de filtro não causal se tivermos acesso aos dados da série durante todo o tempo, mas não podemos calcular os valores de saída em tempo real. Por esta razão, os engenheiros não olham para os filtros não causais, a não ser nas palestras iniciais de um curso sobre teoria de sistemas. A maioria das agências estatísticas descobriu isso há algum tempo atrás, e eles não usam mais o filtro HP para coisas como a estimativa do PIB tendencial. Os economistas que continuam a usar o filtro HP parecem ser teóricos que não estão muito preocupados com a econometria, bem como com economistas de mercado (e blogueiros) que reúnem análises bem rápido. Dentro das finanças, os profissionais geralmente querem usar séries suavizadas como insumos para as regras de negociação. A não causalidade elimina imediatamente o filtro HP da consideração, uma vez que qualquer regra de negociação baseada em preços futuros deve gerar fortes retornos no backtesting. Análise Histórica Poderíamos então argumentar que talvez o filtro HP possa ser usado para análise histórica. Uma vez que os dados que estamos olhando é fixo (exceto revisões), a não-causalidade pode não ser um problema. O problema com essa linha de argumento é que a saída do filtro HP não é confiável perto dos pontos de extremidade do conjunto de dados. Infelizmente, não sabemos o que significa próximo. O painel superior do gráfico acima mostra como a estimativa do desvio da tendência depende da amostra que você escolher. A linha preta mostra o desvio estimado da tendência quando usamos um conjunto de dados que vai de 1990q1 a 2007q4 ea linha vermelha usa o conjunto de dados que termina em 2014q4. O ponto final da amostra mais curta (final de 2007) mostra PIB próximo à tendência, que é a tendência inerente do filtro HP. Isso é completamente diferente da imagem que é dada usando a amostra maior. O painel inferior mostra a análise usando um filtro sensível - a média móvel centrada (eu usei 21 períodos, ou 5 anos e 1 trimestre). A média móvel centrada é uma média móvel onde a saída é tempo deslocado por um chumbo de metade da média móvel. Neste caso, a média móvel de 21 períodos é a média de um ponto no tempo, mais os pontos de tempo que estão dentro de 10 períodos de cada lado. (Uma vez que há 10 períodos de cada lado, mais o ponto médio, há 21 pontos a serem calculados.) Como o filtro HP, a média móvel centrada é não-causal. A média móvel centrada não é definida ao longo de todo o intervalo, pois perdemos os primeiros e últimos 10 pontos no conjunto de dados. Mas onde é definido, é muito perto do valor do filtro HP. Como eu diria, o filtro HP é quase tão bom quanto a média móvel centrada. (Eu não fiz nenhum esforço para ajustar os parâmetros do filtro para que as saídas estejam mais próximas). Além disso, a média móvel centrada nos diz onde jogar os pontos de dados no final dos dados - não há saída definida para onde a saída Resultados seria mais esboçado. A metodologia de filtros HP não oferece nenhuma visão sobre onde precisamos eliminar os dados de ponto de extremidade não confiáveis. Um engenheiro de sistemas de comunicação ou de controle objetaria que as médias móveis (incluindo as médias móveis centradas) geralmente não são usadas na engenharia. Eles têm algumas tendências infelizes para ampliar algum ruído de alta freqüência. Isso pode ser interpretado como o efeito base que você vê na saída. (Um choque atinge uma média móvel tanto quando entra na média quanto quando cai). Tipicamente, as funções de transferência de baixa ordem são usadas, a mais básica das quais é conhecida como a média móvel exponencial na economia. Se eu estivesse construindo uma regra comercial, eu usaria esses filtros em vez de uma média móvel, mas para meus propósitos aqui, eu uso o mais simples para explicar o filtro - a média móvel. Meu sentimento é que quase todo o meu público-alvo com formação em finanças ou economia sabe o que uma média móvel é a média móvel exponencial é infelizmente exótica. (Para engenheiros elétricos, a situação é