वेक्टर ऑटोरिग्रेशन: Difference between revisions

Revision as of 23:37, 5 March 2023

वेक्टर ऑटोरेगेशन (VAR) एक सांख्यिकीय मॉडल है जिसका उपयोग कई मात्राओं के बीच संबंधों को प्रग्रहण करने के लिए किया जाता है क्योंकि वे समय के साथ बदलते हैं। वेक्टर ऑटोरेगेशन (VAR) एक प्रकार का अनेक संभावनाओं में से चुनी हूई प्रक्रिया मॉडल है। वेक्टर ऑटोरेगेशन (VAR) मॉडल बहुभिन्नरूपी समय श्रृंखला की अनुमति देकर एकल-चर (यूनिवेरिएट) ऑटोरेग्रेसिव मॉडल का सामान्यीकरण करते हैं। वेक्टर ऑटोरेगेशन (VAR) मॉडल अक्सर अर्थशास्त्र और प्राकृतिक विज्ञानों में उपयोग किए जाते हैं।

ऑटोरेग्रेसिव मॉडल की तरह, प्रत्येक चर का एक समीकरण होता है जो समय के साथ अपने विकास को दर्शाता है। इस समीकरण में वेरिएबल के लैग ऑपरेटर (पिछले) मान, मॉडल में अन्य वेरिएबल्स के लैग्ड मान और आंकड़ों में एक त्रुटि और अवशिष्ट शामिल हैं। वेक्टर ऑटोरेगेशन (VAR) मॉडल को एक चर को प्रभावित करने वाली ताकतों के बारे में अधिक ज्ञान की आवश्यकता नहीं होती है, जैसा कि एक साथ समीकरण मॉडल के साथ संरचनात्मक समीकरण मॉडलिंग में होता है। केवल पूर्व ज्ञान की आवश्यकता चर की एक सूची है जिसे समय के साथ एक दूसरे को प्रभावित करने के लिए परिकल्पित किया जा सकता है।

विशिष्टता

परिभाषा

एक वेक्टर ऑटोरेगेशन (VAR) मॉडल समय के साथ-साथ k वेरिएबल्स के एक सेट के विकास का वर्णन करता है, जिसे Endogeneity (अर्थमिति) वेरिएबल्स कहा जाता है। समय की प्रत्येक अवधि को क्रमांकित किया जाता है, t = 1, ..., T. चर एक सदिश स्थान में एकत्र किए जाते हैं, y_t, जिसकी लंबाई k है। (समतुल्य रूप से, इस वेक्टर को (k × 1)-मैट्रिक्स (गणित)|मैट्रिक्स के रूप में वर्णित किया जा सकता है।) वेक्टर को इसके पिछले मान के रैखिक फ़ंक्शन के रूप में मॉडल किया गया है। वेक्टर के घटकों को y कहा जाता है_i,t, i वें चर के समय टी पर अवलोकन का अर्थ है। उदाहरण के लिए, यदि मॉडल में पहला चर समय के साथ गेहूं की कीमत को मापता है, तो y_1,1998 वर्ष 1998 में गेहूं की कीमत का संकेत होगा।

वेक्टर ऑटोरेगेशन (VAR) मॉडल को उनके क्रम से चित्रित किया जाता है, जो कि मॉडल द्वारा उपयोग की जाने वाली पिछली समयावधि की संख्या को संदर्भित करता है। ऊपर दिए गए उदाहरण को जारी रखते हुए, 5वें क्रम का वेक्टर ऑटोरेगेशन (VAR) प्रत्येक वर्ष के गेहूं की कीमत को पिछले पांच वर्षों के गेहूं की कीमतों के रैखिक संयोजन के रूप में मॉडल करेगा। एक अंतराल पिछली समय अवधि में एक चर का मान है। तो सामान्य तौर पर एक pth-order वेक्टर ऑटोरेगेशन (VAR) एक वेक्टर ऑटोरेगेशन (VAR) मॉडल को संदर्भित करता है जिसमें अंतिम p समय अवधि के अंतराल शामिल होते हैं। एक pth-क्रम वेक्टर ऑटोरेगेशन (VAR) को वेक्टर ऑटोरेगेशन (VAR)(p) के रूप में दर्शाया जाता है और कभी-कभी इसे p lags वाला वेक्टर ऑटोरेगेशन (VAR) कहा जाता है। एक pth-क्रम वेक्टर ऑटोरेगेशन (VAR) मॉडल को इस प्रकार लिखा जाता है

y_{t}=c+A_{1}y_{t-1}+A_{2}y_{t-2}+\cdots +A_{p}y_{t-p}+e_{t},\,

फॉर्म वाई के चर_t−i इंगित करता है कि वेरिएबल का मान i पहले की समयावधि है और इसे y का iवां लैग कहा जाता है_t. चर c मॉडल के Y-अवरोधन के रूप में कार्य करने वाले स्थिरांक का k-वेक्टर है। ए_iएक समय-अपरिवर्तनीय (k × k)-मैट्रिक्स और ई है_t आँकड़ों के संदर्भ में त्रुटियों और अवशिष्टों का k-वेक्टर है। त्रुटि शर्तों को तीन शर्तों को पूरा करना चाहिए:

$\mathrm {E} (e_{t})=0\,$ . प्रत्येक त्रुटि शब्द का अपेक्षित मान शून्य होता है।
$\mathrm {E} (e_{t}e_{t}')=\Omega \,$ . त्रुटि शर्तों का समकालीन सहप्रसरण मैट्रिक्स एक k × k धनात्मक-निश्चित मैट्रिक्स है |
$\mathrm {E} (e_{t}e_{t-k}')=0\,$ किसी भी गैर-शून्य k के लिए। समय के पार कोई संबंध नहीं है। विशेष रूप से, व्यक्तिगत त्रुटि शब्दों में कोई क्रमिक संबंध नहीं है।^[1]

वीएआर मॉडल में अधिकतम अंतराल पी चुनने की प्रक्रिया पर विशेष ध्यान देने की आवश्यकता है क्योंकि अनुमान चयनित अंतराल क्रम की शुद्धता पर निर्भर है।^[2]^[3]

चरों के एकीकरण का क्रम

ध्यान दें कि सभी चरों को एकीकरण के समान क्रम का होना चाहिए। निम्नलिखित मामले विशिष्ट हैं:

सभी चर I(0) (स्थिर) हैं: यह मानक मामले में है, यानी स्तर में वेक्टर ऑटोरेगेशन (VAR)
सभी चर I(d) (गैर-स्थिर) d > 0 के साथ हैं:^{[citation needed]}
- चर सह-एकीकरण हैं: त्रुटि सुधार शब्द को वेक्टर ऑटोरेगेशन (VAR) में शामिल किया जाना है। मॉडल वेक्टर त्रुटि सुधार मॉडल (VECM) बन जाता है जिसे प्रतिबंधित वेक्टर ऑटोरेगेशन (VAR) के रूप में देखा जा सकता है।
- चर सह-एकीकरण नहीं हैं: सबसे पहले, चरों को d बार अलग करना पड़ता है और एक अंतर में वेक्टर ऑटोरेगेशन (VAR) होता है।

संक्षिप्त मैट्रिक्स संकेतन

एक संक्षिप्त मैट्रिक्स अंकन के साथ एक स्टोकेस्टिक मैट्रिक्स अंतर समीकरण के रूप में वेक्टर ऑटोरेगेशन (VAR)(p) लिखने के लिए कोई भी वैक्टर को ढेर कर सकता है:

Y=BZ+U\,

मैट्रिसेस का विवरण एक वीएआर (पी) के सामान्य मैट्रिक्स नोटेशन में है।

उदाहरण

के चर के साथ वीएआर (पी) के सामान्य उदाहरण के लिए, वीएआर (पी) का सामान्य मैट्रिक्स नोटेशन देखें।

दो वेरिएबल्स में एक वेक्टर ऑटोरेगेशन (VAR)(1) को मैट्रिक्स फॉर्म (अधिक कॉम्पैक्ट नोटेशन) के रूप में लिखा जा सकता है

{\begin{bmatrix}y_{1,t}\\y_{2,t}\end{bmatrix}}={\begin{bmatrix}c_{1}\\c_{2}\end{bmatrix}}+{\begin{bmatrix}a_{1,1}&a_{1,2}\\a_{2,1}&a_{2,2}\end{bmatrix}}{\begin{bmatrix}y_{1,t-1}\\y_{2,t-1}\end{bmatrix}}+{\begin{bmatrix}e_{1,t}\\e_{2,t}\end{bmatrix}},

(जिसमें केवल एक ए मैट्रिक्स दिखाई देता है क्योंकि इस उदाहरण में अधिकतम अंतराल पी 1 के बराबर है), या, समकक्ष, दो समीकरणों की निम्नलिखित प्रणाली के रूप में

y_{1,t}=c_{1}+a_{1,1}y_{1,t-1}+a_{1,2}y_{2,t-1}+e_{1,t}\,

y_{2,t}=c_{2}+a_{2,1}y_{1,t-1}+a_{2,2}y_{2,t-1}+e_{2,t}.\,

मॉडल में प्रत्येक चर का एक समीकरण होता है। प्रत्येक चर का वर्तमान (समय टी) अवलोकन अपने स्वयं के पिछड़े मूल्यों के साथ-साथ वीएआर में एक दूसरे चर के पिछड़े मूल्यों पर निर्भर करता है।

