Base R navios com um monte de funcionalidade útil para séries de tempo, em especial no pacote stats. Isto é complementado por muitos pacotes no CRAN, que são brevemente resumidos abaixo. Há também uma considerável sobreposição entre as ferramentas para séries temporais e aquelas nas vistas de tarefas de Econometria e Finanças. Os pacotes nesta visualização podem ser estruturados grosso modo nos seguintes tópicos. Se você acha que algum pacote está faltando na lista, entre em contato conosco. A infraestrutura . Base R contém infra-estrutura substancial para representar e analisar dados de séries temporais. A classe fundamental é quottsquot que pode representar séries temporais regularmente espaçadas (usando carimbos de tempo numéricos). Assim, é particularmente adequado para dados anuais, mensais, trimestrais, etc. As médias móveis são computadas por ma da previsão. E rollmean do zoológico. Este último também proporciona uma função geral rollapply. Juntamente com outras funções de estatísticas de rolamento específicas. Roll fornece funções paralelas para computar estatísticas de rolagem. Gráficos . As parcelas de séries temporais são obtidas com plot () aplicado aos objetos ts. (Parciais) funções de autocorrelação são implementadas em acf () e pacf (). Versões alternativas são fornecidas por Acf () e Pacf () na previsão. Juntamente com uma exibição de combinação usando tsdisplay (). SDD fornece diagramas mais gerais de dependência serial, enquanto dCovTS calcula e traça as funções de covariância e correlação de distância de séries temporais. Exibições sazonais são obtidas usando monthplot () nas estatísticas e seasonplot na previsão. Wats implementa wrap-around gráficos de série de tempo. Ggseas fornece gráficos ggplot2 para séries ajustadas sazonalmente e estatísticas de rolamento. Dygraphs fornece uma interface para o Dygraphs interativo série de tempo gráfico de biblioteca. ZRA traça objetos de previsão do pacote de previsão usando dígrafos. As parcelas dos ventiladores básicos das distribuições de previsão são fornecidas por previsão e vars. As parcelas de ventiladores mais flexíveis de quaisquer distribuições seqüenciais são implementadas em fanplot. Class quottsquot só pode lidar com carimbos de tempo numéricos, mas muitas mais classes estão disponíveis para armazenar informações de data / hora e computação com ele. Para uma visão geral, consulte R Help Desk: Classes de data e hora em R de Gabor Grothendieck e Thomas Petzoldt em R News 4 (1). 29-32. Classes quotyearmonquot e quotyearqtrquot do zoológico permitem computação mais conveniente com observações mensais e trimestrais, respectivamente. Classe quotDatequot do pacote base é a classe básica para lidar com datas em dados diários. As datas são internamente armazenadas como o número de dias desde 1970-01-01. O pacote cron fornece classes para datas (). Horas () e data / hora (intra-dia) em cron (). Não há suporte para fusos horários e horário de verão. Internamente, os objetos quotchronquot são dias (fracionários) desde 1970-01-01. Classes quotPOSIXctquot e quotPOSIXltquot implementam o padrão POSIX para informações de data / hora (intra-dia) e também suportam fusos horários e horário de verão. No entanto, os cálculos de fuso horário exigem algum cuidado e podem depender do sistema. Internamente, quotPOSIXctquot objetos são o número de segundos desde 1970-01-01 00:00:00 GMT. O pacote lubridate fornece funções que facilitam determinados cálculos baseados em POSIX. A classe quottimeDatequot é fornecida no pacote timeDate (anteriormente: fCalendar). Destina-se a informações de data / hora financeira e trata de fusos horários e horários de verão através de um novo conceito de centros financeiros. Internamente, ele armazena todas as informações em quotPOSIXctquot e faz todos os cálculos em GMT apenas. Funcionalidade do calendário, p. Incluindo informações sobre fins de semana e feriados para várias bolsas de valores, também está incluído. O pacote tis fornece a classe quottiquot para informações de hora / data. A classe quotmondatequot do pacote mondate facilita a computação com datas em termos de meses. O pacote tempdisagg inclui métodos para desagregação temporal e interpolação de uma série temporal de baixa freqüência para uma série de freqüências mais altas. TimeProjection extrai componentes de tempo útil de um objeto de data, como dia da semana, fim de semana, feriado, dia do mês, etc, e colocá-lo em um quadro de dados. Como mencionado acima, quotts é a classe básica para séries temporais regularmente espaçadas usando carimbos de tempo numéricos. O pacote do zoológico fornece infra-estrutura para séries temporais regular e irregularmente espaçadas usando classes arbitrárias para os carimbos de tempo (ou seja, permitindo que todas as classes da seção anterior). Ele é projetado para ser o mais consistente possível com quottsquot. Coerção de e para quotzooquot está disponível para todas as outras classes mencionadas nesta seção. O pacote xts baseia-se no zoológico e fornece tratamento uniforme de Rs diferentes classes de dados baseadas no tempo. Vários pacotes implementam séries temporais irregulares baseadas em quotPOSIXctquot selos