Regression To The Mean Forexpros

Por que Stocks e Gold estão prestes a reverter Course There8217s uma razão pela qual os comerciantes comerciais são regressão para os traders médios. Neste negócio, é a única coisa em que você pode bancar. É como morte e impostos, nunca falha. Todos os mercados eventualmente retornam à média. Um corolário apropriado para esta regra é que quanto mais um ativo for esticado acima ou abaixo da média, mais violenta é a regressão e, além disso, passará além da média durante o snapback. Você pode ver isso claramente no quadro abaixo. Observe que durante o mercado Bull de 2002 a 2007, o SampP nunca se estendeu muito acima da média móvel de 200 dias (até a fase final de euforia em 2007). Conseqüentemente, cada correção intermediária foi interrompida ou ligeiramente abaixo da média móvel de 200 dias. Isso mudou quando o novo mercado de touro cíclico começou em 2009. Isso mudou porque os mercados não podiam trocar naturalmente. Eles foram entortados por doses maciças de flexibilização quantitativa. Isso fez com que os mercados esticassem muito acima da média móvel de 200 dias do que teria ocorrido normalmente. As conseqüências, é claro, foram que, quando as correções atingiram, eles desenrolaram violentamente e se moveram muito mais abaixo do 200 DMA do que teria ocorrido naturalmente. Este mercado de touro é muito mais volátil do que o anterior, porque o mercado está sendo conduzido por debilidade cambial em vez de uma verdadeira expansão econômica. Agora estamos em uma situação em que o mercado de ações foi esticado ridiculamente bem acima da média por QE 3 amp. 4. Confie em mim, Bernanke não aboliu as forças de regressão para a média. Tudo o que ele fez é garantir que a regressão seja múltiplos múltiplos mais violentos do que deveria ter sido. Quando essa casa de cartas derruba, acho que há uma boa chance de que isso seja ainda mais severo do que aconteceu em 2011. Observe também as setas vermelhas que marcam os principais pontos de rotação cíclicos do mercado de touro e urso. Observe que o Fed torceu o último mercado de toros cíclico muito maior e mais longo do que deveria ter ocorrido naturalmente (ele transformou um ciclo de 4 anos em um ciclo de 6 12 anos). Conseqüentemente, as forças de regressão responderam desencadeando o segundo maior mercado urso da história. O atual mercado alcista cíclico, embora não esticado tão longo no tempo, é extremamente esticado em magnitude, pelo que o mercado ósseo resultante quase certamente será excepcionalmente violento e prolongado. Regra de regressão média: sem falhas, a liquidez eventualmente encontra seu caminho em ativos subvalorizados. Um corolário adequado a essa regra seria que a liquidez acabará por encontrar a saída dos ativos superestimados. A menos que Bernanke tenha encontrado uma maneira de quebrar a lei natural da regressão para a média (ele não tem), em algum momento, veremos liquidez fugir do mercado de ações sobrevalorizado. Quando é que vai buscar ativos subvalorizados para aterrar. Nada é mais subavaliado na minha opinião do que commodities em geral e metais preciosos em particular. A regressão ao meio não se aplica apenas aos ativos esticados para o lado oposto. Também atua para levitar ativos extremamente deprimidos, e as mesmas regras se aplicam. Quanto mais um ativo é esticado abaixo da média, mais violentamente a regressão geralmente é uma vez que o escape de vendas. Considerando que o ouro agora está esticado em torno da média móvel de 200 dias, como foi em 2008, a reunião, quando chegar, deve ser tão poderosa, senão mais do que vimos em 2009. Na minha opinião, agora temos a Configurar para dirigir qualquer outra onda em C, maior ou maior do que a do fundo de 2008, ou esta é a configuração para conduzir a fase de bolhas do mercado de touro. Regresso à ameaça de regressão média A, também conhecida como regressão Artefato ou regressão para a média é um fenômeno estatístico que ocorre sempre que você tem uma amostra não aleatória de uma população e duas medidas imperfeitamente correlacionadas. A figura mostra a regressão ao fenômeno médio. A parte superior da figura mostra a distribuição do pré-teste para uma população. As pontuações de pré-teste são normalmente distribuídas, a distribuição de freqüência parece uma curva em forma de sino. Suponha que a amostra para o seu estudo tenha sido selecionada exclusivamente dos avaliadores de pré-teste. Você pode ver na parte superior da figura onde o seu pré-teste significa - claramente, é consideravelmente abaixo da média da população. O que nós preveremos que o post-teste pareça Primeiro, vamos assumir que seu programa ou tratamento não funciona de forma alguma (o caso nulo). Nossa suposição ingênua seria que nossa amostra avaliaria tão mal no pós-teste quanto no pré-teste. Mas eles não. O fundo da figura mostra onde as amostras pós-teste significam ter sido sem regressão e onde é realmente. Na realidade, as amostras pós-teste significam uma ferida mais próxima da média da população pós-teste do que a média de pré-teste para a média da população