===वेक्टर ऑटोरेगेशन (VAR)(p) को वेक्टर ऑटोरेगेशन (VAR)(1)=== के रूप में लिखना पी लैग के साथ एक वीएआर को हमेशा एक वीएआर के रूप में फिर से लिखा जा सकता है जिसमें आश्रित चर को उचित रूप से पुनर्परिभाषित करके केवल एक अंतराल हो। नए वेक्टर ऑटोरेगेशन (VAR)(1) निर्भर चर में वेक्टर ऑटोरेगेशन (VAR)(p) चर के अंतराल को ढेर करने और समीकरणों की संख्या को पूरा करने के लिए पहचान जोड़ने के लिए रूपांतरण राशि।

उदाहरण के लिए, वेक्टर ऑटोरेगेशन (VAR)(2) मॉडल

y_{t}=c+A_{1}y_{t-1}+A_{2}y_{t-2}+e_{t}

वेक्टर ऑटोरेगेशन (VAR)(1) मॉडल के रूप में फिर से तैयार किया जा सकता है

{\begin{bmatrix}y_{t}\\y_{t-1}\end{bmatrix}}={\begin{bmatrix}c\\0\end{bmatrix}}+{\begin{bmatrix}A_{1}&A_{2}\\I&0\end{bmatrix}}{\begin{bmatrix}y_{t-1}\\y_{t-2}\end{bmatrix}}+{\begin{bmatrix}e_{t}\\0\end{bmatrix}},

जहां मैं पहचान मैट्रिक्स है।

समतुल्य वेक्टर ऑटोरेगेशन (VAR)(1) प्रपत्र विश्लेषणात्मक व्युत्पत्तियों के लिए अधिक सुविधाजनक है और अधिक कॉम्पैक्ट कथनों की अनुमति देता है।

संरचनात्मक बनाम घटा हुआ रूप

संरचनात्मक वेक्टर ऑटोरेगेशन (VAR)

एक स्ट्रक्चरल वेक्टर ऑटोरेगेशन (VAR) with p lags (कभी-कभी संक्षिप्त रूप में Sवेक्टर ऑटोरेगेशन (VAR)) होता है

B_{0}y_{t}=c_{0}+B_{1}y_{t-1}+B_{2}y_{t-2}+\cdots +B_{p}y_{t-p}+\epsilon _{t},

जहां सी₀ एक k × 1 स्थिरांक का वेक्टर है, B_iएक k × k मैट्रिक्स है (प्रत्येक i = 0, ..., p के लिए) और ε_t त्रुटि शर्तों का एक k × 1 वेक्टर है। बी की मुख्य विकर्ण शर्तें₀ मैट्रिक्स (i पर गुणांक^{i में th} चर^th समीकरण) को 1 पर स्केल किया गया है।

त्रुटि शर्तें ε_t('संरचनात्मक झटके') ऊपर की परिभाषा में शर्तों (1) - (3) को संतुष्ट करते हैं, इस विशिष्टता के साथ कि सहप्रसरण मैट्रिक्स के विकर्ण के सभी तत्व $\mathrm {E} (\epsilon _{t}\epsilon _{t}')=\Sigma$ शून्य हैं। यही है, संरचनात्मक झटके असंबद्ध हैं।

उदाहरण के लिए, एक दो परिवर्तनशील संरचनात्मक वेक्टर ऑटोरेगेशन (VAR)(1) है:

{\begin{bmatrix}1&B_{0;1,2}\\B_{0;2,1}&1\end{bmatrix}}{\begin{bmatrix}y_{1,t}\\y_{2,t}\end{bmatrix}}={\begin{bmatrix}c_{0;1}\\c_{0;2}\end{bmatrix}}+{\begin{bmatrix}B_{1;1,1}&B_{1;1,2}\\B_{1;2,1}&B_{1;2,2}\end{bmatrix}}{\begin{bmatrix}y_{1,t-1}\\y_{2,t-1}\end{bmatrix}}+{\begin{bmatrix}\epsilon _{1,t}\\\epsilon _{2,t}\end{bmatrix}},

कहाँ

\Sigma =\mathrm {E} (\epsilon _{t}\epsilon _{t}')={\begin{bmatrix}\sigma _{1}^{2}&0\\0&\sigma _{2}^{2}\end{bmatrix}};

अर्थात्, संरचनात्मक झटकों के प्रसरण को निरूपित किया जाता है $\mathrm {var} (\epsilon _{i})=\sigma _{i}^{2}$ (i = 1, 2) और सहप्रसरण है $\mathrm {cov} (\epsilon _{1},\epsilon _{2})=0$ .

पहला समीकरण स्पष्ट रूप से लिखना और y पास करना_2,tदाहिने हाथ की ओर एक प्राप्त करता है

y_{1,t}=c_{0;1}-B_{0;1,2}y_{2,t}+B_{1;1,1}y_{1,t-1}+B_{1;1,2}y_{2,t-1}+\epsilon _{1,t}\,

ध्यान दें कि वाई_2,t वाई पर समसामयिक प्रभाव हो सकता है_1,tअगर बी_0;1,2 शून्य नहीं है। यह उस मामले से अलग है जब बी₀ पहचान मैट्रिक्स है (सभी ऑफ-विकर्ण तत्व शून्य हैं - प्रारंभिक परिभाषा में मामला), जब y_2,t सीधे y को प्रभावित कर सकता है_1,t+1 और बाद के भविष्य के मान, लेकिन y नहीं_1,t.

पैरामीटर पहचान की समस्या के कारण, संरचनात्मक वेक्टर ऑटोरेगेशन (VAR) के सामान्य न्यूनतम वर्ग अनुमान से अनुमानक # संगति पैरामीटर अनुमान प्राप्त होंगे। वेक्टर ऑटोरेगेशन (VAR) को कम रूप में लिखकर इस समस्या को दूर किया जा सकता है।

आर्थिक दृष्टिकोण से, यदि चर के एक सेट की संयुक्त गतिशीलता को वेक्टर ऑटोरेगेशन (VAR) मॉडल द्वारा दर्शाया जा सकता है, तो संरचनात्मक रूप अंतर्निहित, संरचनात्मक, आर्थिक संबंधों का चित्रण है। संरचनात्मक रूप की दो विशेषताएं इसे अंतर्निहित संबंधों का प्रतिनिधित्व करने के लिए पसंदीदा उम्मीदवार बनाती हैं:

1. त्रुटि शब्द सहसंबद्ध नहीं हैं। संरचनात्मक, आर्थिक झटके जो आर्थिक चर की गतिशीलता को चलाते हैं, उन्हें सांख्यिकीय स्वतंत्रता माना जाता है, जिसका अर्थ वांछित संपत्ति के रूप में त्रुटि शर्तों के बीच शून्य सहसंबंध है। यह वेक्टर ऑटोरेगेशन (VAR) में आर्थिक रूप से असंबद्ध प्रभावों के प्रभावों को अलग करने में मददगार है। उदाहरण के लिए, ऐसा कोई कारण नहीं है कि तेल की कीमतों में आघात (आपूर्ति आघात के उदाहरण के रूप में) कपड़ों की शैली के प्रति उपभोक्ताओं की प्राथमिकताओं में बदलाव से जुड़ा हो (मांग आघात के उदाहरण के रूप में); इसलिए किसी को उम्मीद होगी कि ये कारक सांख्यिकीय रूप से स्वतंत्र होंगे।

2. चर का अन्य चरों पर समकालीन प्रभाव हो सकता है। यह विशेष रूप से कम आवृत्ति डेटा का उपयोग करते समय एक वांछनीय विशेषता है। उदाहरण के लिए, अप्रत्यक्ष कर की दर में वृद्धि निर्णय की घोषणा के दिन कर राजस्व को प्रभावित नहीं करेगी, लेकिन उस तिमाही के आंकड़ों में एक प्रभाव देखा जा सकता है।

कम-रूप वेक्टर ऑटोरेगेशन (VAR)

बी के व्युत्क्रम के साथ संरचनात्मक वेक्टर ऑटोरेगेशन (VAR) का पूर्वगुणन करके₀

y_{t}=B_{0}^{-1}c_{0}+B_{0}^{-1}B_{1}y_{t-1}+B_{0}^{-1}B_{2}y_{t-2}+\cdots +B_{0}^{-1}B_{p}y_{t-p}+B_{0}^{-1}\epsilon _{t},

और निरूपित करना

B_{0}^{-1}c_{0}=c,\quad B_{0}^{-1}B_{i}=A_{i}{\text{ for }}i=1,\dots ,p{\text{ and }}B_{0}^{-1}\epsilon _{t}=e_{t}

one p क्रम घटा हुआ वेक्टर ऑटोरेगेशन (VAR) प्राप्त करता है

y_{t}=c+A_{1}y_{t-1}+A_{2}y_{t-2}+\cdots +A_{p}y_{t-p}+e_{t}

ध्यान दें कि कम किए गए रूप में सभी दाहिने हाथ के चर समय टी पर पूर्व निर्धारित होते हैं। चूंकि दाहिने हाथ की ओर कोई समय टी अंतर्जात चर नहीं हैं, मॉडल में अन्य चर पर किसी भी चर का प्रत्यक्ष समसामयिक प्रभाव नहीं है।

हालांकि, घटे हुए वेक्टर ऑटोरेगेशन (VAR) में त्रुटि शब्द संरचनात्मक झटकों के सम्मिश्रण हैं e_t = बी₀^-1ई_t. इस प्रकार, एक संरचनात्मक झटके ε की घटना_i,tसंभावित रूप से सभी त्रुटि शर्तों में झटके की घटना हो सकती है_j,t, इस प्रकार सभी अंतर्जात चरों में समसामयिक गति पैदा करता है। नतीजतन, घटे हुए वेक्टर ऑटोरेगेशन (VAR) का सहप्रसरण मैट्रिक्स

\Omega =\mathrm {E} (e_{t}e_{t}')=\mathrm {E} (B_{0}^{-1}\epsilon _{t}\epsilon _{t}'(B_{0}^{-1})')=B_{0}^{-1}\Sigma (B_{0}^{-1})'\,

गैर-शून्य ऑफ-विकर्ण तत्व हो सकते हैं, इस प्रकार त्रुटि शब्दों के बीच गैर-शून्य सहसंबंध की अनुमति देते हैं।

अनुमान

प्रतिगमन मापदंडों का अनुमान

संक्षिप्त मैट्रिक्स संकेतन से शुरू (विवरण के लिए वेक्टर ऑटोरेगेशन (VAR)(p) का सामान्य मैट्रिक्स संकेतन देखें):

Y=BZ+U\,

बी पैदावार का अनुमान लगाने के लिए बहुभिन्नरूपी प्रतिगमन (एमएलएस) दृष्टिकोण:

{\hat {B}}=YZ'(ZZ')^{-1}.