invertida.) Veja o meu primário sobre as expectativas adaptativas para mais discussão sobre o filtro de média móvel exponencial. O que fazemos em tempo real Uma média móvel centrada é solução razoável para análise de dados históricos. Para as estimativas de valores atuais, as soluções parecem menos satisfatórias. A razão é que, se nos limitarmos a filtros causais, teremos um intervalo de tempo inevitável incorporado em nossas saídas de filtro. A situação para a média móvel centrada é a mais fácil de explicar. Os textos de teoria de sistemas tipicamente começam com a média móvel não-causal centrada, pois tem a representação de domínio de freqüência mais limpa. Em seguida, adicionamos um intervalo de tempo para transformá-lo em uma média móvel padrão, que é causal. Em outras palavras, uma média móvel é melhor considerada como uma média móvel centrada mais um desfasamento de tempo. Para outros filtros, a prova de por que um atraso de tempo é introduzido requer o uso de análise de domínio de freqüência. Existe o equivalente a uma lei de conservação que explica por que você tem um trade-off entre a filtragem de componentes de sinal de alta freqüência eo atraso na saída. A prova disso pode ser encontrada na maioria dos livros didáticos de processamento digital de sinais. Uma exceção aparente que é bem conhecida na economia é o conceito de ajuste sazonal. Quando os dados são ajustados sazonalmente, os estatísticos esperam cancelar o ruído sazonal usando uma abordagem baseada em modelos. Infelizmente, esses modelos só funcionarão se o padrão sazonal for estável, o que nem sempre é o caso. Para evitar um viés, o ajuste sazonal tem de ser feito de forma não causal. O ajuste sazonal é mais uma arte do que uma ciência. Uma lista mais formal dos defeitos do filtro HP Vou agora dar uma breve crítica mais formal dos problemas com o filtro HP. Não causalidade. Conforme discutido acima. Quantidade desconhecida de pontos inválidos nas extremidades do intervalo. Este problema é extremamente crítico nós não sabemos onde os dados são lixo. Computacionalmente intensivo. Recursos de resíduos. Implementação da caixa preta. É difícil ver quais são as propriedades dessa solução, ao contrário de alternativas que possuem representações de domínio de freqüência limpa. Magic parâmetro de entrada. É muito difícil ver o que o parâmetro lambda representa. (Sim, há uma história por trás disso, mas ainda não é particularmente útil quando comparado a filtros digitais sensatamente projetados. A história depende de insumos arbitrariamente longos, o que não é exatamente uma característica das séries econômicas do mundo ral). Vantagens do filtro HP sobre uma média móvel centrada, e tem as desvantagens listadas acima. Pode-se usar um filtro de Resposta a Impulsos Finitos (FIR) não-causal mais geral para obter uma resposta de domínio de freqüência mais suave do que a média móvel centralizada, se desejado, mas isso exigiria olhar para um texto de graduação no sistema de comunicações digitais para entender como Forma a resposta do filtro. Centrado versus centrado A primeira ortografia seria a preferência americana, enquanto o segundo Inglês. Eu sigo os padrões de ortografia canadense, que vira erraticamente entre o uso americano e inglês, o que provavelmente faz com que pessoas de ambos os lados do Atlântico acreditem que eu não posso soletrar. Quanto ao centro, a utilização no Canadá parece estar a deriva para uma visão que centro se refere a um edifício, enquanto centro é o ponto no meio de algo. Portanto, você poderia possivelmente ver uma frase como O centro comercial está no centro do mapa. Desde centrado parece muito cent-vermelho, vara de mal com centrado. (C) Brian Romanchuk 2015 Concordo com alguns de seus pontos, especialmente que a forma como o filtro foi projetado quase garante que os valores nos fins, para alguma definição de fins, não são confiáveis. Algumas de suas outras preocupações estão incorretas, no entanto. Veja aqui uma derivação do número mágico 1600. karlwhelan / MAMacro / part5.pdf Eu olhei para a referência que exige engolir um quotit pode ser mostrado que, um fraseado que eu estou apreciando menos como eu me transformar em um curmudgeon mais velho (quotShow Mequot é minha resposta). Vou ajustar o meu fraseado no artigo para ser um pouco menos sarcástico, e incorporar a sua referência. Em qualquer caso, eu não caracterizaria meu texto original como quotincorrect, quot rather quotunfair. quot Se o parâmetro é 800 e não 1600, o que isso realmente significa Quem sabe. Mas se você tomar um filtro sensível (como um filtro Butterworth, ou algo parecido com uma média móvel), você sabe exatamente o que os parâmetros representam. Se você não entende exatamente o que está fazendo, é muito fácil fazer algo estúpido. E eu vi um monte de aplicações estúpidas do filtro HP na práticaparing Ratios preço-para-ganhos: O SP 500 Forward P / E eo CAPE Brendan Costello é um autor contribuinte. O preço de uma ação e seu lucro por ação permite aos investidores avaliar o potencial de crescimento de empresas individuais. Estas duas informações podem ser combinadas para produzir índices que acompanham a avaliação relativa das empresas ao longo do tempo. Uma métrica popular é a relação preço / lucro (relação P / E). Quando uma relação P / E é alta, é muitas vezes um sinal de que os preços ou os ganhos vão mudar para trazer a razão volta para a sua média. Algumas pessoas usam a relação para ver se um estoque está sobrevalorizado, se eles acham que o preço é muito alto para ser apoiado pelos ganhos. Nós olhamos para algumas variantes da relação P / E e comparamos os tipos de informação que cada um fornece. A relação P / E é calculada dividindo o preço atual das ações de uma empresa por alguma medida de seus ganhos. A relação pode ser calculada de duas maneiras: para frente ou para trás. A relação P / E à direita utiliza os dados de rendimentos históricos de uma empresa, enquanto a relação P / E forward utiliza uma estimativa de lucros futuros. Uma vez que a relação P / E forward utiliza projeções de lucros futuros, ela tem a vantagem de considerar os ganhos esperados, ao invés dos ganhos atuais, que podem ser altos Ou baixo por causa de fatores únicos que não refletem as perspectivas da empresa. Por outro lado, um P / E de empresa pode ser deflacionado artificialmente por uma estimativa de ganhos corajosos, particularmente em um período de boom. Além disso, os ganhos são voláteis no curto prazo e as margens de lucro tendem a reverter para uma média de longo prazo em um ciclo de negócios, o que compromete ainda mais a utilidade do P / E futuro. Ainda assim, o forward P / E é freqüentemente usado para analisar a avaliação de uma empresa em relação ao quanto eles realmente esperam ganhar. Uma variante da relação P / E forward é a relação P / E SampP forward, que é calculada com o preço e ganhos das 500 ações que compõem o índice SampP 500, o que nos permite acompanhar a avaliação de uma grande amostra de empresas Tempo. A média de SampP 500 P / E forward ratio para o período de 1990 a julho de 2015 é 16,5. O forward P / E subiu dramaticamente no final dos anos 90, em retrospecto, talvez sinalizando o fim do boom do mercado de ações. Figura 1. SampP 500: P / E, Forward P / E e Médias Notas: As barras sombreadas indicam recessões. Última observação: 7/6/2015. Fonte: Bloomberg LP. O P / E forward não deve ser considerado como um indicador infalível de onde os preços se moverão. Desde 2006, a relação P / E do SampP forward tem permanecido geralmente abaixo da sua média de 15 anos e bem abaixo dos máximos observados na década de 1990. Em particular, a relação não aumentou substancialmente antes da crise financeira de 2007-2008 e não forneceu um sinal forte antes do subsequente mercado de baixa. Mais recentemente, a relação cresceu a uma taxa marcadamente mais lenta do que o índice de ações SampP 500, talvez sugerindo que os preços das ações foram justificados por maiores ganhos esperados. Para corrigir alguns dos problemas com o uso da relação forward