pré-teste. Em outras palavras, as amostras significam que regressa em direção à média da população de pré-teste para pós-teste. Por que isso acontece Vamos começar com uma explicação simples e trabalhar a partir daí. Para ver por que regressão à média acontece, considere um caso concreto. No seu estudo, você seleciona os 10 mais baixos da população com base no seu resultado pré-teste. Quais são as chances de que, no pós-teste desse grupo exato, mais uma vez constitua o menor dez por cento. Não é provável. A maioria deles provavelmente estará nos dez por cento mais baixos no pós-teste, mas se mesmo alguns são poucos, então seus grupos terão que estar mais próximos das populações pós-teste do que para o pré-teste. O mesmo é verdadeiro no outro lado. Se você selecionar como sua amostra os artilheiros de pré-teste de dez por cento mais altos, eles provavelmente não serão os dez por cento mais altos no pós-teste (embora a maioria deles esteja nos dez maiores por cento). Se até mesmo alguns poucos pontos abaixo do top dez por cento no pós-teste seus grupos pós-teste significa terão que estar mais perto da população pós-teste do que a média de pré-teste. Aqui estão algumas coisas que você precisa saber sobre a regressão ao fenômeno médio: a regressão para a média ocorre por duas razões. Primeiro, isso resulta porque você foi amostrado assimetricamente da população. Se você aleatoriamente provar da população, você observaria (sujeito a erro aleatório) que a população e sua amostra tinham a mesma média de pré-teste. Como a amostra já está na média da população no pré-teste, é impossível que eles regredam em direção à média da população. Você não pode dizer de que maneira a pontuação de um indivíduo se moverá com base na regressão ao fenômeno médio. Mesmo que a média dos grupos se mova em direção às populações, alguns indivíduos do grupo provavelmente se moverão na outra direção. Heres um erro de pesquisa comum. Você executa um programa e não encontra nenhum efeito de grupo geral. Então, você decide olhar para aqueles que fizeram o melhor no pós-teste (suas histórias de sucesso) e ver o quanto eles ganharam durante o pré-teste. Você está selecionando um grupo que é extremamente alto no pós-teste. Eles provavelmente não serão os melhores no pré-teste também (embora muitos deles sejam). Assim, o seu pré-teste significa que deve estar mais próximo da média da população do que o seu pós-teste. Você descreve esse bom ganho e está quase pronto para escrever seus resultados quando alguém sugere que olhe para os casos de falha, as pessoas que marcam o pior em seu post-teste. Quando você verifica como eles estavam fazendo no pré-teste, você achou que eles eram os piores artilheiros lá. Se tivessem sido os piores artilheiros nas duas vezes, você simplesmente teria dito que seu programa não teve nenhum efeito sobre eles. Mas agora parece pior do que isso - parece que seu programa realmente os piorou em relação à população O que você fará Como você sempre obterá sua concessão renovada Ou seu artigo publicado Ou, o céu ajudá-lo, como você vai se manter O que você tem que perceber é que o padrão de resultados que acabei de descrever acontecerá sempre que você medir duas medidas. Isso acontecerá em frente no tempo (isto é, do pré-teste para o pós-teste). Isso acontecerá para trás no tempo (ou seja, pós-teste para pré-teste). Isso acontecerá através de medidas coletadas ao mesmo tempo (por exemplo, altura e peso). Isso acontecerá, mesmo que você não dê seu programa ou tratamento. Não tem nada a ver com as tendências globais de maturação. Observe na figura acima que não me incomodava de rotular o eixo dos x na distribuição de pré-teste ou pós-teste. Pode ser que todos na população ganhem 20 pontos (em média) entre o pré-teste e o pós-teste. Mas a regressão à média ainda funcionaria, mesmo nesse caso. Ou seja, os marcadores baixos, em média, estarão ganhando mais do que o ganho populacional de 20 pontos (e, portanto, seu significado seria mais próximo das populações). Se a sua amostra for composta por marcadores de média abaixo da população, a regressão para a média fará aparecer que eles se movem para a outra medida. Mas se a sua amostra é composta por artilheiros altos, sua média parecerá diminuir em relação à população. (Note-se que, mesmo que os aumentos médios, eles poderiam estar perdendo terreno para a população. Portanto, se uma amostra de pontuação alta antes de ganhar cinco pontos no pós-teste, enquanto a amostra geral ganha 15, nós suspeitaríamos de regressão para a média como um Explicação alternativa para o nosso programa para essa mudança relativamente baixa). Quanto mais extremo o grupo de amostra, maior a regressão para a média. Se sua amostra difere da população apenas um pouco na primeira medida, não haverá muita regressão para a média, porque não há muito espaço para eles regredirem - eles já estão perto da média da população. Então, se você tem uma amostra, mesmo uma não-aleatória, essa é uma subamostra bastante boa da população, a regressão para a média será inconsequente (embora