de tempo, destinados especialmente para aplicações financeiras. Estes incluem quotits de sua. Citações de tseries. E quotftsquot de fts. A classe quottimeSeriesquot em timeSeries (anteriormente: fSeries) implementa séries de tempo com selos de tempo quottimeDatequot. A classe quottisquot in tis implementa séries de tempo com selos de tempo quottiquot. O pacote tframe contém infra-estrutura para definir intervalos de tempo em diferentes formatos. Previsão e Modelagem Univariada O pacote de previsão fornece uma classe e métodos para previsões de séries de tempo univariadas e fornece muitas funções implementando diferentes modelos de previsão incluindo todos aqueles no pacote de estatísticas. Suavização exponencial. HoltWinters () em estatísticas fornece alguns modelos básicos com otimização parcial, ets () do pacote de previsão fornece um conjunto maior de modelos e instalações com otimização completa. O pacote MAPA combina modelos exponenciais de suavização em diferentes níveis de agregação temporal para melhorar a precisão das previsões. Smooth implementa algumas generalizações de suavização exponencial. O método theta é implementado na função thetaf do pacote de previsão. Uma implementação alternativa e estendida é fornecida no forectheta. Modelos auto-regressivos. Ar () nas estatísticas (com seleção do modelo) e FitAR para os modelos do subconjunto AR. Modelos ARIMA. Arima () em stats é a função básica dos modelos ARIMA, SARIMA, ARIMAX e subconjunto ARIMA. Ele é aprimorado no pacote de previsão através da função Arima () juntamente com auto. arima () para a seleção de ordem automática. Arma () no pacote tseries fornece algoritmos diferentes para modelos ARMA e subconjunto ARMA. O FitARMA implementa um algoritmo MLE rápido para modelos ARMA. O pacote gsarima contém funcionalidade para a simulação da série de tempo SARIMA generalizada. O pacote mar1s processa AR multiplicativo (1) com processos sazonais. TSTutorial fornece um tutorial interativo para Box-Jenkins modelagem. Os intervalos de previsão melhorados para ARIMA e modelos de séries temporais estruturais são fornecidos pelo tsPI. Modelos ARMA periódicos. Pear e partsm para modelos periódicos de séries temporais autorregressivas e perARMA para modelagem periódica ARMA e outros procedimentos para análise periódica de séries temporais. Modelos ARFIMA. Algumas instalações para modelos ARFIMA fraccionados diferenciados são fornecidas no pacote fracdiff. O pacote arfima possui recursos mais avançados e gerais para modelos ARFIMA e ARIMA, incluindo modelos de regressão dinâmica (função de transferência). ArmaFit () do pacote fArma é uma interface para modelos ARIMA e ARFIMA. Ruído gaussiano fracionário e modelos simples para séries de tempo de decaimento hiperbólico são tratados no pacote FGN. Os modelos de função de transferência são fornecidos pela função arimax no pacote TSA ea função arfima no pacote arfima. Outlier detecção após a Chen-Liu abordagem é fornecida por tsoutliers. Modelos estruturais são implementados em StructTS () em stats, e em stsm e stsm. class. KFKSDS fornece uma implementação ingênua do filtro de Kalman e alisadores para modelos de espaço de estados univariados. Os modelos de séries temporais estruturais bayesianas são implementados em séries temporais não gaussianas podem ser manipuladas com modelos de espaço de estado GLARMA via glarma. E usando modelos Generalized Autoregressive Score no pacote GAS. Modelos condicionais de Auto-Regressão utilizando métodos Monte Carlo Likelihood são implementados em mclcar. Modelos GARCH. Garch () do tseries se encaixa modelos GARCH básicos. Muitas variações em modelos de GARCH são fornecidas pelo rugarch. Outros pacotes GARCH univariados incluem fGarch que implementa modelos ARIMA com uma ampla classe de inovações GARCH. Existem muitos outros pacotes GARCH descritos na vista de tarefas Financeiro. Modelos de volatilidade estocástica são manipulados por stochvol em uma estrutura bayesiana. Modelos de série de tempo de contagem são manipulados nos pacotes tscount e acp. O ZIM fornece modelos Zero-Inflated para séries de tempo de contagem. Tsintermittent implementa vários modelos para analisar e prever séries de tempo de demanda intermitente. As séries temporais censuradas podem ser modeladas usando centavos e carx. Testes Portmanteau são fornecidos através de Box. test () no pacote stats. Testes adicionais são dados por portes e WeightedPortTest. A detecção de ponto de mudança é fornecida no strucchange (usando modelos de regressão linear), na tendência (usando testes não paramétricos) e em wbsts (usando segmentação binária selvagem). O pacote de ponto de mudança fornece muitos métodos de ponto de troca populares, e ecp faz detecção de ponto de mudança não paramétrico para séries univariadas e multivariadas. A detecção de ponto de mudança online para séries temporais univariadas e multivariadas é fornecida pelo onlineCPD. O InspectChangepoint usa projeção esparsa para estimar pontos de mudança em séries temporais de alta dimensão. A imputação de séries temporais é fornecida pelo pacote imputeTS. Alguns recursos mais limitados estão disponíveis usando na. interp () do pacote de