P / E, o economista Robert Shiller, da Yale, criou uma nova métrica: a Taxa Price-to-Earnings (CAPE) ajustada do ponto de vista cíclico. Esta relação divide o índice SampP 500 por rendimentos médios de 10 anos. Como esse método usa dados históricos, elimina qualquer viés de estimativa e o horizonte de 10 anos suaviza a volatilidade ea variação de curto prazo ao longo do ciclo de negócios. Ainda assim, o limiar de 10 anos é arbitrário e pode sobrecompensar a tendência de que é menos sensível a variações nos ganhos que ocorrem dentro de um período de 10 anos. Vemos picos definidos no CAPE no final da década de 1920, antes da Grande Depressão, e no final dos anos 90, antes da queda da bolha pontocom. As correções ocorreram imediatamente após ambos os picos e novamente durante a Grande Recessão. O valor médio do CAPE no período é de 16,62. Um desvio padrão para cima e para baixo é indicado no gráfico abaixo, que capta 67 por cento dos valores do CAPE. Vemos que nos mais recentes pontos de dados pós-recessão, o CAPE está subindo acima da barra de um desvio padrão, e as empresas estão se tornando relativamente mais valorizadas. Figura 2. Decomposição do CAPE Última observação: junho de 2015. Fonte: Shiller, ldquoIrrational Exuberance. rdquo Podemos decompor o CAPE em suas duas partes constituintes: os preços de mercado agregado da empresa e os ganhos agregados. Observe que os componentes agregados são ajustados aos seus valores reais por desconto para inflação. Historicamente, vemos que os ganhos e os preços se movimentaram em grande parte, o que significa que nenhuma das medidas afetou desproporcionalmente o CAPE. A partir do final dos anos 90, no entanto, vemos que os preços têm crescido substancialmente mais rápido do que os lucros. Figura 3. P / E ajustado de forma cíclica Última observação: junho de 2015. Fonte: Shiller, ldquoIrrational Exuberance. rdquo Se o CAPE se move muito acima da tendência, isso suscita medo de que um crash ou mercado de baixa esteja próximo. Para analisar a posição CAPErsquos, porém, você deve definir uma tendência. A definição mais simples é a média de longo prazo, que mostramos no gráfico de decomposição. Outra tendência possível é aquela que se move. Para analisar uma tendência em movimento, usamos um filtro Hodrick-Prescott (HP), que fornece uma tendência suave que flutua ao longo do tempo. O gráfico abaixo mostra os dados originais do CAPE com os dados filtrados HP sobrepostos sobre ele. Comparado com a série original, os dados suavizados são muito mais apertados em torno do valor médio. Em particular, os picos do final dos anos 1920 e final dos anos 1990, embora ainda presentes, são significativamente reduzidos em magnitude, devido à sua curta duração. Embora os últimos níveis de CAPE pareçam altos em relação ao nível médio de longo prazo, em relação à tendência da HP, eles não parecem particularmente altos. Considerando o valor atual do CAPE a partir de uma perspectiva histórica, seria de se esperar uma correção de mercado para aproximá-lo da média. No entanto, é apenas ligeiramente acima do filtro HP média móvel valor, e ele cai dentro das bandas de desvio padrão do filtro HP. Fonte: Shiller, ldquoIrrational Exuberance. rdquo A relação P / E provou ser útil no passado para detectar quando os mercados bolsistas estão sobrevalorizados e encaminhados para uma correção. No entanto, desde o início dos anos 2000 a economia pode ter mudado estruturalmente, por exemplo, o tipo de empregos disponíveis ou as indústrias que estão impulsionando o crescimento pode agora ser diferente do que no passado. Esses fatores podem precisar ser levados em conta ao avaliar o que é ldquonormalrdquo ou ldquoovervaluedrdo nos mercados todayrsquos. Uma representação média móvel da relação P / E, como o CAPE com o filtro HP, permite analisar melhor se a relação P / E está realmente acima da sua tendência. Índice de Estabilização Comunitária Atualizado anualmente, a publicação de 2016 do Índice de Estabilização Comunitária (CSI) mostra melhora