esteja presente). Mas se a sua amostra é muito extrema em relação à população (por exemplo, a menor ou maior x), sua média está mais longe das populações e tem mais espaço para regredir. Quanto menos correlacionadas as duas variáveis, maior a regressão para a média. O outro fator principal que afeta a quantidade de regressão para a média é a correlação entre as duas variáveis. Se as duas variáveis ​​estiverem perfeitamente correlacionadas - o melhor marcador em um é o mais alto do outro, o mais próximo em um é o mais próximo do outro, e assim por diante - não haverá regressão para a média. Mas isso provavelmente não ocorrerá na prática. Sabemos, por meio da teoria das medições, que não existe uma medida perfeita - toda medida é assumida (sob o modelo de pontuação real) para ter algum erro aleatório na medição. É somente quando a medida não tem erro aleatório - é perfeitamente confiável - que podemos esperar que ele possa se correlacionar perfeitamente. Uma vez que isso não acontece no mundo real, devemos assumir que as medidas têm algum grau de falta de confiabilidade e que as relações entre medidas não serão perfeitas e que haverá regressão à média entre essas duas medidas, dada de forma assimétrica Subgrupos amostrados. A fórmula para a porcentagem de regressão para a média Você pode estimar exatamente a porcentagem de regressão para a média em qualquer situação. A fórmula é: P rm a porcentagem de regressão para a média r a correlação entre as duas medidas. Considere os quatro casos seguintes: se r 1, não há regressão (ou seja, 0) para a média se r .5, há 50 regressões Para a média se r .2, há 80 regressões para a média se r 0, há 100 regressões para a média. No primeiro caso, as duas variáveis ​​estão perfeitamente correlacionadas e não há regressão à média. Com uma correlação de .5, o grupo amostrado move cinquenta por cento da distância do ponto de não regressão para a média da população. Se a correlação for pequena .20, a amostra regurgirá 80 da distância. E, se não houver correlação entre as medidas, a amostra regredirá todo o caminho de volta para a média da população. Vale a pena pensar sobre o que este último caso significa. Com correlação zero, conhecer uma pontuação em uma medida não lhe dá absolutamente nenhuma informação sobre a pontuação provável para essa pessoa na outra medida. Nesse caso, seu melhor palpite de como qualquer pessoa realizaria na segunda medida será o meio dessa segunda medida. Estimativa e correção da regressão para a média Dada a nossa fórmula de porcentagem, para qualquer situação, podemos estimar a regressão para a média. Tudo o que precisamos saber é o significado da amostra na primeira medida que a população significa em ambas as medidas e a correlação entre as medidas. Considere um exemplo simples. Aqui, presumo que a população pré-teste significa 50 e que selecionamos uma amostra de pontuação baixa pré-teste que tem uma média de 30. Para começar, vamos assumir que não damos nenhum programa ou tratamento (ou seja, o caso nulo) e Que a população não está mudando ao longo do tempo sobre a característica que está sendo medida (isto é, estado estacionário). Diante disso, prevemos que a média da população seria de 50 e que a amostra obtivesse uma pontuação pós-teste de 30 se não houvesse regressão à média. Agora, suponha que a correlação é .50 entre o pré-teste e o pós-teste para a população. Dada a nossa fórmula, esperamos que o grupo amostrado regresse 50 da distância do ponto de não regressão para a média da população, ou 50 do caminho de 30 para 50. Neste caso, observaríamos uma pontuação de 40 para O grupo amostrado, o que constituiria um efeito de pseudo-efeito ou regressão de 10 pontos. Agora, vamos relaxar alguns dos pressupostos iniciais. Por exemplo, vamos assumir que, entre o pré-teste e o pós-teste, a população ganhou 15 pontos em média (e que esse ganho foi uniforme em toda a distribuição, ou seja, a variância da população permanece igual nas duas ocasiões de medição). Neste caso, espera-se que uma amostra que tenha uma média de pré-teste de 30 obtenha uma média pós-teste de 45 (ou seja, 3015) se não houver regressão para a média (ou seja, r1). Mas aqui, a correlação entre pré-teste e pós-teste é de .5 então esperamos ver uma regressão para a média que cobre 50 da distância da média de 45 para a média pós-média de 65. Ou seja, observamos uma média pós-teste de 55 para a nossa amostra, novamente um pseudo-efeito de 10 pontos. A regressão ao meio é uma das ameaças mais difíceis de validade. É sutil em seus efeitos, e até mesmo pesquisadores excelentes às vezes não conseguem capturar um potencial artefato de regressão. Você pode querer aprender mais sobre a regressão para o fenômeno médio. Uma boa maneira de fazer isso seria simular o fenômeno. Se você não está familiarizado com a simulação, você pode obter uma boa introdução no The Simulation Book. Se você já entende a idéia básica de simulação, você pode fazer uma simulação manual (ropor de dados) de artefatos de regressão ou uma simulação computadorizada de artefatos de regressão.