Given the mixture of I(0) and I(1)

Given the mixture of I(0) and I(1) variables, we opt to utilise
Autoregressive Distributive Lag (ARDL) models, to forecast the NPL
ratios, which is more suited for such cases. Since the specific lag structure
of the variables is not known, the general-to-specific approach is used
where initially a general model is estimated, and subsequently reduced in
size and complexity. The idea behind this approach is that once the
general specification is adequate to model the data including diagnostic
checks, any model that is more parsimonious is considered to be an
improvement, as long as it conveys the same information, in a simpler
more compact form. Hence, the variables removed must not have been
contributing to the desired results of the model.

Kết quả (Việt) 1:

Cho hỗn hợp của biến I(0) và I(1), chúng tôi lựa chọn để sử dụngMô hình autoregressive phân phối tụt hậu (ARDL), để dự báo NPLtỷ lệ, mà là thích hợp hơn cho các trường hợp như vậy. Kể từ khi các cấu trúc cụ thể tụt hậuCác biến không được biết, cách tiếp cận tổng hợp cụ thể được sử dụngnơi ban đầu một mô hình tổng quát ước tính, và sau đó giảm xuốngKích thước và độ phức tạp. Ý tưởng đằng sau cách tiếp cận này là rằng một khi cácđặc điểm kỹ thuật nói chung là đủ để mô hình dữ liệu bao gồm cả chẩn đoánkiểm tra, bất kỳ mô hình đó là hơn parsimonious được coi là mộtcải tiến, miễn là nó truyền tải các thông tin tương tự, trong một đơn giảnmẫu compact nhiều hơn nữa. Do đó, các biến loại bỏ không hẳnđóng góp cho các kết quả mong muốn của các mô hình.

Kết quả (Việt) 2:

Cho hỗn hợp của tôi (0) và I (1) các biến, chúng tôi lựa chọn để sử dụng
tự hồi quy Phân Phối Lag (ARDL) các mô hình, dự báo tỷ lệ nợ xấu
tỷ lệ, mà là phù hợp hơn cho các trường hợp như vậy. Kể từ khi cấu trúc lag cụ thể
của các biến không được biết, cách tiếp cận chung để cụ thể được sử dụng
mà ban đầu một mô hình chung được ước tính, và sau đó giảm
kích thước và độ phức tạp. Ý tưởng đằng sau phương pháp này là một khi các
đặc điểm kỹ thuật nói chung là đủ để mô hình dữ liệu bao gồm chẩn đoán
kiểm tra, bất kỳ mô hình đó là tiêu dùng tiết kiệm hơn được coi là một
cải thiện, miễn là nó truyền tải cùng một thông tin, trong một đơn giản
hình thức nhỏ gọn hơn. Do đó, các biến bị loại bỏ không phải đã được
đóng góp vào kết quả mong muốn của mô hình.