इसे वैकल्पिक रूप से इस प्रकार लिखा जा सकता है:

\operatorname {Vec} ({\hat {B}})=((ZZ')^{-1}Z\otimes I_{k})\ \operatorname {Vec} (Y),

कहाँ $\otimes$ संकेतित मैट्रिक्स के क्रोनकर उत्पाद और Vec द वेक्टराइज़ेशन (गणित) को दर्शाता है।

यह अनुमानक Estimator#Consistency और Estimator#Efficiency है। इसके अलावा यह सशर्त अधिकतम संभावना के बराबर है।^[4]

चूँकि व्याख्यात्मक चर प्रत्येक समीकरण में समान होते हैं, बहुभिन्नरूपी न्यूनतम वर्ग अनुमानक प्रत्येक समीकरण पर अलग से लागू किए गए सामान्य न्यूनतम वर्ग अनुमानक के बराबर होता है।^[5]

त्रुटियों के सहप्रसरण मैट्रिक्स का अनुमान

जैसा कि मानक मामले में, सहप्रसरण मैट्रिक्स का अधिकतम संभावना अनुमानक (MLE) साधारण न्यूनतम वर्ग (OLS) अनुमानक से भिन्न होता है।

एमएलई अनुमानक:^{[citation needed]} ${\hat {\Sigma }}={\frac {1}{T}}\sum _{t=1}^{T}{\hat {\epsilon }}_{t}{\hat {\epsilon }}_{t}'$ ओएलएस अनुमानक:^{[citation needed]} ${\hat {\Sigma }}={\frac {1}{T-kp-1}}\sum _{t=1}^{T}{\hat {\epsilon }}_{t}{\hat {\epsilon }}_{t}'$ स्थिर, k चर और p अंतराल वाले मॉडल के लिए।

एक मैट्रिक्स नोटेशन में, यह देता है:

{\hat {\Sigma }}={\frac {1}{T-kp-1}}(Y-{\hat {B}}Z)(Y-{\hat {B}}Z)'.

अनुमानक के सहप्रसरण मैट्रिक्स का अनुमान

मापदंडों के सहप्रसरण मैट्रिक्स का अनुमान लगाया जा सकता है^{[citation needed]}

{\widehat {\mbox{Cov}}}({\mbox{Vec}}({\hat {B}}))=({ZZ'})^{-1}\otimes {\hat {\Sigma }}.\,

स्वतंत्रता की डिग्री

वेक्टर स्वप्रतिगमन मॉडल में अक्सर कई मापदंडों का अनुमान शामिल होता है। उदाहरण के लिए, सात चर और चार अंतराल के साथ, दी गई अंतराल लंबाई के लिए गुणांक का प्रत्येक मैट्रिक्स 7 से 7 है, और स्थिरांक के वेक्टर में 7 तत्व हैं, इसलिए कुल 49×4 + 7 = 203 पैरामीटर अनुमानित हैं, काफी कम प्रतिगमन की स्वतंत्रता (सांख्यिकी) की डिग्री (डेटा बिंदुओं की संख्या घटाकर अनुमानित किए जाने वाले मापदंडों की संख्या)। यह पैरामीटर अनुमानों की सटीकता और इसलिए मॉडल द्वारा दिए गए पूर्वानुमानों को नुकसान पहुंचा सकता है।

अनुमानित मॉडल की व्याख्या

वेक्टर ऑटोरेगेशन (VAR) मॉडल के गुणों को आमतौर पर संरचनात्मक विश्लेषण का उपयोग करके संक्षेपित किया जाता है, जिसमें ग्रेंजर कारणता # बहुभिन्नरूपी विश्लेषण, आवेग प्रतिक्रियाएं और पूर्वानुमान त्रुटियों के विचरण अपघटन का उपयोग किया जाता है।

आवेग प्रतिक्रिया

विकास के समीकरण के साथ पहले क्रम के मामले (यानी, केवल एक अंतराल के साथ) पर विचार करें

y_{t}=Ay_{t-1}+e_{t},

विकसित (राज्य) वेक्टर के लिए $y$ और वेक्टर $e$ झटकों का। खोजने के लिए, कहने के लिए, झटके के वेक्टर के जे-वें तत्व का प्रभाव राज्य वेक्टर के i-वें तत्व पर 2 अवधि बाद में होता है, जो एक विशेष आवेग प्रतिक्रिया है, पहले विकास के उपरोक्त समीकरण को एक अवधि के अंतराल में लिखें:

y_{t-1}=Ay_{t-2}+e_{t-1}.

प्राप्त करने के लिए विकास के मूल समीकरण में इसका प्रयोग करें

y_{t}=A^{2}y_{t-2}+Ae_{t-1}+e_{t};

फिर प्राप्त करने के लिए विकास के दो बार पिछड़े समीकरण का उपयोग करके दोहराएं

y_{t}=A^{3}y_{t-3}+A^{2}e_{t-2}+Ae_{t-1}+e_{t}.

इससे जे-वें घटक का प्रभाव $e_{t-2}$ के i-वें घटक पर $y_{t}$ मैट्रिक्स का i, j तत्व है $A^{2}.$ इस गणितीय प्रेरण प्रक्रिया से यह देखा जा सकता है कि किसी भी झटके का y के तत्वों पर समय के साथ असीम रूप से बहुत आगे प्रभाव पड़ेगा, हालांकि प्रभाव समय के साथ छोटा और छोटा होता जाएगा, यह मानते हुए कि AR प्रक्रिया स्थिर है - अर्थात, यह सब मैट्रिक्स A के मैट्रिसेस के eigenvalue#Eigenvalues और eigenvectors निरपेक्ष मान में 1 से कम हैं।

अनुमानित वेक्टर ऑटोरेगेशन (VAR) मॉडल का उपयोग करके पूर्वानुमान लगाना

पूर्वानुमान के लिए एक अनुमानित वेक्टर ऑटोरेगेशन (VAR) मॉडल का उपयोग किया जा सकता है, और पूर्वानुमानों की गुणवत्ता को उन तरीकों से आंका जा सकता है, जो पूरी तरह से अविभाजित ऑटोरेग्रेसिव मॉडलिंग में उपयोग की जाने वाली विधियों के अनुरूप हैं।

अनुप्रयोग

क्रिस्टोफर ए. सिम्स ने व्यापक आर्थिक अर्थमिति में पहले के मॉडलिंग के दावों और प्रदर्शन की आलोचना करते हुए वेक्टर ऑटोरेगेशन (VAR) मॉडल की वकालत की है।^[6]उन्होंने वेक्टर ऑटोरेगेशन (VAR) मॉडल की सिफारिश की, जो पहले समय श्रृंखला के आँकड़ों में और सिस्टम पहचान में, नियंत्रण सिद्धांत में एक सांख्यिकीय विशेषता में प्रकट हुए थे। सिम्स ने आर्थिक संबंधों का अनुमान लगाने के लिए सिद्धांत-मुक्त विधि प्रदान करने के रूप में वेक्टर ऑटोरेगेशन (VAR) मॉडल की वकालत की, इस प्रकार यह संरचनात्मक मॉडल में अविश्वसनीय पहचान प्रतिबंधों का विकल्प है।^[6] डायरी डेटा के स्वत: विश्लेषण के लिए स्वास्थ्य अनुसंधान में वेक्टर ऑटोरेगेशन (VAR) मॉडल का भी तेजी से उपयोग किया जा रहा है^[7] या सेंसर डेटा।

सॉफ्टवेयर

R (प्रोग्रामिंग लैंग्वेज): पैकेज वेक्टर ऑटोरेगेशन (VAR)s में वेक्टर ऑटोरेगेशन (VAR) मॉडल के फंक्शन शामिल हैं।^[8]^[9] अन्य आर पैकेज CRAN टास्क व्यू: टाइम सीरीज़ एनालिसिस में सूचीबद्ध हैं।
Python (प्रोग्रामिंग भाषा): statsmodels पैकेज का tsa (समय श्रृंखला विश्लेषण) मॉड्यूल वेक्टर ऑटोरेगेशन (VAR)s का समर्थन करता है। PyFlux वेक्टर ऑटोरेगेशन (VAR)s और Bayesian वेक्टर ऑटोरेगेशन (VAR)s के लिए समर्थन करता है।
एसएएस भाषा: वर्मैक्स
था: वर
EViews: वार
ग्रेटल: वर
मतलब: वर्म
समय श्रृंखला का प्रतिगमन विश्लेषण: प्रणाली
एलडीटी