previsão. As previsões podem ser combinadas usando ForecastCombinations que suporta os métodos mais usados para combinar previsões. ForecastHybrid fornece funções para previsões de conjuntos, combinando abordagens do pacote de previsão. Opera tem facilidades para previsões on-line com base em combinações de previsões fornecidas pelo usuário. A avaliação da previsão é fornecida na função accuracy () da previsão. A avaliação de previsão distribucional usando regras de pontuação está disponível no scoringRules Miscellaneous. Ltsa contém métodos para análise de séries temporais lineares, timsac para análise e controle de séries temporais e tsbugs para modelos BUGS de séries temporais. A estimativa da densidade espectral é fornecida pelo espectro () no pacote stats, incluindo o periodograma, o periodograma suavizado e as estimativas de AR. A inferência espectral bayesiana é fornecida por bspec. O quantspec inclui métodos para calcular e traçar periodogramas de Laplace para séries temporais univariadas. O periodograma Lomb-Scargle para séries temporais amostradas de forma desigual é calculado por lomb. O espectro utiliza transformadas de Fourier e Hilbert para filtragem espectral. Psd produz estimativas de densidade espectral adaptativas, seno-multitaper. Kza fornece Kolmogorov-Zurbenko Adaptive Filters incluindo detecção de quebra, análise espectral, wavelets e KZ Fourier transformações. Multitaper também fornece algumas ferramentas de análise espectral multitaper. Métodos Wavelet. O pacote de wavelets inclui computar filtros wavelet, transformadas wavelet e análises multiresolução. Os métodos wavelet para a análise de séries temporais baseados em Percival e Walden (2000) são dados em wmtsa. WaveletComp fornece algumas ferramentas para a análise baseada em wavelet de séries temporais univariadas e bivariadas incluindo cross-wavelets, diferença de fase e testes significativos. Biwavelet pode ser usado para plotar e calcular os espectros wavelet, espectros de wavelet cruzado e coerência wavelet de séries temporais não-estacionárias. Ele também inclui funções para agrupar séries temporais baseadas nas (des) similaridades em seu espectro. Testes de ruído branco usando wavelets são fornecidos por hwwntest. Métodos Wavelet adicionais podem ser encontrados no brainwaver pacotes. Rwt. Waveslim Wavethresh e mvcwt. A regressão harmônica usando termos de Fourier é implementada em HarmonicRegression. O pacote de previsão também fornece algumas facilidades simples de regressão harmônica através da função fourier. Decomposição e filtragem Filtros e suavização. O filtro () em stats fornece filtragem linear média auto-regressiva e móvel de séries temporais univariadas múltiplas. O pacote robfilter fornece vários filtros robustos de séries temporais, enquanto o mFilter inclui diversos filtros de séries temporais úteis para suavizar e extrair componentes tendenciais e cíclicos. Smooth () do pacote de estatísticas computa Tukeys executando mediana smoothers, 3RS3R, 3RSS, 3R, etc sleekts calcula o 4253H duas vezes método de suavização. Decomposição. A decomposição sazonal é discutida abaixo. A decomposição baseada em auto-regressão é fornecida pelo ArDec. O rmaf usa um filtro refinado de média móvel para decomposição. Análise de Espectro Singular é implementada em Rssa e métodos espectrais. A decomposição do modo empírico (EMD) ea análise espectral de Hilbert são fornecidas por EMD. Ferramentas adicionais, incluindo EMD conjunto, estão disponíveis em hht. Uma implementação alternativa do conjunto EMD e sua variante completa estão disponíveis em Rlibeemd. Decomposição sazonal. O pacote stats fornece decomposição clássica em decompose (). E decomposição STL em stl (). A decomposição STL melhorada está disponível em stlplus. StR fornece a decomposição Seasonal-Trend baseada na regressão. X12 fornece um wrapper para os binários X12 que devem ser instalados primeiro. X12GUI fornece uma interface gráfica do usuário para x12. Os binários X-13-ARIMA-SEATS são fornecidos no pacote x13binary, com o fornecimento sazonal de uma interface R. Análise da sazonalidade. O pacote bfast fornece métodos para detectar e caracterizar mudanças abruptas dentro da tendência e componentes sazonais obtidos a partir de uma decomposição. Npst fornece uma generalização do teste de sazonalidade Hewitts. estação. Análise sazonal de dados de saúde, incluindo modelos de regressão, crossover caso-estratificado tempo, funções de traçado e verificações residuais. Mares Análise sazonal e gráficos, especialmente para climatologia. Dessazonalizar Otimização da dessazonalização para séries geofísicas usando o encaixe AR. Estacionaridade, Unidade de Raízes e Cointegração Estacionaridade e raízes unitárias. Tseries fornece vários testes de estacionaridade e raiz unitária, incluindo Dickey-Fuller aumentado, Phillips-Perron e KPSS. Implementações alternativas dos testes ADF e KPSS estão no pacote urca, que também inclui métodos adicionais como os testes Elliott-Rothenberg-Stock, Schmidt-Phillips e Zivot-Andrews. O pacote fUnitRoots também fornece o teste MacKinnon, enquanto o uroot fornece testes de raiz unitária sazonais. O CADFtest fornece implementações