Há três livros que eu sempre me refiro a uma perspectiva de R e programação de séries temporais: O primeiro livro de Shumway e Stoffer tem uma versão em aberto (abreviada) disponível on-line chamada versão EZgreen. Se você está especificamente olhando para a previsão de séries temporais, eu recomendaria seguintes livros: Métodos de Previsão e Aplicações por Makridakis, Wheelwright e Hyndman. Eu continuo a referir-se a este livro repetidamente, Este é um clássico, estilo de escrita é absolutamente fenomenal. Um sucessor em linha ao livro acima com exemplos agradáveis de R é previsão princípios e prática por Hyndman e Athanasopoulos. Se você estiver olhando clássico Box Jenkins modelagem abordagem, eu recomendaria Time Series Analysis: Previsão e Controle por Box, Jenkins e Reinsel. Um tratamento excepcional na modelagem e previsão de funções de transferência está em Previsão com Modelos de Regressão Dinâmica por Pankratz. Novamente o estilo de escrita é absolutamente grande. Outra extremamente útil se você em aplicação de previsão para resolver problemas do mundo real é Princípios de Previsão por Armstrong. Na minha opinião, os livros 1, 4 e 5 são alguns dos melhores dos melhores livros. Muitos gostam de princípios de previsão e prática por Hyndman e Athanasopoulos porque seu código aberto e tem códigos de R. Não há maneira mais próxima da amplitude, da profundidade da cobertura dos métodos de previsão e do estilo de escrita do predecessor Makridakis et al. Abaixo estão algumas características contrastantes sobre por que eu gosto do Makridakis et al: Lista de referências: por exemplo, na caixa de Jenkins capítulo Makridakis et al tem 31 referências, Hyndman et al há muito pouca ou nenhuma referência em muitos capítulos. Amplitude e Profundidade na cobertura - Hyndman et al. Principalmente foco em métodos Univariados especialmente desenvolvido pelo primeiro autor, enquanto Makridakis et. Al foco não apenas em sua própria pesquisa, mas uma grande variedade de métodos e aplicação e também ênfase está na aplicação do mundo real e de aprendizagem em oposição a ser mais academicamente focado. Estilo de escrita - eu realmente não posso reclamar como ambos os livros são excepcionalmente bem escrito. No entanto, eu pessoalmente me inclino para Makridakis porque ele resume conceitos complexos em seções leitor amigável. Há uma seção sobre regressão dinâmica ou funções de transferência, eu não tenho onde encontrou explicação tão clara sobre este método complexo. É preciso talento de escrita extraordinária para ajudar o leitor a entender o que a regressão dinâmica está em 15 páginas e eles conseguem isso. Makridakis et al é softwaremethod agnóstico e eles lista alguns pacotes de software útil e compará-los e contrastá-los (embora este é quase 20 anos de idade) ainda é um muito valioso para um praticante. Três capítulos dedicados sobre como aplicar a previsão no mundo real em Makridakis et al. Que é grande mais para ter para um praticante. A previsão simplesmente não está executando métodos univariados como arima e suavização exponencial e produzindo resultados. É muito mais do que isso, e especialmente previsão estratégica quando você está olhando em horizonte mais longo. Princípios de previsão por Armstrong vai além dos métodos de extrapolação univariada e é altamente recomendado para quem faz previsão do mundo real, especialmente a previsão estratégica. Se você achar Hamilton muito difícil, então há Introdução à Modelação Econométrica Princeton Uni Press por Bent Nielsen e David Hendry. Concentra-se mais na intuição e nos procedimentos práticos do que a teoria mais profunda. Então, se você está em uma restrição de tempo, então que seria uma boa abordagem. Eu ainda recomendaria perseverar com Time Series Analysis by Hamilton. É muito profundo matematicamente e os quatro primeiros capítulos irão mantê-lo ir por um longo tempo e servir como uma introdução muito forte para o tópico. Ele também cobre Granger não-causalidade e cointegration e se você decidir prosseguir este tópico mais profundamente, então é em recurso inestimável. Para um tratamento mais intuitivo da cointegração, eu também recomendaria Cointegração, Causalidade e Previsão por Engle e White. Finalmente, para tratamentos muito avançados, há Soren Johansens livro Inferência baseada em verossimilhança em Cointegrated VARs e, claro, David Hendrys Dynamic Econometrics. Entre esses dois, eu acho que Hendrys é mais orientado para grandes figuras e Johansen é muito duro na matemática. Respondido Mar 7 15 at 13:25 Hirek, você notou a primeira frase da pergunta, onde o cartaz explica que eles já estão usando Hamilton e não entendê-lo. E quero algo mais ndash Glenb 9830 Mar 14 15 at 14:35 Ha totalmente ignorado que desculpe Glenb ndash Hirek 14 de março 15 em 16:44 Na minha opinião, você realmente não pode bater Previsão: princípios e prática. Seu escrito por CVs próprio Rob Hyndman e George Athanasopoulos, está disponível gratuitamente online, e tem toneladas de código de exemplo em R, fazendo uso do excelente pacote de previsão. Se você usar Stata, Introdução à série de tempo usando Stata por Sean Becketti é uma introdução sólida suave, com muitos exemplos e uma ênfase na intuição sobre a teoria. Acho que este livro complementaria Ender bastante bem. O livro abre com uma introdução à linguagem Stata, seguida por uma rápida revisão da regressão e testes de hipóteses. A parte da série temporal começa com a média móvel e as técnicas HoltWinters para suavizar e prever os dados. A próxima seção focaliza o uso destes para a previsão de técnicas. Estes métodos são frequentemente negligenciados, mas funcionam bastante bem para a previsão automatizada e são fáceis de explicar. Becketti explica