यह भी देखें

बायेसियन वेक्टर ऑटोरिग्रेशन
अभिसारी क्रॉस मैपिंग
ग्रेंजर कारणता
पैनल वेक्टर ऑटोरिग्रेशन, पैनल डेटा के लिए वेक्टर ऑटोरेगेशन (VAR) मॉडल का विस्तार^[10]
विचरण अपघटन

↑ For multivariate tests for autocorrelation in the VAR models, see Hatemi-J, A. (2004). "Multivariate tests for autocorrelation in the stable and unstable VAR models". Economic Modelling. 21 (4): 661–683. doi:10.1016/j.econmod.2003.09.005.
↑ Hacker, R. S.; Hatemi-J, A. (2008). "Optimal lag-length choice in stable and unstable VAR models under situations of homoscedasticity and ARCH". Journal of Applied Statistics. 35 (6): 601–615. doi:10.1080/02664760801920473.
↑ Hatemi-J, A.; Hacker, R. S. (2009). "Can the LR test be helpful in choosing the optimal lag order in the VAR model when information criteria suggest different lag orders?". Applied Economics. 41 (9): 1489–1500.
↑ Hamilton, James D. (1994). Time Series Analysis. Princeton University Press. p. 293.
↑ Zellner, Arnold (1962). "An Efficient Method of Estimating Seemingly Unrelated Regressions and Tests for Aggregation Bias". Journal of the American Statistical Association. 57 (298): 348–368. doi:10.1080/01621459.1962.10480664.
↑ ^6.0 ^6.1 Sims, Christopher (1980). "Macroeconomics and Reality". Econometrica. 48 (1): 1–48. CiteSeerX 10.1.1.163.5425. doi:10.2307/1912017. JSTOR 1912017.
↑ van der Krieke; et al. (2016). "Temporal Dynamics of Health and Well-Being: A Crowdsourcing Approach to Momentary Assessments and Automated Generation of Personalized Feedback (2016)". Psychosomatic Medicine: 1. doi:10.1097/PSY.0000000000000378. PMID 27551988.
↑ Bernhard Pfaff VAR, SVAR and SVEC Models: Implementation Within R Package vars
↑ Hyndman, Rob J; Athanasopoulos, George (2018). "11.2: Vector Autoregressions". Forecasting: Principles and Practice. OTexts. pp. 333–335. ISBN 978-0-9875071-1-2.
↑ Holtz-Eakin, D., Newey, W., and Rosen, H. S. (1988). Estimating Vector Autoregressions with Panel Data. Econometrica, 56(6):1371–1395.

अग्रिम पठन

Asteriou, Dimitrios; Hall, Stephen G. (2011). "Vector Autoregressive (VAR) Models and Causality Tests". Applied Econometrics (Second ed.). London: Palgrave MacMillan. pp. 319–333.
Enders, Walter (2010). Applied Econometric Time Series (Third ed.). New York: John Wiley & Sons. pp. 272–355. ISBN 978-0-470-50539-7.
Favero, Carlo A. (2001). Applied Macroeconometrics. New York: Oxford University Press. pp. 162–213. ISBN 0-19-829685-1.
Lütkepohl, Helmut (2005). New Introduction to Multiple Time Series Analysis. Berlin: Springer. ISBN 3-540-40172-5.
Qin, Duo (2011). "Rise of VAR Modelling Approach". Journal of Economic Surveys. 25 (1): 156–174. doi:10.1111/j.1467-6419.2010.00637.x.

[1] For multivariate tests for autocorrelation in the VAR models, see Hatemi-J, A. (2004). "Multivariate tests for autocorrelation in the stable and unstable VAR models". Economic Modelling. 21 (4): 661–683. doi:10.1016/j.econmod.2003.09.005.

[2] Hacker, R. S.; Hatemi-J, A. (2008). "Optimal lag-length choice in stable and unstable VAR models under situations of homoscedasticity and ARCH". Journal of Applied Statistics. 35 (6): 601–615. doi:10.1080/02664760801920473.

[3] Hatemi-J, A.; Hacker, R. S. (2009). "Can the LR test be helpful in choosing the optimal lag order in the VAR model when information criteria suggest different lag orders?". Applied Economics. 41 (9): 1489–1500.

[4] Hamilton, James D. (1994). Time Series Analysis. Princeton University Press. p. 293.

[5] Zellner, Arnold (1962). "An Efficient Method of Estimating Seemingly Unrelated Regressions and Tests for Aggregation Bias". Journal of the American Statistical Association. 57 (298): 348–368. doi:10.1080/01621459.1962.10480664.

[Sims-6] 6.0 ^6.1 Sims, Christopher (1980). "Macroeconomics and Reality". Econometrica. 48 (1): 1–48. CiteSeerX 10.1.1.163.5425. doi:10.2307/1912017. JSTOR 1912017.

[Kr2016-7] van der Krieke; et al. (2016). "Temporal Dynamics of Health and Well-Being: A Crowdsourcing Approach to Momentary Assessments and Automated Generation of Personalized Feedback (2016)". Psychosomatic Medicine: 1. doi:10.1097/PSY.0000000000000378. PMID 27551988.

[8] Bernhard Pfaff VAR, SVAR and SVEC Models: Implementation Within R Package vars

[9] Hyndman, Rob J; Athanasopoulos, George (2018). "11.2: Vector Autoregressions". Forecasting: Principles and Practice. OTexts. pp. 333–335. ISBN 978-0-9875071-1-2.

[10] Holtz-Eakin, D., Newey, W., and Rosen, H. S. (1988). Estimating Vector Autoregressions with Panel Data. Econometrica, 56(6):1371–1395.

[1]

[2]

[3]

[4]

[5]

[6]

[7]

[8]

[9]

[10]