tanto do ADF padrão como de um teste de ADF (CADF) com covariável. Estacionaridade local. Localiza um teste de estacionaridade local e calcula a autocovariância localizada. A determinação da determinação da costeração de séries temporais é fornecida por costat. LSTS tem funções para análise de séries temporais localmente estacionárias. Modelos de wavelet estacionariamente estacionários para séries temporais não-estacionárias são implementados em wavethresh (incluindo estimativa, plotagem e simulação para espectros que variam no tempo). Cointegração. O método Engle-Granger de dois passos com o teste de cointegração Phillips-Ouliaris é implementado em tseries e urca. Este último contém adicionalmente funcionalidade para os testes Johansen trace e lambda-max. TsDyn fornece Johansens teste e AIC / BIC seleção simultânea rank-lag. O CommonTrend fornece ferramentas para extrair e traçar tendências comuns de um sistema de cointegração. A estimação e inferência de parâmetros em uma regressão de cointegração são implementadas em cointReg. Análise não linear de séries temporais Auto-regressão não-linear. Várias formas de autorregressão não linear estão disponíveis em tsDyn, incluindo AR aditivo, redes neurais, modelos SETAR e LSTAR, limiar VAR e VECM. A auto-regressão da rede neural também é fornecida no GMDH. O bentcableAR implementa a autorregressão Bent-Cable. BAYSTAR fornece a análise bayesiana de modelos autorregressivos de limiar. TseriesChaos fornece uma implementação R dos algoritmos do projeto TISEAN. Autoregression Os modelos de comutação de Markov são fornecidos em MSwM. Enquanto que as misturas dependentes de modelos de Markov latentes são dadas em depmix e depmixS4 para séries temporais categóricas e contínuas. Testes. Vários testes de não-linearidade são fornecidos em fNonlinear. TseriesEntropy testes de dependência serial não linear com base em métricas de entropia. Funções adicionais para séries temporais não-lineares estão disponíveis em nlts e nonlinearTseries. A modelagem da série de tempo do Fractal e a análise são fornecidas pelo fractal. Fractalrock gera séries de tempo de fractal com distribuições de retornos não-normais. Modelos dinâmicos de regressão Modelos dinâmicos lineares. Uma interface conveniente para ajustar modelos de regressão dinâmica via OLS está disponível no dynlm uma abordagem avançada que também funciona com outras funções de regressão e mais séries de séries temporais é implementada em dyn. Equações mais avançadas do sistema dinâmico podem ser montadas usando dse. Os modelos de espaço de estados lineares gaussianos podem ser montados usando dlm (via máxima verossimilhança, filtragem / alisamento de Kalman e métodos bayesianos), ou usando bsts que usa MCMC. As funções para a modelação não-linear de atraso distribuído são fornecidas em dlnm. Modelos de parâmetros variáveis no tempo podem ser ajustados usando o pacote tpr. OrderedLasso ajusta um modelo linear esparso com uma restrição de ordem sobre os coeficientes, a fim de lidar com regressores defasados onde os coeficientes decadência como o lag aumenta. Modelos dinâmicos de vários tipos estão disponíveis em dynr incluindo tempo discreto e contínuo, modelos lineares e não-lineares e diferentes tipos de variáveis latentes. Modelos de séries temporais multivariadas Modelos VAR (Vector Autoregressive) são fornecidos via ar () no pacote stats básico incluindo a seleção de pedidos via AIC. Estes modelos são restritos para ser estacionário. O MTS é um conjunto de ferramentas para análise de séries temporais multivariadas, incluindo VAR, VARMA, VARMA sazonal, modelos VAR com variáveis exógenas, regressão multivariada com erros de séries temporais e muito mais. Possivelmente modelos VAR não estacionários são montados no pacote mAr, o que também permite modelos VAR no espaço do componente principal. Sparsevar permite a estimação de modelos VAR e VECM esparsos, ecm fornece funções para a construção de modelos VECM, enquanto BigVAR estima modelos VAR e VARX com penalidades laço estruturado. Os modelos e redes VAR automatizados estão disponíveis no autovarCore. Modelos mais elaborados são fornecidos em pacotes vars. TsDyn. EstVARXls () em dse. E uma abordagem bayesiana está disponível em MSBVAR. Outra implementação com intervalos de previsão bootstrap é dada em VAR. etp. MlVAR fornece auto-regressão vectorial multi-nível. VARsignR fornece rotinas para identificar choques estruturais em modelos VAR usando restrições de sinal. Os modelos VARIMA e modelos de espaço de estado são fornecidos no pacote dse. EvalEst facilita experiências de Monte Carlo para avaliar os métodos de estimação associados. Modelos de correção de erros vetoriais estão disponíveis através da urca. Vars e pacotes tsDyn, incluindo versões com restrições estruturais e thresholding. Análise de componentes de séries temporais. A análise fatorial de séries temporais é fornecida em tsfa. O ForeCA implementa uma análise de componentes que pode ser pesquisada procurando as melhores transformações lineares que tornam uma série de tempo multivariada o mais previsível possível. PCA4TS encontra uma transformação linear de uma série de tempo multivariada dando