das condições do mercado imobiliário em áreas metropolitanas em todo o Quarta Distrito da Reserva Federal. Nossa análise deste ano também apresenta os esforços de desenvolvimento de bairro em curso em Canton, Cleveland e Warren. Leia mais Acesso à Internet de Banda Larga e de Alta Velocidade no Quarto Distrito Este relatório documenta a disponibilidade de acesso à Internet de alta velocidade no Quarto Distrito da Reserva Federal. Embora a nossa análise demonstre claramente que há acesso limitado à banda larga nas zonas rurais do quarto distrito, mostra que as áreas urbanas de baixa e moderada renda (LMI) também têm acesso limitado. Leia mais A política de controle de curvas de rendimento dos Feds Como muitos bancos centrais ainda enfrentam taxas de política que são desconfortavelmente próximas de zero, elas podem considerar adicionar um alvo de taxa de juros de longo prazo ao seu objetivo de curto prazo para se darem controle de curva de retorno . A busca de reservas federais em território semelhante ao redor da Segunda Guerra Mundial sugere que isso poderia criar restrições à política monetária que não são facilmente removidas. Leia mais Próximos eventos VER TODOS A conferência reunirá acadêmicos, formuladores de políticas e participantes do mercado para discutir inovações financeiras e tecnológicas e seu impacto na estabilidade financeira. Esta sessão é projetada para aqueles com conhecimento limitado de CRA, mas estão ansiosos para aprender sobre o processo de exame. Os conceitos básicos e os princípios do CRA serão cobertos. Estatutos: O mais óbvio comando para calcular médias móveis é o Ma () função de egen. Dada uma expressão, cria uma média móvel - period dessa expressão. Por padrão, é tomado como 3. deve ser ímpar. No entanto, como a entrada manual indica, egen, ma () não pode ser combinado com varlist:. E, por esse motivo, não é aplicável aos dados do painel. Em qualquer caso, ele está fora do conjunto de comandos especificamente escrito para séries de tempo ver série de tempo para obter detalhes. Abordagens alternativas Para calcular médias móveis para dados de painel, existem pelo menos duas opções. Ambos dependem do conjunto de dados ter sido tsset previamente. Isto vale muito a pena fazer: não só você pode salvar a si mesmo repetidamente especificando variável de painel e variável de tempo, mas Stata se comporta inteligentemente dado quaisquer lacunas nos dados. 1. Escreva sua própria definição usando generate Usando operadores de séries temporais como L. e F.. Dar a definição da média móvel como o argumento para uma declaração de geração. Se você fizer isso, você não estará, naturalmente, limitado às médias móveis ponderadas (não ponderadas) centradas calculadas por egen, ma (). Por exemplo, as médias móveis ponderadas de três períodos seriam dadas por e alguns pesos podem ser facilmente especificados: Você pode, claro, especificar uma expressão como log (myvar) em vez de um nome de variável como myvar. Uma grande vantagem dessa abordagem é que a Stata faz automaticamente a coisa certa para os dados do painel: os valores iniciais e retardatários são elaborados nos painéis, exatamente como a lógica determina que eles devam ser. A desvantagem mais notável é que a linha de comando pode ficar bastante longa se a média móvel envolver vários termos. Outro exemplo é uma média móvel unilateral baseada apenas em valores anteriores. Isso poderia ser útil para gerar uma expectativa adaptativa do que uma variável será baseada puramente em informações até à data: o que alguém poderia prever para o período atual com base nos últimos quatro valores, usando um esquema de ponderação fixo Especialmente comumente usado com timeseries trimestrais.) 