@@ Line 1: / Line 1: @@
-{{Short description|Statistical model to calculate the value of multiple quantities as they change over time}}
+{{other uses of|वेक्टर ऑटोरिग्रेशन }}
-{{other uses of|Var}}
-{{more footnotes|date=February 2012}}
-वेक्टर ऑटोरिग्रेशन (VAR) एक सांख्यिकीय मॉडल है जिसका उपयोग कई मात्राओं के बीच संबंध को कैप्चर करने के लिए किया जाता है क्योंकि वे समय के साथ बदलते हैं। VAR एक प्रकार का [[अनेक संभावनाओं में से चुनी हूई प्रक्रिया]] मॉडल है। VAR मॉडल बहुभिन्नरूपी [[समय श्रृंखला]] की अनुमति देकर एकल-चर (यूनिवेरिएट) [[ऑटोरेग्रेसिव मॉडल]] का सामान्यीकरण करते हैं। VAR मॉडल अक्सर [[अर्थशास्त्र]] और [[प्राकृतिक विज्ञान]]ों में उपयोग किए जाते हैं।
-ऑटोरेग्रेसिव मॉडल की तरह, प्रत्येक चर का एक समीकरण होता है जो समय के साथ अपने विकास को दर्शाता है। इस समीकरण में वेरिएबल के [[लैग ऑपरेटर]] (पिछले) मान, मॉडल में अन्य वेरिएबल्स के लैग्ड मान और आंकड़ों में एक त्रुटि और अवशिष्ट शामिल हैं। VAR मॉडल को एक चर को प्रभावित करने वाली ताकतों के बारे में अधिक ज्ञान की आवश्यकता नहीं होती है, जैसा कि [[एक साथ समीकरण मॉडल]] के साथ [[संरचनात्मक समीकरण मॉडलिंग]] में होता है। केवल पूर्व ज्ञान की आवश्यकता चर की एक सूची है जिसे समय के साथ एक दूसरे को प्रभावित करने के लिए परिकल्पित किया जा सकता है।
+वेक्टर ऑटोरेगेशन (VAR) एक सांख्यिकीय मॉडल है जिसका उपयोग कई मात्राओं के बीच संबंधों को प्रग्रहण करने के लिए किया जाता है क्योंकि वे समय के साथ बदलते हैं। वेक्टर ऑटोरेगेशन (VAR) एक प्रकार का [[अनेक संभावनाओं में से चुनी हूई प्रक्रिया]] मॉडल है। वेक्टर ऑटोरेगेशन (VAR) मॉडल बहुभिन्नरूपी [[समय श्रृंखला]] की अनुमति देकर एकल-चर (यूनिवेरिएट) [[ऑटोरेग्रेसिव मॉडल]] का सामान्यीकरण करते हैं। वेक्टर ऑटोरेगेशन (VAR) मॉडल अक्सर [[अर्थशास्त्र]] और [[प्राकृतिक विज्ञान|प्राकृतिक विज्ञानों]] में उपयोग किए जाते हैं।
+ऑटोरेग्रेसिव मॉडल की तरह, प्रत्येक चर का एक समीकरण होता है जो समय के साथ अपने विकास को दर्शाता है। इस समीकरण में वेरिएबल के [[लैग ऑपरेटर]] (पिछले) मान, मॉडल में अन्य वेरिएबल्स के लैग्ड मान और आंकड़ों में एक त्रुटि और अवशिष्ट शामिल हैं। वेक्टर ऑटोरेगेशन (VAR) मॉडल को एक चर को प्रभावित करने वाली ताकतों के बारे में अधिक ज्ञान की आवश्यकता नहीं होती है, जैसा कि [[एक साथ समीकरण मॉडल]] के साथ [[संरचनात्मक समीकरण मॉडलिंग]] में होता है। केवल पूर्व ज्ञान की आवश्यकता चर की एक सूची है जिसे समय के साथ एक दूसरे को प्रभावित करने के लिए परिकल्पित किया जा सकता है।
 == विशिष्टता ==
-{{no footnotes|section|date=February 2012}}
 === परिभाषा ===
-एक VAR मॉडल समय के साथ-साथ k वेरिएबल्स के एक सेट के विकास का वर्णन करता है, जिसे Endogeneity (अर्थमिति) वेरिएबल्स कहा जाता है। समय की प्रत्येक अवधि को क्रमांकित किया जाता है, t = 1, ..., T. चर एक सदिश स्थान में एकत्र किए जाते हैं, y<sub>t</sub>, जिसकी लंबाई k है। (समतुल्य रूप से, इस वेक्टर को (k × 1)-मैट्रिक्स (गणित)|मैट्रिक्स के रूप में वर्णित किया जा सकता है।) वेक्टर को इसके पिछले मान के रैखिक फ़ंक्शन के रूप में मॉडल किया गया है। वेक्टर के घटकों को y कहा जाता है<sub>''i'',''t''</sub>, i वें चर के समय टी पर अवलोकन का अर्थ है। उदाहरण के लिए, यदि मॉडल में पहला चर समय के साथ गेहूं की कीमत को मापता है, तो y<sub>1,1998</sub> वर्ष 1998 में गेहूं की कीमत का संकेत होगा।
+एक वेक्टर ऑटोरेगेशन (VAR) मॉडल समय के साथ-साथ k वेरिएबल्स के एक सेट के विकास का वर्णन करता है, जिसे Endogeneity (अर्थमिति) वेरिएबल्स कहा जाता है। समय की प्रत्येक अवधि को क्रमांकित किया जाता है, t = 1, ..., T. चर एक सदिश स्थान में एकत्र किए जाते हैं, y<sub>t</sub>, जिसकी लंबाई k है। (समतुल्य रूप से, इस वेक्टर को (k × 1)-मैट्रिक्स (गणित)|मैट्रिक्स के रूप में वर्णित किया जा सकता है।) वेक्टर को इसके पिछले मान के रैखिक फ़ंक्शन के रूप में मॉडल किया गया है। वेक्टर के घटकों को y कहा जाता है<sub>''i'',''t''</sub>, i वें चर के समय टी पर अवलोकन का अर्थ है। उदाहरण के लिए, यदि मॉडल में पहला चर समय के साथ गेहूं की कीमत को मापता है, तो y<sub>1,1998</sub> वर्ष 1998 में गेहूं की कीमत का संकेत होगा।
-VAR मॉडल को उनके क्रम से चित्रित किया जाता है, जो कि मॉडल द्वारा उपयोग की जाने वाली पिछली समयावधि की संख्या को संदर्भित करता है। ऊपर दिए गए उदाहरण को जारी रखते हुए, 5वें क्रम का VAR प्रत्येक वर्ष के गेहूं की कीमत को पिछले पांच वर्षों के गेहूं की कीमतों के रैखिक संयोजन के रूप में मॉडल करेगा। एक अंतराल पिछली समय अवधि में एक चर का मान है। तो सामान्य तौर पर एक pth-order VAR एक VAR मॉडल को संदर्भित करता है जिसमें अंतिम p समय अवधि के अंतराल शामिल होते हैं। एक pth-क्रम VAR को VAR(p) के रूप में दर्शाया जाता है और कभी-कभी इसे p lags वाला VAR कहा जाता है। एक pth-क्रम VAR मॉडल को इस प्रकार लिखा जाता है
+वेक्टर ऑटोरेगेशन (VAR) मॉडल को उनके क्रम से चित्रित किया जाता है, जो कि मॉडल द्वारा उपयोग की जाने वाली पिछली समयावधि की संख्या को संदर्भित करता है। ऊपर दिए गए उदाहरण को जारी रखते हुए, 5वें क्रम का वेक्टर ऑटोरेगेशन (VAR) प्रत्येक वर्ष के गेहूं की कीमत को पिछले पांच वर्षों के गेहूं की कीमतों के रैखिक संयोजन के रूप में मॉडल करेगा। एक अंतराल पिछली समय अवधि में एक चर का मान है। तो सामान्य तौर पर एक pth-order वेक्टर ऑटोरेगेशन (VAR) एक वेक्टर ऑटोरेगेशन (VAR) मॉडल को संदर्भित करता है जिसमें अंतिम p समय अवधि के अंतराल शामिल होते हैं। एक pth-क्रम वेक्टर ऑटोरेगेशन (VAR) को वेक्टर ऑटोरेगेशन (VAR)(p) के रूप में दर्शाया जाता है और कभी-कभी इसे p lags वाला वेक्टर ऑटोरेगेशन (VAR) कहा जाता है। एक pth-क्रम वेक्टर ऑटोरेगेशन (VAR) मॉडल को इस प्रकार लिखा जाता है
 :<math>y_t = c + A_1 y_{t-1} + A_2 y_{t-2} + \cdots + A_p y_{t-p} + e_t, \, </math>
@@ Line 27: / Line 25: @@
 ध्यान दें कि सभी चरों को एकीकरण के समान क्रम का होना चाहिए। निम्नलिखित मामले विशिष्ट हैं:
-*सभी चर I(0) (स्थिर) हैं: यह मानक मामले में है, यानी स्तर में VAR
+*सभी चर I(0) (स्थिर) हैं: यह मानक मामले में है, यानी स्तर में वेक्टर ऑटोरेगेशन (VAR)
 *सभी चर I(d) (गैर-स्थिर) d > 0 के साथ हैं:{{Citation needed|date=April 2010}}
-** चर सह-[[एकीकरण]] हैं: त्रुटि सुधार शब्द को VAR में शामिल किया जाना है। मॉडल वेक्टर [[त्रुटि सुधार मॉडल]] (VECM) बन जाता है जिसे प्रतिबंधित VAR के रूप में देखा जा सकता है।
+** चर सह-[[एकीकरण]] हैं: त्रुटि सुधार शब्द को वेक्टर ऑटोरेगेशन (VAR) में शामिल किया जाना है। मॉडल वेक्टर [[त्रुटि सुधार मॉडल]] (VECM) बन जाता है जिसे प्रतिबंधित वेक्टर ऑटोरेगेशन (VAR) के रूप में देखा जा सकता है।
-** चर सह-एकीकरण नहीं हैं: सबसे पहले, चरों को d बार अलग करना पड़ता है और एक अंतर में VAR होता है।
+** चर सह-एकीकरण नहीं हैं: सबसे पहले, चरों को d बार अलग करना पड़ता है और एक अंतर में वेक्टर ऑटोरेगेशन (VAR) होता है।
 === संक्षिप्त मैट्रिक्स संकेतन ===
-एक संक्षिप्त मैट्रिक्स अंकन के साथ एक [[स्टोकेस्टिक]] [[मैट्रिक्स अंतर समीकरण]] के रूप में VAR(p) लिखने के लिए कोई भी वैक्टर को ढेर कर सकता है:
+एक संक्षिप्त मैट्रिक्स अंकन के साथ एक [[स्टोकेस्टिक]] [[मैट्रिक्स अंतर समीकरण]] के रूप में वेक्टर ऑटोरेगेशन (VAR)(p) लिखने के लिए कोई भी वैक्टर को ढेर कर सकता है:
 :<math> Y=BZ +U \, </math>
@@ Line 42: / Line 40: @@
 के चर के साथ वीएआर (पी) के सामान्य उदाहरण के लिए, वीएआर (पी) का सामान्य मैट्रिक्स नोटेशन देखें।
-दो वेरिएबल्स में एक VAR(1) को मैट्रिक्स फॉर्म (अधिक कॉम्पैक्ट नोटेशन) के रूप में लिखा जा सकता है
+दो वेरिएबल्स में एक वेक्टर ऑटोरेगेशन (VAR)(1) को मैट्रिक्स फॉर्म (अधिक कॉम्पैक्ट नोटेशन) के रूप में लिखा जा सकता है
 :<math>\begin{bmatrix}y_{1,t} \\ y_{2,t}\end{bmatrix} = \begin{bmatrix}c_{1} \\ c_{2}\end{bmatrix} + \begin{bmatrix}a_{1,1}&a_{1,2} \\ a_{2,1}&a_{2,2}\end{bmatrix}\begin{bmatrix}y_{1,t-1} \\ y_{2,t-1}\end{bmatrix} + \begin{bmatrix}e_{1,t} \\ e_{2,t}\end{bmatrix},</math>
@@ Line 51: / Line 49: @@
 मॉडल में प्रत्येक चर का एक समीकरण होता है। प्रत्येक चर का वर्तमान (समय टी) अवलोकन अपने स्वयं के पिछड़े मूल्यों के साथ-साथ वीएआर में एक दूसरे चर के पिछड़े मूल्यों पर निर्भर करता है।
-===VAR(p) को VAR(1)=== के रूप में लिखना
+===वेक्टर ऑटोरेगेशन (VAR)(p) को वेक्टर ऑटोरेगेशन (VAR)(1)=== के रूप में लिखना
-पी लैग के साथ एक वीएआर को हमेशा एक वीएआर के रूप में फिर से लिखा जा सकता है जिसमें आश्रित चर को उचित रूप से पुनर्परिभाषित करके केवल एक अंतराल हो। नए VAR(1) निर्भर चर में VAR(p) चर के अंतराल को ढेर करने और समीकरणों की संख्या को पूरा करने के लिए पहचान जोड़ने के लिए रूपांतरण राशि।
+पी लैग के साथ एक वीएआर को हमेशा एक वीएआर के रूप में फिर से लिखा जा सकता है जिसमें आश्रित चर को उचित रूप से पुनर्परिभाषित करके केवल एक अंतराल हो। नए वेक्टर ऑटोरेगेशन (VAR)(1) निर्भर चर में वेक्टर ऑटोरेगेशन (VAR)(p) चर के अंतराल को ढेर करने और समीकरणों की संख्या को पूरा करने के लिए पहचान जोड़ने के लिए रूपांतरण राशि।
-उदाहरण के लिए, VAR(2) मॉडल
+उदाहरण के लिए, वेक्टर ऑटोरेगेशन (VAR)(2) मॉडल
 :<math>y_t = c + A_1 y_{t-1} + A_2 y_{t-2} + e_t</math>
-VAR(1) मॉडल के रूप में फिर से तैयार किया जा सकता है
+वेक्टर ऑटोरेगेशन (VAR)(1) मॉडल के रूप में फिर से तैयार किया जा सकता है
 ::<math>\begin{bmatrix}y_{t} \\ y_{t-1}\end{bmatrix} = \begin{bmatrix}c \\ 0\end{bmatrix} + \begin{bmatrix}A_{1}&A_{2} \\ I&0\end{bmatrix}\begin{bmatrix}y_{t-1} \\ y_{t-2}\end{bmatrix} + \begin{bmatrix}e_{t} \\ 0\end{bmatrix},</math>
 जहां मैं पहचान मैट्रिक्स है।
-समतुल्य VAR(1) प्रपत्र विश्लेषणात्मक व्युत्पत्तियों के लिए अधिक सुविधाजनक है और अधिक कॉम्पैक्ट कथनों की अनुमति देता है।
+समतुल्य वेक्टर ऑटोरेगेशन (VAR)(1) प्रपत्र विश्लेषणात्मक व्युत्पत्तियों के लिए अधिक सुविधाजनक है और अधिक कॉम्पैक्ट कथनों की अनुमति देता है।
 == संरचनात्मक बनाम घटा हुआ रूप ==
-===संरचनात्मक VAR===
+===संरचनात्मक वेक्टर ऑटोरेगेशन (VAR)===
-एक ''स्ट्रक्चरल VAR with p lags'' (कभी-कभी संक्षिप्त रूप में SVAR) होता है
+एक ''स्ट्रक्चरल वेक्टर ऑटोरेगेशन (VAR) with p lags'' (कभी-कभी संक्षिप्त रूप में Sवेक्टर ऑटोरेगेशन (VAR)) होता है
 :<math>B_0 y_t = c_0 + B_1 y_{t-1} + B_2 y_{t-2} + \cdots + B_p y_{t-p} + \epsilon_t,</math>
@@ Line 74: / Line 72: @@
 त्रुटि शर्तें ε<sub>t</sub>('संरचनात्मक झटके') ऊपर की परिभाषा में शर्तों (1) - (3) को संतुष्ट करते हैं, इस विशिष्टता के साथ कि सहप्रसरण मैट्रिक्स के विकर्ण के सभी तत्व <math>\mathrm{E}(\epsilon_t\epsilon_t') = \Sigma</math> शून्य हैं। यही है, संरचनात्मक झटके असंबद्ध हैं।
-उदाहरण के लिए, एक दो परिवर्तनशील संरचनात्मक VAR(1) है:
+उदाहरण के लिए, एक दो परिवर्तनशील संरचनात्मक वेक्टर ऑटोरेगेशन (VAR)(1) है:
 :<math>\begin{bmatrix}1&B_{0;1,2} \\ B_{0;2,1}&1\end{bmatrix}\begin{bmatrix}y_{1,t} \\ y_{2,t}\end{bmatrix} = \begin{bmatrix}c_{0;1} \\ c_{0;2}\end{bmatrix} + \begin{bmatrix}B_{1;1,1}&B_{1;1,2} \\ B_{1;2,1}&B_{1;2,2}\end{bmatrix}\begin{bmatrix}y_{1,t-1} \\ y_{2,t-1}\end{bmatrix} + \begin{bmatrix}\epsilon_{1,t} \\ \epsilon_{2,t}\end{bmatrix},</math>
@@ Line 87: / Line 85: @@
 ध्यान दें कि वाई<sub>2,''t''</sub> वाई पर समसामयिक प्रभाव हो सकता है<sub>1,t</sub>अगर बी<sub>0;1,2</sub> शून्य नहीं है। यह उस मामले से अलग है जब बी<sub>0</sub> पहचान मैट्रिक्स है (सभी ऑफ-विकर्ण तत्व शून्य हैं - प्रारंभिक परिभाषा में मामला), जब y<sub>2,''t''</sub> सीधे y को प्रभावित कर सकता है<sub>1,''t''+1</sub> और बाद के भविष्य के मान, लेकिन y नहीं<sub>1,''t''</sub>.
-पैरामीटर पहचान की समस्या के कारण, संरचनात्मक VAR के सामान्य न्यूनतम वर्ग अनुमान से अनुमानक # संगति पैरामीटर अनुमान प्राप्त होंगे। VAR को कम रूप में लिखकर इस समस्या को दूर किया जा सकता है।
+पैरामीटर पहचान की समस्या के कारण, संरचनात्मक वेक्टर ऑटोरेगेशन (VAR) के सामान्य न्यूनतम वर्ग अनुमान से अनुमानक # संगति पैरामीटर अनुमान प्राप्त होंगे। वेक्टर ऑटोरेगेशन (VAR) को कम रूप में लिखकर इस समस्या को दूर किया जा सकता है।
