Volume de negociação e volatilidade no mercado de frete de frete. Este artigo investiga a volatilidade de preços e a relação de volume de negócios no mercado de frete (FFA) para navios a granel seco durante o período 2007ndash2017. Verificou-se que as variações de preços da FFA têm um impacto positivo no volume de negociação, sugerindo um efeito de impulso, pois maiores ganhos de capital incentivam mais transações. Também há evidências de uma relação contemporânea e positiva entre o volume de negócios e a volatilidade, o que está de acordo com a evidência dos mercados financeiros e a Hipótese da Mistura de Distribuição. No entanto, os aumentos na volatilidade dos preços levam a menores atividades de negociação futura no mercado FFA. Destaques O estudo investiga a volatilidade dos preços e a relação de volume no mercado FFA. Observa-se que um efeito de impulso impulsiona o mercado FFA e a atividade comercial. Os negócios da FFA são principalmente informações geradas por especuladores em vez de hedgers. Existe uma relação positiva contemporânea entre volatilidade e volume de negócios. Além disso, a volatilidade do preço atrasada tem um impacto negativo no volume de negócios da FFA. Envio do contrato de frete à volta Volatilidade Volume comercial Causalidade Regressão linear simples Uma das técnicas utilizadas mais freqüentemente nas estatísticas é a regressão linear onde investigamos a relação potencial entre uma variável de interesse (freqüentemente chamada de variável de resposta, mas existem muitos outros nomes em uso) e uma Conjunto de uma das mais variáveis (conhecidas como variáveis independentes ou algum outro termo). Não é surpreendente que haja instalações flexíveis em R para montar uma gama de modelos lineares, desde o caso simples de uma única variável a relacionamentos mais complexos. Nesta publicação, consideramos o caso de regressão linear simples com uma variável de resposta e uma única variável independente. Para este exemplo, usaremos alguns dados do livro Estatísticas Matemáticas com Aplicações de Mendenhall, Wackerly e Scheaffer (Quarta Edição 8211 Duxbury, 1990). Estes dados são para um estudo no centro da Flórida, onde foram capturados 15 jacarés e duas medidas foram feitas em cada um dos jacarés. O peso (em libras) foi gravado com o comprimento do respiradouro do focinho (em polegadas 8211, esta é a distância entre a parte de trás da cabeça e o final do nariz). A finalidade de usar esses dados é determinar se existe um relacionamento, descrito por um modelo de regressão linear simples, entre o peso eo comprimento do respiradouro do focinho. Os autores analisaram os dados na escala logarítmica (logaritmos naturais) e seguiremos sua abordagem de consistência. Primeiro, criamos um quadro de dados para este estudo: como na maioria das análises, o primeiro passo é realizar algumas análises de dados exploratórios para obter uma impressão visual de se existe uma relação entre o peso eo comprimento do respiradouro do focinho e a forma que é provável que ele leve. Nós criamos um gráfico de dispersão dos dados da seguinte maneira: O gráfico de dispersão é mostrado aqui: Gráfico de dispersão do peso e comprimento do respiradouro do focinho para jacarés capturados no centro da Flórida O gráfico sugere que o peso (na escala de log) aumenta linearmente com o comprimento do respiradouro do focinho (Novamente na escala de registro), então vamos ajustar um modelo de regressão linear simples aos dados e salvar o modelo ajustado em um objeto para análise posterior: a função lm se encaixa em um modelo linear aos dados especificamos o modelo usando uma fórmula onde o A variável de resposta está no lado esquerdo, separada por uma das variáveis explicativas. A fórmula fornece uma maneira flexível de especificar várias formas funcionais diferentes para o relacionamento. O argumento de dados é usado para dizer R onde procurar as variáveis usadas na fórmula. Agora que o modelo é salvo como um objeto, podemos usar algumas das funções de propósito geral para extrair informações desse objeto sobre o modelo linear, e. Os parâmetros ou os resíduos. A grande vantagem com R é que existem funções definidas para diferentes tipos de modelo, usando o mesmo nome, como resumo, e o sistema determina qual a função que pretendemos usar com base no tipo de objeto salvo. Para criar um resumo do modelo ajustado: Nós recebemos muitas informações úteis aqui sem estar muito sobrecarregados com as páginas de saída. As estimativas para a interceptação do modelo são -8.4761 e o coeficiente que mede a inclinação da relação com o comprimento do respiradouro do focinho é 3.4311 e a informação sobre erros padrão dessas estimativas também é fornecida na tabela Coeficientes. Verificamos que o teste de significância dos coeficientes do modelo também é resumido nessa tabela para que possamos ver que existem evidências fortes de que o coeficiente é significativamente diferente de zero 8211, pois o comprimento do respiradouro do focinho aumenta, assim aumenta o peso. Em vez de parar aqui, realizamos algumas investigações usando diagnósticos residuais para determinar se os vários pressupostos que sustentam a regressão linear são razoáveis para nossos dados ou se há evidências sugerindo que variáveis adicionais são necessárias no modelo ou algumas outras alterações para identificar uma descrição melhor Das variáveis que determinam como o peso muda. Um gráfico dos resíduos contra valores ajustados é usado para determinar se existem padrões sistemáticos, como a sobre estimativa para a maioria dos grandes valores ou aumentar a propagação à medida que os valores ajustados do modelo aumentam. Para criar este gráfico, poderíamos usar o seguinte código: Criamos nossa própria função de painel personalizado usando os blocos de operação fornecidos pelo pacote de rede. Começamos criando um conjunto de linhas de grade como a camada base e as h-1 e v-1 indicam a rede para alinhá-las com os rótulos nos eixos. Em seguida, criamos uma linha horizontal sólida para ajudar a distinguir entre resíduos positivos e negativos. Finalmente, obtemos os pontos traçados na camada superior. O gráfico de diagnóstico residual é mostrado abaixo: Lote de Diagnóstico Residual para o Modelo de Regressão Linear O gráfico provavelmente está certo, mas há mais casos de resíduos positivos e, quando consideramos um gráfico de probabilidade normal, vemos que existem algumas deficiências com o modelo: A função O resid extra extraca os resíduos do modelo do modelo do objeto ajustado. A trama é mostrada aqui: Parcela de Quantile-Quantile para o Modelo de Regressão Linear. Esperamos que essa trama tenha mostrado algo que se aproxima de uma linha direta para suportar a suposição do modelo sobre a distribuição dos resíduos. Esta e as outras parcelas sugerem que o ajuste adicional ao modelo é necessário para melhorar o modelo ou uma decisão deve ser feita sobre se deve denunciar o modelo como está com algumas ressalvas sobre seu uso. Estou interessado nas sugestões de comentários sobre como as outras pessoas irão enfrentar quando confrontado com esta situação 8211 sinta-se à vontade para adicionar os comentários. Seleção de variável manual com a função dropterm. A função de atualização para simplificar a seleção do modelo. Incluindo fatores em um modelo de regressão através da análise da covariância. Nunca perca uma atualização Assine os R-bloggers para receber e-mails com as últimas postagens R. (Você não verá esta mensagem novamente).
No comments:
Post a Comment