BVAR

Рабочая цепочка:

1. Скачиваем данные

2. Удаляем сезонность в Eviews + ручное копирование в Excel

На выходе:

/data/adjusted_data_x.xlsx

3. Устанавливаем необходимые пакеты R, запускаем `/R/100_install_packages.R`

4. Делаем перевод данных в R, запускаем `/R/200_load_after_eviews.R`.

На входе:

/data/adjusted_data_x.xlsx

На выходе:

/data/df_2015_final.csv: отфильтованы данные начиная с 1995 года, взяты логарифмы
/data/data_2015_after_eviews.csv: просто конвертация исходного xlsx-файла

5. Алгоритм Банбуры для разных наборов переменных, запускаем `/R/550_table_replicator.R`

Работает долго.

Для работы нужны:

/R/500_replicate_banbura_function.R
/R/400_model_funs.R
/R/400_model_lists.R
/R/500_banbura_funs.R

На входе:

/data/df_2015_final.csv

На выходе:

файлы .... forecasts_(variable name).Rds: прогнозы по каждой переменной
файлы .... model_info_(variable name).Rds: информация о моделях по каждой переменной
tables_rmsfe_raw.Rds: данные для построения таблиц из работы

Todo: сделать автоматизацию для воспроизведения обеих таблиц без ручной корректировки

6. Получение широких таблиц из работы, запускаем `/R/550_raw_table_transform.R`

На входе:

/estimation/tables_rmsfe/tables_rmsfe_raw.Rds: данные для построения таблиц из работы

На выходе:

/estimation/tables_rmsfe/table_rmsfe_final.csv: табличка из работы

Todo: сделать автоматизацию для воспроизведения обеих таблиц без ручной корректировки

7. Нахождение оптимального множества моделей, model selection set, запускаем `/R/600_model_selection_set.R'

Работает долго.

На входе:

файлы .... forecasts_(variable name).Rds: прогнозы по каждой переменной
файлы .... model_info_(variable name).Rds: информация о моделях по каждой переменной

На выходе:

файлы .... loss_(variable name).Rds: значение функции потерь для каждой переменной
файлы .... best_models_(variable name).Rds: множество наилучших моделей для каждой переменной

Todo: при каком варианте гиперпараметров делаем (или с двумя как в случае таблиц?)

8. Описание множеств наилучших моделей, запускаем `/R/660_describe_mcs.R`

Графики и таблички для описания наилучших множеств.

На входе:

файлы .... best_models_(variable name).Rds: множество наилучших моделей для каждой переменной

Todo: при каком варианте гиперпараметров делаем (или с двумя как в случае таблиц?)

Тестирование

Тестирование функции `replicate_banbura()`

1. Запускаем `550_test_replicate_banbura_function.R`

Для работы нужны:

/R/500_replicate_banbura_function.R
/R/400_model_funs.R
/R/400_model_lists.R
/R/500_banbura_funs.R

На входе:

/data/df_2015_final.csv

Тестирований функций из `400_model_funs.R`

1. Запускаем `400_model_fun_test.R`

Для работы нужны:

/R/500_replicate_banbura_function.R
/R/400_model_funs.R
/R/400_model_lists.R
/R/500_banbura_funs.R

На входе:

/data/df_2015_final.csv

Разное

Попытка удалять сезонность в R

1. Переводим данные из Excel в R: `/R/200_load.R`

На входе:

data/data_bvar_2015.xlsx

На выходе:

/data/data_2015.csv

2. Удаляем сезонность в R `/R/300_clean.R`:

На входе:

/data/data_2015.csv

На выходе:

/data/df_2015_final.csv
/data/df_2015_sa.csv

Для загрузки ряда gas на www.seasonal.website

1. Отбираем нужное, `R/301_gas_problem.R`

На входе:

/data/data_2015.csv

На выходе:

/data/gas_only.csv

Попытка сравнения с carriero (не окончено)

1. Оцениваем нашим способом. Параметры не те?, `/R/350_matlab_carriero_test.R`

На входе:

/data/usa_data.mat

2. Перевод американских данных matlab -> csv, `/R/200/load_after_mat.R`

На входе:

/data/usa_data.mat

На выходе:

/data/usa_carriero.csv

3. Оценка конкретной модели, `/R/500_one_model_estimator.R`

На входе:

/data/usa_carriero.csv

4. Репликация banbura на американских данных в R, `/R/500_banbura_usa_data.R`

Для работы нужны:

/R/500_replicate_banbura_function.R
/R/400_model_funs.R
/R/400_model_lists.R
/R/500_banbura_funs.R

На входе:

/data/usa_carriero.csv

Todo: не работает из-за несовпадения названий var_set

Эксперименты с model selection set

1. Первые шаги с model selection set, `/R/600_mcs.R`.