-आर्थिक दृष्टिकोण से, यदि चर के एक सेट की संयुक्त गतिशीलता को VAR मॉडल द्वारा दर्शाया जा सकता है, तो संरचनात्मक रूप अंतर्निहित, संरचनात्मक, आर्थिक संबंधों का चित्रण है। संरचनात्मक रूप की दो विशेषताएं इसे अंतर्निहित संबंधों का प्रतिनिधित्व करने के लिए पसंदीदा उम्मीदवार बनाती हैं:
+आर्थिक दृष्टिकोण से, यदि चर के एक सेट की संयुक्त गतिशीलता को वेक्टर ऑटोरेगेशन (VAR) मॉडल द्वारा दर्शाया जा सकता है, तो संरचनात्मक रूप अंतर्निहित, संरचनात्मक, आर्थिक संबंधों का चित्रण है। संरचनात्मक रूप की दो विशेषताएं इसे अंतर्निहित संबंधों का प्रतिनिधित्व करने के लिए पसंदीदा उम्मीदवार बनाती हैं:
-:1. त्रुटि शब्द सहसंबद्ध नहीं हैं। संरचनात्मक, आर्थिक झटके जो आर्थिक चर की गतिशीलता को चलाते हैं, उन्हें [[सांख्यिकीय स्वतंत्रता]] माना जाता है, जिसका अर्थ वांछित संपत्ति के रूप में त्रुटि शर्तों के बीच शून्य सहसंबंध है। यह VAR में आर्थिक रूप से असंबद्ध प्रभावों के प्रभावों को अलग करने में मददगार है। उदाहरण के लिए, ऐसा कोई कारण नहीं है कि तेल की कीमतों में आघात (आपूर्ति आघात के उदाहरण के रूप में) कपड़ों की शैली के प्रति उपभोक्ताओं की प्राथमिकताओं में बदलाव से जुड़ा हो (मांग आघात के उदाहरण के रूप में); इसलिए किसी को उम्मीद होगी कि ये कारक सांख्यिकीय रूप से स्वतंत्र होंगे।
+:1. त्रुटि शब्द सहसंबद्ध नहीं हैं। संरचनात्मक, आर्थिक झटके जो आर्थिक चर की गतिशीलता को चलाते हैं, उन्हें [[सांख्यिकीय स्वतंत्रता]] माना जाता है, जिसका अर्थ वांछित संपत्ति के रूप में त्रुटि शर्तों के बीच शून्य सहसंबंध है। यह वेक्टर ऑटोरेगेशन (VAR) में आर्थिक रूप से असंबद्ध प्रभावों के प्रभावों को अलग करने में मददगार है। उदाहरण के लिए, ऐसा कोई कारण नहीं है कि तेल की कीमतों में आघात (आपूर्ति आघात के उदाहरण के रूप में) कपड़ों की शैली के प्रति उपभोक्ताओं की प्राथमिकताओं में बदलाव से जुड़ा हो (मांग आघात के उदाहरण के रूप में); इसलिए किसी को उम्मीद होगी कि ये कारक सांख्यिकीय रूप से स्वतंत्र होंगे।
 :2. चर का अन्य चरों पर [[समकालीन प्रभाव]] हो सकता है। यह विशेष रूप से कम आवृत्ति डेटा का उपयोग करते समय एक वांछनीय विशेषता है। उदाहरण के लिए, [[अप्रत्यक्ष कर]] की दर में वृद्धि निर्णय की घोषणा के दिन [[कर राजस्व]] को प्रभावित नहीं करेगी, लेकिन उस तिमाही के आंकड़ों में एक प्रभाव देखा जा सकता है।
-===कम-रूप VAR===
+===कम-रूप वेक्टर ऑटोरेगेशन (VAR)===
-बी के व्युत्क्रम के साथ संरचनात्मक VAR का पूर्वगुणन करके<sub>0</sub>
+बी के व्युत्क्रम के साथ संरचनात्मक वेक्टर ऑटोरेगेशन (VAR) का पूर्वगुणन करके<sub>0</sub>
 : <math>y_t = B_0^{-1}c_0 + B_0^{-1} B_1 y_{t-1} + B_0^{-1} B_2 y_{t-2} + \cdots + B_0^{-1} B_p y_{t-p} + B_0^{-1}\epsilon_t,</math>
 और निरूपित करना
 : <math> B_{0}^{-1} c_0 = c,\quad B_{0}^{-1}B_i = A_{i}\text{ for }i = 1, \dots, p\text{ and }B_{0}^{-1}\epsilon_t = e_t</math>
-one ''p'' क्रम घटा हुआ VAR प्राप्त करता है
+one ''p'' क्रम घटा हुआ वेक्टर ऑटोरेगेशन (VAR) प्राप्त करता है
 :<math>y_t = c + A_1 y_{t-1} + A_2 y_{t-2} + \cdots + A_p y_{t-p} + e_t</math>
 ध्यान दें कि कम किए गए रूप में सभी दाहिने हाथ के चर समय टी पर पूर्व निर्धारित होते हैं। चूंकि दाहिने हाथ की ओर कोई समय टी अंतर्जात चर नहीं हैं, मॉडल में अन्य चर पर किसी भी चर का प्रत्यक्ष समसामयिक प्रभाव नहीं है।
-हालांकि, घटे हुए VAR में त्रुटि शब्द संरचनात्मक झटकों के सम्मिश्रण हैं e<sub>''t''</sub> = बी<sub>0</sub><sup>-1</sup>ई<sub>''t''</sub>. इस प्रकार, एक संरचनात्मक झटके ε की घटना<sub>i,t</sub>संभावित रूप से सभी त्रुटि शर्तों में झटके की घटना हो सकती है<sub>j,t</sub>, इस प्रकार सभी अंतर्जात चरों में समसामयिक गति पैदा करता है। नतीजतन, घटे हुए VAR का सहप्रसरण मैट्रिक्स
+हालांकि, घटे हुए वेक्टर ऑटोरेगेशन (VAR) में त्रुटि शब्द संरचनात्मक झटकों के सम्मिश्रण हैं e<sub>''t''</sub> = बी<sub>0</sub><sup>-1</sup>ई<sub>''t''</sub>. इस प्रकार, एक संरचनात्मक झटके ε की घटना<sub>i,t</sub>संभावित रूप से सभी त्रुटि शर्तों में झटके की घटना हो सकती है<sub>j,t</sub>, इस प्रकार सभी अंतर्जात चरों में समसामयिक गति पैदा करता है। नतीजतन, घटे हुए वेक्टर ऑटोरेगेशन (VAR) का सहप्रसरण मैट्रिक्स
 :<math>\Omega = \mathrm{E}(e_t e_t') = \mathrm{E} (B_0^{-1} \epsilon_t \epsilon_t' (B_0^{-1})') = B_0^{-1}\Sigma(B_0^{-1})'\,</math>
@@ Line 114: / Line 112: @@
 === प्रतिगमन मापदंडों का अनुमान ===
-संक्षिप्त मैट्रिक्स संकेतन से शुरू (विवरण के लिए VAR(p) का सामान्य मैट्रिक्स संकेतन देखें):
+संक्षिप्त मैट्रिक्स संकेतन से शुरू (विवरण के लिए वेक्टर ऑटोरेगेशन (VAR)(p) का सामान्य मैट्रिक्स संकेतन देखें):
 :<math> Y=BZ +U \, </math>
@@ Line 152: / Line 150: @@
 == अनुमानित मॉडल की व्याख्या ==
-VAR मॉडल के गुणों को आमतौर पर संरचनात्मक विश्लेषण का उपयोग करके संक्षेपित किया जाता है, जिसमें ग्रेंजर कारणता # बहुभिन्नरूपी विश्लेषण, [[आवेग प्रतिक्रिया]]एं और पूर्वानुमान त्रुटियों के विचरण अपघटन का उपयोग किया जाता है।
+वेक्टर ऑटोरेगेशन (VAR) मॉडल के गुणों को आमतौर पर संरचनात्मक विश्लेषण का उपयोग करके संक्षेपित किया जाता है, जिसमें ग्रेंजर कारणता # बहुभिन्नरूपी विश्लेषण, [[आवेग प्रतिक्रिया]]एं और पूर्वानुमान त्रुटियों के विचरण अपघटन का उपयोग किया जाता है।
 ===आवेग प्रतिक्रिया===
@@ Line 169: / Line 167: @@
 इस [[गणितीय प्रेरण]] प्रक्रिया से यह देखा जा सकता है कि किसी भी झटके का y के तत्वों पर समय के साथ असीम रूप से बहुत आगे प्रभाव पड़ेगा, हालांकि प्रभाव समय के साथ छोटा और छोटा होता जाएगा, यह मानते हुए कि AR प्रक्रिया स्थिर है - अर्थात, यह सब मैट्रिक्स A के मैट्रिसेस के eigenvalue#Eigenvalues और eigenvectors निरपेक्ष मान में 1 से कम हैं।
-== अनुमानित VAR मॉडल का उपयोग करके पूर्वानुमान लगाना ==
+== अनुमानित वेक्टर ऑटोरेगेशन (VAR) मॉडल का उपयोग करके पूर्वानुमान लगाना ==
 {{Main article|Autoregressive model#n-step-ahead forecasting|Autoregressive model#Evaluating the quality of forecasts}}
-[[पूर्वानुमान]] के लिए एक अनुमानित VAR मॉडल का उपयोग किया जा सकता है, और पूर्वानुमानों की गुणवत्ता को उन तरीकों से आंका जा सकता है, जो पूरी तरह से अविभाजित ऑटोरेग्रेसिव मॉडलिंग में उपयोग की जाने वाली विधियों के अनुरूप हैं।
+[[पूर्वानुमान]] के लिए एक अनुमानित वेक्टर ऑटोरेगेशन (VAR) मॉडल का उपयोग किया जा सकता है, और पूर्वानुमानों की गुणवत्ता को उन तरीकों से आंका जा सकता है, जो पूरी तरह से अविभाजित ऑटोरेग्रेसिव मॉडलिंग में उपयोग की जाने वाली विधियों के अनुरूप हैं।
 == अनुप्रयोग ==
-क्रिस्टोफर ए. सिम्स ने [[व्यापक आर्थिक]] [[अर्थमिति]] में पहले के मॉडलिंग के दावों और प्रदर्शन की आलोचना करते हुए VAR मॉडल की वकालत की है।<ref name=Sims/>उन्होंने VAR मॉडल की सिफारिश की, जो पहले समय श्रृंखला के आँकड़ों में और [[सिस्टम पहचान]] में, [[नियंत्रण सिद्धांत]] में एक सांख्यिकीय विशेषता में प्रकट हुए थे। सिम्स ने आर्थिक संबंधों का अनुमान लगाने के लिए सिद्धांत-मुक्त विधि प्रदान करने के रूप में VAR मॉडल की वकालत की, इस प्रकार यह संरचनात्मक मॉडल में अविश्वसनीय पहचान प्रतिबंधों का विकल्प है।<ref name=Sims>{{cite journal|author-link=Christopher A. Sims |last=Sims |first=Christopher |year=1980 |title=Macroeconomics and Reality |journal=[[Econometrica]] |volume=48 |issue=1 |pages=1–48 |jstor=1912017 |doi=10.2307/1912017|citeseerx=10.1.1.163.5425 }}</ref> डायरी डेटा के स्वत: विश्लेषण के लिए स्वास्थ्य अनुसंधान में VAR मॉडल का भी तेजी से उपयोग किया जा रहा है<ref name= "Kr2016">{{cite journal |author= van der Krieke | display-authors=etal | year = 2016 | title = Temporal Dynamics of Health and Well-Being: A Crowdsourcing Approach to Momentary Assessments and Automated Generation of Personalized Feedback (2016) | journal = Psychosomatic Medicine | doi= 10.1097/PSY.0000000000000378 | pmid=27551988 | pages=1}}</ref> या सेंसर डेटा।
+क्रिस्टोफर ए. सिम्स ने [[व्यापक आर्थिक]] [[अर्थमिति]] में पहले के मॉडलिंग के दावों और प्रदर्शन की आलोचना करते हुए वेक्टर ऑटोरेगेशन (VAR) मॉडल की वकालत की है।<ref name=Sims/>उन्होंने वेक्टर ऑटोरेगेशन (VAR) मॉडल की सिफारिश की, जो पहले समय श्रृंखला के आँकड़ों में और [[सिस्टम पहचान]] में, [[नियंत्रण सिद्धांत]] में एक सांख्यिकीय विशेषता में प्रकट हुए थे। सिम्स ने आर्थिक संबंधों का अनुमान लगाने के लिए सिद्धांत-मुक्त विधि प्रदान करने के रूप में वेक्टर ऑटोरेगेशन (VAR) मॉडल की वकालत की, इस प्रकार यह संरचनात्मक मॉडल में अविश्वसनीय पहचान प्रतिबंधों का विकल्प है।<ref name=Sims>{{cite journal|author-link=Christopher A. Sims |last=Sims |first=Christopher |year=1980 |title=Macroeconomics and Reality |journal=[[Econometrica]] |volume=48 |issue=1 |pages=1–48 |jstor=1912017 |doi=10.2307/1912017|citeseerx=10.1.1.163.5425 }}</ref> डायरी डेटा के स्वत: विश्लेषण के लिए स्वास्थ्य अनुसंधान में वेक्टर ऑटोरेगेशन (VAR) मॉडल का भी तेजी से उपयोग किया जा रहा है<ref name= "Kr2016">{{cite journal |author= van der Krieke | display-authors=etal | year = 2016 | title = Temporal Dynamics of Health and Well-Being: A Crowdsourcing Approach to Momentary Assessments and Automated Generation of Personalized Feedback (2016) | journal = Psychosomatic Medicine | doi= 10.1097/PSY.0000000000000378 | pmid=27551988 | pages=1}}</ref> या सेंसर डेटा।
 == सॉफ्टवेयर ==
-*R (प्रोग्रामिंग लैंग्वेज): पैकेज [https://cran.r-project.org/web/packages/vars/vars.pdf vars] में VAR मॉडल के फंक्शन शामिल हैं।<ref>[https://cran.r-project.org/web/packages/vars/vignettes/vars.pdf Bernhard Pfaff VAR, SVAR and SVEC Models: Implementation Within R Package vars]</ref><ref>{{Cite book|last=Hyndman|first=Rob J|url=https://otexts.com/fpp2/VAR.html|title=Forecasting: Principles and Practice|last2=Athanasopoulos|first2=George|publisher=OTexts|year=2018|isbn=978-0-9875071-1-2|pages=333–335|chapter=11.2: Vector Autoregressions}}</ref> अन्य आर पैकेज CRAN टास्क व्यू: टाइम सीरीज़ एनालिसिस में सूचीबद्ध हैं।
+*R (प्रोग्रामिंग लैंग्वेज): पैकेज [https://cran.r-project.org/web/packages/vars/vars.pdf वेक्टर ऑटोरेगेशन (VAR)s] में वेक्टर ऑटोरेगेशन (VAR) मॉडल के फंक्शन शामिल हैं।<ref>[https://cran.r-project.org/web/packages/vars/vignettes/vars.pdf Bernhard Pfaff VAR, SVAR and SVEC Models: Implementation Within R Package vars]</ref><ref>{{Cite book|last=Hyndman|first=Rob J|url=https://otexts.com/fpp2/VAR.html|title=Forecasting: Principles and Practice|last2=Athanasopoulos|first2=George|publisher=OTexts|year=2018|isbn=978-0-9875071-1-2|pages=333–335|chapter=11.2: Vector Autoregressions}}</ref> अन्य आर पैकेज CRAN टास्क व्यू: टाइम सीरीज़ एनालिसिस में सूचीबद्ध हैं।
-*Python (प्रोग्रामिंग भाषा): [[statsmodels]] पैकेज का tsa (समय श्रृंखला विश्लेषण) मॉड्यूल VARs का समर्थन करता है। PyFlux VARs और Bayesian VARs के लिए समर्थन करता है।
+*Python (प्रोग्रामिंग भाषा): [[statsmodels]] पैकेज का tsa (समय श्रृंखला विश्लेषण) मॉड्यूल वेक्टर ऑटोरेगेशन (VAR)s का समर्थन करता है। PyFlux वेक्टर ऑटोरेगेशन (VAR)s और Bayesian वेक्टर ऑटोरेगेशन (VAR)s के लिए समर्थन करता है।
 *[[एसएएस भाषा]]: वर्मैक्स
 * [[था]]: वर
@@ Line 191: / Line 189: @@
 * [[अभिसारी क्रॉस मैपिंग]]
 * ग्रेंजर कारणता
-*[[पैनल वेक्टर ऑटोरिग्रेशन]], [[पैनल डेटा]] के लिए VAR मॉडल का विस्तार<ref>Holtz-Eakin, D., Newey, W., and Rosen, H. S. (1988). Estimating Vector Autoregressions with Panel Data. Econometrica, 56(6):1371–1395.</ref>
+*[[पैनल वेक्टर ऑटोरिग्रेशन]], [[पैनल डेटा]] के लिए वेक्टर ऑटोरेगेशन (VAR) मॉडल का विस्तार<ref>Holtz-Eakin, D., Newey, W., and Rosen, H. S. (1988). Estimating Vector Autoregressions with Panel Data. Econometrica, 56(6):1371–1395.</ref>
 * विचरण अपघटन