subseries de menor dimensão que não estão correlacionadas entre si. Modelos de espaço de estados multivariados são implementados no pacote FKF (Fast Kalman Filter). Isso fornece modelos de espaço de estados relativamente flexíveis através da função fkf (): os parâmetros de espaço de estado podem variar em função do tempo e as interceptações são incluídas em ambas as equações. Uma implementação alternativa é fornecida pelo pacote KFAS que fornece um filtro de Kalman multivariado rápido, mais suave, simulação mais suave e previsão. Ainda outra implementação é dada no pacote dlm que também contém ferramentas para converter outros modelos multivariados em forma de espaço de estado. Dlmodeler fornece uma interface unificada para dlm. KFAS e FKF. O MARSS se ajusta a modelos de estados-espaço autoregressivos multivariados restritos e não restringidos usando um algoritmo EM. Todos esses pacotes assumem que os termos de erro observacional e de estado não estão correlacionados. Os processos de Markov parcialmente observados são uma generalização dos modelos de espaço de estados multivariados lineares usuais, permitindo modelos não-Gaussianos e não-lineares. Estes são implementados no pacote pompa. Modelos de volatilidade estocástica multivariada (usando fatores latentes) são fornecidos por fatores tochvol. Análise de grandes grupos de séries temporais O agrupamento em séries temporais é implementado em TSclust. Dtwclust. BNPTSclust e pdc. TSdist fornece medidas de distância para dados de séries temporais. O jmotif implementa ferramentas baseadas na discretização simbólica de séries temporais para encontrar motivos em séries temporais e facilita a classificação de séries temporais interpretáveis. Métodos para traçar e prever coleções de séries temporais hierárquicas e agrupadas são fornecidos por hts. Ladrão usa métodos hierárquicos para conciliar previsões de séries temporais agregadas. Uma abordagem alternativa para conciliar previsões de séries temporais hierárquicas é fornecida por gtop. Ladrão Modelos de tempo contínuo Modelagem autorregressiva de tempo contínuo é fornecida em cts. Sim. DiffProc simula e modela equações diferenciais estocásticas. Simulação e inferência para equações diferenciais estocásticas é fornecida por sde e yuima. Bootstrapping. O pacote de inicialização fornece a função tsboot () para bootstrapping de série de tempo, incluindo bootstrap de bloco com várias variantes. Tsbootstrap () do tseries fornece bootstrapping rápido estacionário e de bloco. O bootstrap entropy máximo para a série de tempo está disponível no meboot. Timesboot calcula o CI de bootstrap para o ACF e o periodograma da amostra. O BootPR calcula os intervalos de previsão corrigidos por bias e boostrap para séries temporais autorregressivas. Dados de Makridakis, Wheelwright e Hyndman (1998) Previsão: métodos e aplicações são fornecidos no pacote fma. Dados de Hyndman, Koehler, Ord e Snyder (2008) As previsões com suavização exponencial estão no pacote expsmooth. Dados de Hyndman e Athanasopoulos (2013) Previsão: princípios e práticas estão no pacote fpp. Os dados da competição M e competição M3 são fornecidos no pacote Mcomp. Os dados da competição M4 são dados em M4comp. Enquanto a Tcomp fornece dados da Competição de Previsão de Turismo IJF 2010. Pdfetch fornece facilidades para baixar séries econômicas e financeiras de fontes públicas. Dados do portal on-line do Quandl para conjuntos de dados financeiros, econômicos e sociais podem ser consultados interativamente usando o pacote Quandl. Os dados do portal on-line do Datamarket podem ser obtidos usando o pacote rdatamarket. Os dados de Cryer e Chan (2010) estão no pacote TSA. Os dados de Shumway e Stoffer (2011) estão no pacote astsa. Dados de Tsay (2005) A análise de séries de tempo financeiras está no pacote FinTS, juntamente com algumas funções e arquivos de script necessários para trabalhar alguns dos exemplos. TSdbi fornece uma interface comum para bancos de dados de séries temporais. Fama fornece uma interface para bases de dados de séries de tempo FAME AER e Ecdat ambos contêm muitos conjuntos de dados (incluindo dados de séries temporais) de muitos livros de econometria dtw. Algoritmos dinâmicos do warping do tempo para computar e traçar alinhamentos pairwise entre séries de tempo. EnsembleBMA. Modelo Bayesiano Averaging para criar previsões probabilísticas a partir de previsões de conjunto e observações meteorológicas. Earlywarnings. Avisos iniciais sinalizam caixa de ferramentas para detectar transições críticas em eventos de séries temporais. Transforma dados de eventos extraídos por máquina em séries de tempo multivariadas agregadas regulares. FeedbackTS. Análise da direcionalidade temporal fragmentada para investigar feedback em séries temporais. LPStimeSeries pretende encontrar similaridade de padrão quotlearned para séries temporais. MAR1 fornece ferramentas para preparar dados de séries temporais de comunidades ecológicas para modelagem de AR multivariada. Redes Rotinas para a estimativa de redes de correlação parciais esparsas de longo prazo para dados de séries temporais. PaleoTS. Modelagem da evolução em séries temporais