2. Параллельные вычисления для model selection set, `/R/610_mcs_parallel.R`

3. Зависит ли model selection set от третьих альтернатив и как у него с ростом врени, `/R/610_mcs_3_alternative.R`

Увы: зависит от третьих альтернатив. Увы: время растёт квадратично по числу моделей.

Эксперименты с пакетом bvarr

1. Поиск замены априорных распределений на добавочные наблюдения, `/R/900_harmony.R`

2. Тестирование функций bvarr, `/R/900_test_bvarr_v02.R`

3. Воспроизведение ошибки в bvar_conj_mdd, `/R/900_error_in_dummy2hyper.R'

На входе: /estimation/bad_model.Rds

dwinkler1 / bvar_om Goto Github PK

bvar_om's Introduction

BVAR

Рабочая цепочка:

1. Скачиваем данные

2. Удаляем сезонность в Eviews + ручное копирование в Excel

3. Устанавливаем необходимые пакеты R, запускаем /R/100_install_packages.R

4. Делаем перевод данных в R, запускаем /R/200_load_after_eviews.R.

5. Алгоритм Банбуры для разных наборов переменных, запускаем /R/550_table_replicator.R

6. Получение широких таблиц из работы, запускаем /R/550_raw_table_transform.R

7. Нахождение оптимального множества моделей, model selection set, запускаем `/R/600_model_selection_set.R'

8. Описание множеств наилучших моделей, запускаем /R/660_describe_mcs.R

Тестирование

Тестирование функции replicate_banbura()

1. Запускаем 550_test_replicate_banbura_function.R

Тестирований функций из 400_model_funs.R

1. Запускаем 400_model_fun_test.R

Разное

Попытка удалять сезонность в R

1. Переводим данные из Excel в R: /R/200_load.R

2. Удаляем сезонность в R /R/300_clean.R:

Для загрузки ряда gas на www.seasonal.website

1. Отбираем нужное, R/301_gas_problem.R

Попытка сравнения с carriero (не окончено)

1. Оцениваем нашим способом. Параметры не те?, /R/350_matlab_carriero_test.R

2. Перевод американских данных matlab -> csv, /R/200/load_after_mat.R

3. Оценка конкретной модели, /R/500_one_model_estimator.R

4. Репликация banbura на американских данных в R, /R/500_banbura_usa_data.R

Эксперименты с model selection set

1. Первые шаги с model selection set, /R/600_mcs.R.

2. Параллельные вычисления для model selection set, /R/610_mcs_parallel.R

3. Зависит ли model selection set от третьих альтернатив и как у него с ростом врени, /R/610_mcs_3_alternative.R

Эксперименты с пакетом bvarr

1. Поиск замены априорных распределений на добавочные наблюдения, /R/900_harmony.R

2. Тестирование функций bvarr, /R/900_test_bvarr_v02.R

3. Воспроизведение ошибки в bvar_conj_mdd, `/R/900_error_in_dummy2hyper.R'

bvar_om's People

Contributors

Watchers

Recommend Projects

Recommend Topics

Recommend Org

3. Устанавливаем необходимые пакеты R, запускаем `/R/100_install_packages.R`

4. Делаем перевод данных в R, запускаем `/R/200_load_after_eviews.R`.

5. Алгоритм Банбуры для разных наборов переменных, запускаем `/R/550_table_replicator.R`

6. Получение широких таблиц из работы, запускаем `/R/550_raw_table_transform.R`

8. Описание множеств наилучших моделей, запускаем `/R/660_describe_mcs.R`

Тестирование функции `replicate_banbura()`

1. Запускаем `550_test_replicate_banbura_function.R`

Тестирований функций из `400_model_funs.R`

1. Запускаем `400_model_fun_test.R`

1. Переводим данные из Excel в R: `/R/200_load.R`

2. Удаляем сезонность в R `/R/300_clean.R`:

1. Отбираем нужное, `R/301_gas_problem.R`

1. Оцениваем нашим способом. Параметры не те?, `/R/350_matlab_carriero_test.R`

2. Перевод американских данных matlab -> csv, `/R/200/load_after_mat.R`

3. Оценка конкретной модели, `/R/500_one_model_estimator.R`

4. Репликация banbura на американских данных в R, `/R/500_banbura_usa_data.R`

1. Первые шаги с model selection set, `/R/600_mcs.R`.

2. Параллельные вычисления для model selection set, `/R/610_mcs_parallel.R`

3. Зависит ли model selection set от третьих альтернатив и как у него с ростом врени, `/R/610_mcs_3_alternative.R`

1. Поиск замены априорных распределений на добавочные наблюдения, `/R/900_harmony.R`

2. Тестирование функций bvarr, `/R/900_test_bvarr_v02.R`