v t e Economics
Theoretical economics	Microeconomics Decision theory Price theory Game theory Contract theory Mechanism design Macroeconomics Mathematical economics Computational economics Behavioral economics
Empirical economics	Econometrics Economic statistics Experimental economics Economic history
Applied economics	Agricultural Business Demographic Development Economic geography Education Environmental Ecological Financial Health Industrial organization International Labour Law and economics Monetary Natural resource Participation Economic policy Public economics Public choice Regional Socioeconomics Transportation Urban Welfare
Schools (history) of economic thought	Mainstream Heterodox American (National) Ancient thought Anarchist Mutualism Austrian Behavioral Buddhist Chartalism Modern Monetary Theory Chicago Classical Critique of political economy Disequilibrium Ecological Evolutionary Feminist Georgism Historical Institutional Keynesian Neo- (neoclassical–Keynesian synthesis) New Post- Circuitism Malthusianism Marginalism Marxian Neo- Mercantilism Neoclassical Lausanne New classical Real business-cycle theory New institutional Physiocracy Socialist Stockholm Supply-side Thermoeconomics
Notable economists and thinkers within economics	François Quesnay Adam Smith David Ricardo Thomas Robert Malthus Johann Heinrich von Thünen Friedrich List Hermann Heinrich Gossen Jules Dupuit Antoine Augustin Cournot John Stuart Mill William Stanley Jevons Carl Menger Henry George Léon Walras Alfred Marshall Georg Friedrich Knapp Francis Ysidro Edgeworth Vilfredo Pareto Eugen von Böhm-Bawerk Friedrich von Wieser John Bates Clark Thorstein Veblen John R. Commons Irving Fisher Wesley Clair Mitchell Ludwig von Mises John Maynard Keynes Joseph Schumpeter Arthur Cecil Pigou Frank Knight John von Neumann Alvin Hansen Jacob Viner Edward Chamberlin Ragnar Frisch Harold Hotelling Michał Kalecki Oskar R. Lange Jacob Marschak Gunnar Myrdal Abba P. Lerner Roy Harrod Piero Sraffa Simon Kuznets Joan Robinson E. F. Schumacher Friedrich Hayek John Hicks Tjalling Koopmans Nicholas Georgescu-Roegen Wassily Leontief John Kenneth Galbraith Hyman Minsky Herbert A. Simon Milton Friedman Paul Samuelson Kenneth Arrow William Baumol Murray Rothbard Gary Becker Elinor Ostrom Robert Solow Amartya Sen Robert Lucas Jr. Joseph Stiglitz Richard Thaler Paul Krugman Thomas Piketty more
Notable critics of economics	André Gorz Claus Peter Ortlieb Friedrich Engels Jean Baudrillard Thomas Carlyle John Ruskin Karl Marx Mahatma Gandhi Mark Fisher Orlando Patterson Paul Lafargue Robert Kurz Roman Rozdolsky Slavoj Žižek
Category Index Lists Outline Publications Business portal