paleontológicas. Pastecs. Regulação, decomposição e análise de séries espaço-temporais. Ptw. Comprimento de tempo paramétrico. RGENERATE fornece ferramentas para gerar séries de vetores. RMAWGEN é um conjunto de funções S3 e S4 para a geração estocástica espacial multi-site de séries de tempo diárias de temperatura e precipitação, fazendo uso de modelos VAR. O pacote pode ser utilizado em climatologia e hidrologia estatística. RSEIS. Ferramentas sísmicas de análise de séries temporais. Rts. Análise de séries temporais de rasterização (por exemplo, séries temporais de imagens de satélite). Sae2. Modelos de séries temporais para estimativa de área pequena. SpTimer. Modelagem bayesiana espacial-temporal. vigilância. Modelação temporal e espaço-temporal e monitoramento de fenômenos epidêmicos. TED. Turbulência de séries temporais Detecção e classificação de eventos. Marés Funções para calcular características de séries temporais quase periódicas, e. Níveis de água nos estuários. tigre. Grupos temporariamente resolvidos de diferenças típicas (erros) entre duas séries temporais são determinados e visualizados. TSMining. Motivos Univariados e Multivariados em Dados de Série de Tempo. TsModel. Modelagem de séries temporais para poluição do ar e saúde. Pacotes de CRAN: Ligações relacionadas: Produção de Importação e Manufatura de Tecnologia na Índia: Análise de Nível de Firma Primeiro Online: 17 de abril de 2015 Recebido: 12 de junho de 2014 Revisado: 26 de janeiro de 2015 Aceito: 26 de março de 2015 Rijesh, R. J Ind Compet (2015) 15: 411. doi: 10.1007 / s10842-015-0193-9 179 Downloads Resumo O artigo examina o impacto da importação de tecnologia na produtividade do setor manufatureiro organizado da Índia usando dados de nível de firmas para o período de 1995 a 2010 A estimativa de uma função de produção de Cobb-Douglas aumentada usando a técnica econométrica de Levinsohn e Petrin sugere que tanto as formas incorporadas como as incorpóreas de importação de tecnologia têm um efeito positivo e significativo na produtividade agregada de manufatura. No entanto, os resultados de estimativas sectoriais baseados na classificação de empresas de tecnologia intensiva revelam que as aquisições de tecnologia incorporadas têm um impacto relativamente mais significativo e positivo em todos os sectores, enquanto as importações de tecnologia incorpóreas têm um efeito positivo na produtividade dos sectores intensivos em tecnologia média. Palavras-chave Importações de tecnologia Produção organizada Produtividade de nível de empresa Levinsohn e Petrin Proeza Índia JEL Classificação Referências Abramovitz M (1956) Recursos e tendências de produção nos EUA desde 1870. Am Econ Rev 46 (2): 523 Google Scholar Ackerberg D, Benkard CL, Berry S , Pakes A (2007) Ferramentas econométricas para analisar os resultados do mercado. Em: Heckman JJ, Leamer EE (eds) Manual de econometria. Norte da Holanda, Amesterdão Google Scholar Balakrishnan P, Pushpangadan K, Suresh Babu M (2000) Liberalização do comércio e crescimento da produtividade na indústria de transformação, evidência de dados de painel de nível de empresa. Econ Polit Wkly 35 (41): 36793682 Google Acadêmico Basant R, Fikkert B (1996) Os efeitos de RampD, compra de tecnologia estrangeira e spillovers nacionais e internacionais sobre a produtividade em empresas indianas. Rev Econ Stat 78 (2): 187199 CrossRef Google Acadêmico Ben-David D, Loewy MB (1998) Livre comércio, crescimento e convergência. J Econ Growth 3 (2): 43170 CrossRef Google Acadêmico Bregman A, Fuss M, Regev H (1991) Alta tecnologia e produtividade, evidência de empresas industriais israelenses. (2000) Comércio internacional e crescimento da produtividade, explorando os efeitos setoriais para os países em desenvolvimento. FMI Pessoal Pap 47 (1): 3053 Google Acadêmico Coe DT, Helpman E (1995) Internacional RampD spillovers. Eur Econ Rev 39 (5): 859887 CrossRef Google Acadêmico Comin DA, Hobijn B (2011) Difusão de tecnologia e crescimento pós-guerra. Em NBER Macroeconomia Anual 2010. Universidade de Chicago Press Das DK (1998) Liberalização do comércio e crescimento da produtividade, uma análise desagregada dos setores industriais indianos. IEG Working Paper E / 200/1998, Instituto de Crescimento Econômico, Nova Déli, Índia Dougherty S, Herd R, Chalaux T (2009) O que está impedindo o crescimento da produtividade na Índia Recentes micro evidências. OECD J Econ Stud OECD Publ 2009 (1): 122 CrossRef Google Acadêmico Eaton J, Kortum S (2001) Comércio de bens de capital. Eur Econ Rev 45: 11951235 CrossRef Google Acadêmico Feenstra R, Markusen JR, Zeile W (1992) Contabilização do crescimento com novos insumos, teoria e evidência. Am Econ Rev 82 (2): 415421 Google Scholar Fernandes AM (2007) Política comercial, volume comercial e produtividade no nível da planta nas indústrias transformadoras colombianas. (2003) Liberalização das importações e crescimento da produtividade nas indústrias de manufatura indianas na década de 1990. (1): 5271 CrossRef Google Scholar Goldar B, Kumari A (2003) (2010) Importação de insumos intermediários e crescimento do produto interno: provas da Índia. (4): 436460 CrossRef Google Scholar Goldberg PK, Kumar