FRM PT1 Quantitative analysis 질문입니다.

• 과정명:  FRM Part1 Quantitative analysis

• 강사명:

* 퀀트과목 전체 내용 중 모르는거 정리해서 질문합니다. 굵은 폰트를 위주로 상세한 답변 부탁드립니다.

 1. 다중회귀분석

Omitted variable bias violates the assumptions of OLS regression when the omitted variable is in fact correlated with current independent (explanatory) variable(s). The reason for this violation is because omitted factors that partially describe the movement of the dependent variable will become part of the regression’s error term since they are not properly identified within the model

: 여기서 생략된 변수로 인해 위배된 OLS 회귀분석 가정이 뭔가요?

2. 추세모형의 적정성 (2019교재 172p 맨밑 문단 : pdf 기준)

Asymptotic efficiency is the property that chooses a regression model with one-step-ahead forecast error variances closest to the variance of the true model. Interestingly, the AIC is asymptotically efficient and the SIC is not asymptotically efficient.

: 이 부분 해석이 궁금합니다. 직역으로 했을 땐 SIC는 AIC보다 패널티 factor이 기하급수적으로 증가해서 점증적으로 효과적이지 않다는 건가요?

그리고 실제 회귀모형이 고려된 모형보다 복잡하면 AIC가 더 적합하다는데, 그 이유가 AIC가 모수나 변수가 많은 회귀모형을 선택하는 경향이 있어서 그런건가요?

3. 일관성(Consistency)과 Unbiased의 차이점이 뭔가요? 상세히 부탁드립니다

4. Covariance stationary (전체 문단에 대한 해석 바탕으로 설명 부탁드려요)

The covariance between the current value of a time series and its value τ period in the past is refered to as its autocavariance at displacement τ . Its autocovariances for all τ make up its autocovariance function. If a time series is covariance stationary, its autocovariance function is stable over time. That is, its autocovariance depends on the τ we choose, but does not depend on the time over which we observe the series.

As we often do when working with covariances, we can convert them to correlations to better interpret the strength of the relationships. To convert an autocovariance function to an autocorrelation function, we divide the autocovariance at each τ by the variance of the time series.

: 이 부분은 covariance stationary의 3번째 조건을 말하는거져? 'τ(전기)에 따라 공분산이 달라지지만 같은 기간차의 공분산은 동일하다'라고 해도 될까요? (2018 교재 topic26 215p)

5. Autocorelation vs, Serially corelation

The error term for one observation is not correlated with that of another observation [i.e., E(εiεj) = 0, j ≠ i].

위에 해당 회귀분석 가정에 대한 답변에서 이는 serially uncorrelated라고 얘기하고 autocorrelation이라고 표현하진 않는다 하셨는데

그럼 Estimating and Forecasting trend model 파트에서

when the residuals from a linear trend model are serially correlated (i.e., autocorrelated), a log-linear trend model may be more appropriate. 

: 이렇게 설명한 부분은 trend에서 독립변수가 'time'으로 한개라서 autocorrelation이라 표현한 건가요? 동일한 독립변수에 대한 잔차 간의 상관관계여서요