Anonymous

Search

वेक्टर ऑटोरिग्रेशन: Difference between revisions

Namespaces

More

Page actions

Revision as of 23:37, 5 March 2023

Contents

विशिष्टता

परिभाषा

चरों के एकीकरण का क्रम

संक्षिप्त मैट्रिक्स संकेतन

उदाहरण

संरचनात्मक बनाम घटा हुआ रूप

संरचनात्मक वेक्टर ऑटोरेगेशन (VAR)

कम-रूप वेक्टर ऑटोरेगेशन (VAR)

अनुमान

प्रतिगमन मापदंडों का अनुमान

त्रुटियों के सहप्रसरण मैट्रिक्स का अनुमान

अनुमानक के सहप्रसरण मैट्रिक्स का अनुमान

स्वतंत्रता की डिग्री

अनुमानित मॉडल की व्याख्या

आवेग प्रतिक्रिया

अनुमानित वेक्टर ऑटोरेगेशन (VAR) मॉडल का उपयोग करके पूर्वानुमान लगाना

अनुप्रयोग

सॉफ्टवेयर

यह भी देखें

टिप्पणियाँ

अग्रिम पठन

Navigation

Navigation

Wiki tools

Wiki tools

Anonymous

Search

वेक्टर ऑटोरिग्रेशन: Difference between revisions

Revision as of 23:37, 5 March 2023

विशिष्टता

परिभाषा

चरों के एकीकरण का क्रम

संक्षिप्त मैट्रिक्स संकेतन

उदाहरण

संरचनात्मक बनाम घटा हुआ रूप

संरचनात्मक वेक्टर ऑटोरेगेशन (VAR)

कम-रूप वेक्टर ऑटोरेगेशन (VAR)

अनुमान

प्रतिगमन मापदंडों का अनुमान

त्रुटियों के सहप्रसरण मैट्रिक्स का अनुमान

अनुमानक के सहप्रसरण मैट्रिक्स का अनुमान

स्वतंत्रता की डिग्री

अनुमानित मॉडल की व्याख्या

आवेग प्रतिक्रिया

अनुमानित वेक्टर ऑटोरेगेशन (VAR) मॉडल का उपयोग करके पूर्वानुमान लगाना

अनुप्रयोग

सॉफ्टवेयर

यह भी देखें

टिप्पणियाँ

अग्रिम पठन

Navigation

Wiki tools

Page tools

Other projects

Categories