2. Use egen, filter () de SSC Use o filtro de função egen escrito pelo usuário () do pacote egenmore em SSC. No Stata 7 (atualizado após 14 de novembro de 2001), você pode instalar este pacote após o qual a ajuda egenmore aponta para detalhes sobre filter (). Os dois exemplos acima seriam renderizados (nesta comparação, a abordagem de gerar é talvez mais transparente, mas veremos um exemplo do oposto em um momento). Os retornos são um numlist. Sendo os retornos negativos: neste caso, -1/1 se expande para -1 0 1 ou chumbo 1, atraso 0, atraso 1. Os coeficientes, outro número, multiplicam os correspondentes itens atrasados ​​ou principais: neste caso, esses itens são F1.myvar. Myvar e L1.myvar. O efeito da opção de normalização é escalar cada coeficiente pela soma dos coeficientes para que o coeficiente (1 1 1) normalize seja equivalente a coeficientes de 1/3 1/3 1/3 e o coeficiente (1 2 1) normalize seja equivalente A coeficientes de 1/4 1/2 1/4. Você deve especificar não só os atrasos, mas também os coeficientes. Como egen, ma () fornece o caso igualmente ponderado, a razão principal para egen, filter () é suportar o caso desigualmente ponderado, para o qual você deve especificar coeficientes. Poderia também ser dito que obrigando os usuários a especificar coeficientes é uma pequena pressão extra sobre eles para pensar sobre quais coeficientes eles querem. A principal justificativa para pesos iguais é, suponhamos, simplicidade, mas pesos iguais têm propriedades de domínio de frequência ruim, para mencionar apenas uma consideração. O terceiro exemplo acima pode ser qualquer um dos quais é quase tão complicado quanto a abordagem gerar. Existem casos em que egen, filter () dá uma formulação mais simples do que gerar. Se você quer um filtro binomial de nove períodos, que os climatologistas acham útil, então parece talvez menos horrível do que, e mais fácil de obter do que, assim como com a abordagem de geração, egen, filter () funciona corretamente com os dados do painel. Na verdade, como dito acima, depende do conjunto de dados ter sido tsset previamente. Uma dica gráfica Depois de calcular suas médias móveis, você provavelmente vai querer olhar para um gráfico. O comando tsgraph escrito pelo usuário é inteligente sobre conjuntos de dados tsset. Instale-o em um STATAT 7 atualizado por ssc inst tsgraph. Que sobre subconjunto com se nenhum dos exemplos acima fazer uso de se restrições. Na verdade egen, ma () não permitirá se a ser especificado. Ocasionalmente as pessoas querem usar se ao calcular médias móveis, mas seu uso é um pouco mais complicado do que é normalmente. O que você esperaria de uma média móvel calculada com if. Vamos identificar duas possibilidades: Fraca interpretação: Eu não quero ver nenhum resultado para as observações excluídas. Interpretação forte: Eu nem quero que você use os valores para as observações excluídas. Aqui está um exemplo concreto. Suponha como uma conseqüência de alguma condição if, as observações 1-42 são incluídas, mas não observações 43 sobre. Mas a média móvel para 42 dependerá, entre outras coisas, do valor para a observação 43 se a média se estender para trás e para a frente e for de comprimento pelo menos 3, e dependerá também de algumas das observações 44 em diante em algumas circunstâncias. Nossa suposição é que a maioria de povos iria para a interpretação fraca, mas se aquele está correto, egen, filter () não suporta se qualquer um. Você sempre pode ignorar o que você donrsquot quer ou mesmo definir valores indesejados para desaparecer depois usando substituir. Uma nota sobre resultados faltando nas extremidades da série Como as médias móveis são funções de defasagens e derivações, egen, ma () produz faltando onde os atrasos e as derivações não existem, no início e no final da série. Uma opção nomiss força o cálculo de médias móveis mais curtas e não centralizadas para as caudas. Em contrapartida, nem gerar nem egen, filter () faz, ou permite, nada de especial para evitar resultados em falta. Se algum dos valores necessários para o cálculo estiver faltando, então esse resultado está faltando. Cabe aos usuários decidir se e o que a cirurgia corretiva é necessária para essas observações, presumivelmente depois de olhar para o conjunto de dados e considerar qualquer ciência subjacente que pode ser levado a suportar.