Deutsches R-Forum

Liebes R-Forum,
für eine wissenschaftliche Arbeit beschäftige ich mich derzeit mit einer Analyse von Aktienrenditen. Mir liegen Daten über einen Zeitraum von 15 Jahren vor, die ich gerne mittels linearer Regression analysieren würde. Das Ziel ist eine Überprüfung des CAPM durch Regression des Einflusses der Marktrendite auf die Rendite einer einzelnen Aktie.

Leider habe ich für eine erste OLS-Rechnung in meinen Daten Autokorrelation, Heteroskedastizität und einflussreiche Ausreißer entdeckt.

Um Autokorrelation und Heteroskedastizität zu bewältigen, möchte ich Newey-West Standardfehler benutzen, die gegen diese Eigenschaften robust sind. Über bleiben hierbei aber leider noch die Ausreißer.

Nun aber meine Frage an euch:

Mit welcher Methode kann ich eine lineare Regression gleichzeitig (!) gegen Autokorrelation, Ausreißer und Heteroskedastizität robust "machen"?

Die Newey-West-"Transformation" lässt sich scheinbar nur auf lm-Modelle anwenden, aber nicht auf (ausreißer-)robuste Regressionen wie lmrob.

Danke für eure Hilfe!

Liebe Grüße,
Max

Hallo Max,

willkommen im Forum!
Für die robusten Verfahren gibt es ein extra TaskView bei CRAN:
https://cran.r-project.org/web/views/Robust.html
Dort solltest Du fündig werden.

Gruß, Jörg

Wieso nicht gleich die varianzinhomogenität und autokorrelation mit modellieren, anstatt sich Krücken zu bedienen?
Auch das linear Model könnte man durch was flexibleres ersetzen.

Vielleicht sind danach die Ausreißer auch schon weg...
Technisch alles kein Problem mehr... Siehe auch den Blog von Gavin Simpson.

Soweit schon mal vielen Dank!
Werde mir beide TIpps mal näher anschauen und mich melden, sollte sich dadurch keine Lösung ergeben.

LG,
Max

EDi hat geschrieben: ↑Do Nov 23, 2017 8:07 pm Wieso nicht gleich die varianzinhomogenität und autokorrelation mit modellieren, anstatt sich Krücken zu bedienen?
(...)
Technisch alles kein Problem mehr... Siehe auch den Blog von Gavin Simpson.

Neben den GLMMs with mgcv die Gavin Simpson im https://www.fromthebottomoftheheap.net/ Blog vorschlägt, könnte man evtl. auch GMMBoost: Componentwise likelihood-based boosting approaches to generalized mixed models, 2013. R package version 1.1.2. von A. Groll (Uni Dortmund) nehmen.

Consuli