KA, Nina P, Petia T Q J Econ 125: 17271767 CrossRef Google Acadêmico Griliches Z (1998) RampD e produtividade: a evidência econométrica. Universidade de Chicago Press, Chicago CrossRef Google Scholar Grossman GM, Helpman E (1991) Inovação e crescimento na economia global. MIT Press, Cambridge Google Acadêmico Guan W (2003) Do help desk: bootstrapped erros padrão. (1999) Por que alguns países produzem tanto mais produção por trabalhador do que outros QJ Econ 114 (1): 83116 CrossRef Google Acadêmico Hall BH, Mairesse J (1995) Explorando a relação entre a RampD ea produtividade em empresas de manufatura francesa. J Econ 65 (1): 263293 CrossRef Google Acadêmico Halpern L, Koren M, Szeidl A (2005) Importações e produtividade. CEPR Discussion Paper No. 5139, Londres Harris R (2005) Economia do local de trabalho: edição especial editorial. Scott J Polit Econ 52: 323343 O impacto das tecnologias importadas e domésticas sobre a produtividade das empresas: painel de dados provas de empresas indianas de fabricação. J Dev Econ 69: 2349 CrossRef Google Acadêmico Horowitz JL (2001) O bootstrap. Em: Heckman JJ, Leamer EE (eds) Manual de econometria Vol. 5. Elsevier, Amsterdã, pp 31593228 CrossRef Google Scholar Kambhampati EU (2003) As reformas comerciais ea eficiência das empresas na Índia. (2001) Empresas estrangeiras, transferência de tecnologia e spillovers de conhecimento para empresas de manufatura indiana: uma análise de fronteira estocástica. Appl Econ 33 (5): 625642 CrossRef Google Scholar Keller W (2002) Comércio e transmissão de tecnologia. J Econ Growth 7: 524 MATHE CrossRef Google Scholar Keller W (2009) Comércio internacional, investimento estrangeiro direto e spillovers de tecnologia. NBR Documento de Trabalho 15442, Escritório Nacional de Pesquisas Econômicas, Inc Keshari PK (2013) Efeitos de derramamento de eficiência do IED na indústria de maquinaria indiana: um estudo de nível de empresa usando modelos de dados de painel. MPRA Paper 47070, Biblioteca Universitária de Munique, Alemanha Kim S, Saravanakumar M (2012) Reforma econômica e crescimento da produtividade total de fatores nas indústrias manufatureiras indianas. Kim S, Lim H, Donghyun P (2009) Importações, exportações e produtividade total de fatores na Coréia. Appl Econ 41 (14): 18191834 CrossRef Google Scholar Lall S (2000a) Mudança tecnológica e industrialização nas economias recém-industrializadas da Ásia, realizações e desafios. Em: Kim L, Nelson RR (eds) Tecnologia, aprendizagem e inovação, experiências de economias de industrialização recente. (2000b) A estrutura tecnológica eo desempenho das exportações manufaturadas dos países em desenvolvimento, 198598. Oxf Dev Stud 28 (3): 337369 CrossRef Google Acadêmico Lawrence RZ, Weinstein DE (1999) Comércio e Importação, exportação ou induzido Evidências do Japão e da Coréia, NBER Working Papers No. 7264, Bureau Nacional de Pesquisa Econômica, Cambridge Lee JW (1995) Importações de bens de capital e crescimento de longo prazo. J Dev Econ 48 (1): 91110 Levinsohn J, Petrin A (2003) Estimativa de funções de produção usando insumos para controlar por não observáveis. Rev Econ Stud 70 (2): 317342 MATH CrossRef Google Acadêmico Mackinnon JG (2006) Bootstrap métodos em econometria. Equações simultâneas aleatórias e a teoria da produção. Econometrica 12 (3/4): 143205 MATH MathSciNet CrossRef Google Acadêmico Milner C, Vencappa D, Wright P (2007) Política comercial e crescimento da produtividade na indústria indiana. (2004) Comércio, tecnologia e produtividade, um estudo de fabricantes brasileiros 198698. CESIFO Documento de Trabalho No.1148 OMahony M, Vecchi M (2009) RampD, spillovers de conhecimento e produtividade da empresa desempenho. Res Policy 38 (1): 3544 CrossRef Google Scholar OCDE (2011) Painel de indicadores da OCDE sobre ciência, tecnologia e indústria, 2011, ISIC rev 3 Intensidade de Tecnologia Definição. OCDE, documento on-line, oecd. org/dataoecd/43/41/48350231.pdf Olley GS, Pakes A (1996) A dinâmica da produtividade na indústria de equipamentos de telecomunicações. Econometrica 64 (6): 12631297 MATH CrossRef Google Pesquisador Parameswaran M (2009) Comércio internacional, spillovers RampD e produtividade, evidências da indústria de fabricação indiana. J Dev Stud 45 (8): 12491266 CrossRef Google Acadêmico Sen K (2009) Política comercial, desigualdade e desempenho na indústria indiana. Routledge, Londres Google Scholar Sivadasan J (2006) Consequências da produtividade da liberalização do mercado de produto, micro-evidência das reformas do sector industrial indiano. Working Paper No 1062, Ross School of Business Série de Trabalho Paper Solow MR (1957) Mudança técnica e função de produção agregada. Rev Econ Stat 39 (3): 212320 MathsciNet CrossRef Google Scholar Srivastava V (1996) Liberalização, produtividade e concorrência, um estudo de painel da indústria indiana. Oxford University Press, Nova Deli Google Scholar Thangavelu SM, Rajaguru G (2004) Existe uma exportação ou importação-conduzida crescimento da produtividade em países asiáticos em rápido desenvolvimento Uma análise multivariada VAR. Appl Econ 36 (10): 10831093 CrossRef Google Acadêmico Topalova P, Khandelwal A (2011) Liberalização do comércio e produtividade da empresa, o caso da Índia. Rev Econ Stat 93 (3): 9951009 CrossRef Google Acadêmico Van IB (2012) Estimativa de produtividade de fator total, uma revisão prática. J Econ Surv 26 (1): 98128 Wrecker J (2007) Exportações e produtividade: um levantamento das evidências a partir de dados de nível de empresa. Schmidt P (2002) Estimativa em uma ou duas etapas dos efeitos de variáveis exógenas nos níveis de eficiência técnica. J Prod Anal 18 (2): 129144 CrossRef Google Acadêmico Yatchew A (2003) Regressão semiparamétrica para o econometrista aplicado. Cambridge University Press, Cambridge MATH CrossRef Google Scholar Informações sobre direitos autorais Springer ScienceBusiness Media Nova York 2015 Autores e afiliações R. Rijesh 1 Enviar e-mail 1. Instituto Indiano de Comércio Exterior, Divisão de Pesquisa Qutab Área Institucional Nova Deli Índia Sobre este artigo Tutorial do CFA: Understanding Bonds 038 Sua avaliação Você deve ter ouvido falar de títulos em notícias financeiras muito. Quando uma empresa quer arrecadar dinheiro / capital para operações futuras ou pagamento de despesas anteriores ou qualquer outra razão, muitas vezes usam instrumentos de títulos para fazê-lo. Mesmo se você estiver apenas parcialmente interessado no tópico, é muitas vezes desconcertante perguntar sobre a razão por trás do tom e choro sobre Bonds e sua avaliação. Este blog tenta armar você com as ferramentas para desmistificar o tópico e desenvolver uma compreensão abrangente sobre os títulos. O que são obrigações Uma obrigação é um instrumento financeiro usado para levantar capital através da criação de endividamento do emissor de títulos para detentores de títulos. Em seguida, dependendo dos termos da obrigação, a empresa é obrigada a pagar os juros dos compradores (o cupão) e / ou a reembolsar o principal em uma data posterior, denominada como vencimento. Os juros geralmente são pagáveis em intervalos fixos (semestralmente, anualmente e mensalmente). Por exemplo, suponha que haja um bônus do Tesouro US $ 1000 que pague um cupom semestral de seis anos com três anos de vencimento que está sendo negociado em 1100. Isso significaria que o comprador, em troca de seu pagamento inicial de 1100, receberia juros Pagamentos de 60 (6 de 1000) a cada seis meses até a data de vencimento é atingido (3 anos a partir de agora), ponto em que o principal (1000) é devolvido ao comprador, juntamente com o pagamento de juros passado. Terminologia Primeiro vamos nos familiarizar com alguns dos termos que estaremos usando no blog. Rendimento Equivalente de Obrigações (BEY) O BEY permite que os títulos de renda fixa cujos pagamentos não sejam anuais sejam comparados com títulos com rendimentos anuais. Nesse caso, os rendimentos são declarados a uma taxa sub-anual, sendo então convertidos para a taxa anual correspondente. Para eg. Uma ligação com um rendimento de 4 semi-anualmente, resultará em um BEY de (42) 8 anualmente. Este é geralmente o caso com títulos do Tesouro para que eles são cotados em termos de BEY. O BEY é o rendimento citado nos jornais. Cash Flow Yield (CFY) É usado para títulos garantidos por hipotecas e outros títulos amortizados por ativos com fluxos de caixa mensais. Fornece uma taxa mensal de composição. Conceitos de duração e convecção A duração / convexidade fornece um método aproximado para calcular a sensibilidade de um vínculo a juros (por exemplo, Mudança de taxa. Sua principal vantagem sobre o método de avaliação integral é a sua simplicidade. No entanto, fornece apenas uma medida aproximada da suscetibilidade à taxa de juros. Existem duas diferentes interpretações igualmente válidas do conceito de duração: 1. É uma medida da sensibilidade do preço (o valor do capital) de um investimento de renda fixa a uma mudança nas taxas de juros. A duração é expressa em vários anos. 2. É uma média ponderada do tempo até o fluxo de caixa ser recebido. Os pesos são a proporção do valor da obrigação que cada fluxo de caixa representa. 3. É também a alteração aproximada do preço da obrigação por uma mudança de rendimento. Usando a terceira interpretação, a mudança no preço de uma obrigação causada por uma mudança no rendimento pode ser aproximada como: Onde, P é a mudança no preço da ligação P é o preço original da ligação D é a duração da ligação Y é a mudança na Rendimento Tipos de Duração Macaulay Duração. É a média ponderada do tempo até que o fluxo de caixa seja recebido. Os pesos são a proporção do valor da obrigação que cada fluxo de caixa representa. Duração efetiva. Um cálculo de duração para obrigações com opções incorporadas. A duração efetiva leva em conta que os fluxos de caixa esperados flutuam à medida que as taxas de juros mudam. A convexidade é uma medida da curvatura na relação entre o preço das obrigações e os rendimentos das obrigações. Maior o valor de convexidade, maior o desvio do preço real da aproximação de duração. Para incorporar os efeitos da convexidade na variação do preço da obrigação, é utilizada a seguinte equação para encontrar os preços dos títulos: P / P - (DY) (Convexidade Y 2) Links relacionados que você vai gostar:
No comments:
Post a Comment