quando eles vão trabalhar e quando eles não. Os próximos capítulos abordam modelos de séries temporais de uma única equação, como perturbações autocorrelacionadas, ARIMA e modelagem ARCHGARCH. No final, Becketti discute modelos de equações múltiplas, particularmente VARs e VECs, e séries temporais não-estacionárias. Dimitriy V. Masterov Theres o NBER Summer Institute O que é novo na série de tempo Econometria (não tenho certeza se este material é fechado ou não). Existem vídeos com slides acompanhantes. As palestras são dadas por um par de professores (Stock e Watson), que são conhecidos por seu livro de graduação popular econometria. Nós estamos procurando respostas longas que fornecem alguma explicação e contexto. Não dê apenas uma resposta de uma linha para explicar por que sua resposta é correta, idealmente com citações. As respostas que não incluam explicações podem ser removidas. HILL GRIFFITHS LIM 2017 Princípios de Econometria 4E Wiley Vantagens: (1) Muito fácil de seguir. Os tópicos estão bem apresentados. Mesmo que eu não fiz nenhum curso econométrico em minha vida, eu facilmente compreendeu econometria introdutória com o livro. (2) Há livros suplementares para entender HILLs livro: a. Usando EViews para Princípios de Econometria b. Usando o Excel para Princípios de Econometria c. Utilizando Gretl para Princípios de Econometria d. Usando o Stata para Princípios de Econometria Desvantagens: (1) Não há Uso de R para Princípios de Econometria R é padrão da indústria. R é melhor que Python. As matemáticas em mente podem ser melhor refletidas no código via R (estou dizendo isso como uma pessoa que escreveu módulos VBA no Excel, escreveu códigos Gretl, escreveu códigos Eviews). Eu econometria auto-iniciado com GREENE 2017 Econometric Analysis - W. H. GREENE 7E PearsonPrentice Hall Este também é bom, mas mais teórico pode ser difícil para os iniciantes. Em resumo, eu recomendo fortemente agarrar Econometrics com livro de Hills, e aplicar essa compreensão através de outro livro de Econometry que é baseado em curingas de R. Stata e atalhos curingas são extremamente úteis. Eles podem economizar muito tempo, bem como criar resultados de codificação que são de outra forma impossível ou extremamente difícil de molhar. Vamos primeiro gerar um punhado de variáveis para experimentar: gl A c3a3aa a1 a2 a3 b2 b3 b4 c3 c4 c5 a3a3 clear set obs 12 Isto irá percorrer cada elemento do global A e gerar variáveis correspondentes. Foreach v em A gen vrnormal () Agora, se quisermos usar apenas algumas das variáveis com caracteres curinga. A. permite que um personagem para ser a soma selvagem a Às vezes podemos usar combinações de estrelas e. Para segmentar grupos específicos de variáveis sum 3a Uma estrela permite que qualquer número de caracteres seja a suma selvagem a Também podemos nos referir a variáveis através de especificações de intervalo variável: Stata 14 NEW Stata 14 é um pacote estatístico completo e integrado que fornece tudo o que você precisa para Análise de dados, gerenciamento de dados e gráficos. O Stata não é vendido em módulos, o que significa que você obtém tudo o que precisa em um pacote. OxMetrics O OxMetrics fornece uma solução integrada para a análise econométrica de séries temporais, previsão, modelagem econométrica financeira ou análise estatística de dados de corte transversal e de painel. EViews NEW EViews 9 oferece aos pesquisadores acadêmicos, corporações, agências governamentais e estudantes acesso a poderosas ferramentas estatísticas, de previsão e modelagem através de uma interface orientada a objetos inovadora e fácil de usar. O Forecast Pro Forecast Pro é um software de previsão rápido, fácil e preciso para profissionais de negócios. GAUSS GAUSS é um conjunto rápido, poderoso e altamente adaptável de software e ferramentas analíticas. NVivo NVivo é um software que suporta pesquisa de métodos qualitativos e mistos. Ele permite coletar, organizar e analisar conteúdo. Análise de efeitos de tratamento IRT (Teoria de Resposta de Item) Análise Suporte para Unicode Stata em novas linguagens Novos comandos de série de tempo e muito mais Licença de Usuário Final O acordo Stata 14 é um pacote estatístico completo e integrado que fornece tudo o que você precisa para análise de dados, gerenciamento de dados e gráficos. O Stata não é vendido em módulos, o que significa que você obtém tudo o que precisa em um pacote. E, você pode escolher uma licença perpétua, com nada mais para comprar nunca. Licenças anuais também estão disponíveis. Todos os seguintes sabores do Stata têm o mesmo conjunto completo de comandos e recursos e manuais incluídos como documentação em PDF no Stata. StataMP: A versão mais rápida do Stata (para computadores de núcleo duplo e multicoremultiprocessor) StataSE: Stata para grandes conjuntos de dados StataIC: Stata para conjuntos de dados de tamanho moderado Small Stata: Uma versão do Stata que lida com pequenos conjuntos de dados. Comparação de recursos StataMP é a versão mais rápida e maior do Stata. A maioria dos computadores comprados desde meados de 2006 pode aproveitar o multiprocessamento avançado do StataMP. Isso inclui o Intel Coretrade 2 Duo, i3, i5, i7 e os chips de núcleo duplo AMD X2. Em chips de dual-core, o StataMP executa 40 mais rápido e 72 mais rápido onde importa - nos comandos de estimativa demorados. Com mais de dois núcleos ou processadores, o StataMP é ainda mais rápido. StataMP é uma versão do StataSE que é executado em multiprocessador e computadores multicore. O StataMP fornece o suporte mais extenso para computadores multiprocessadores e computadores multicore de qualquer pacote de estatísticas e gerenciamento de dados. A coisa excitante sobre StataMP, ea única diferença entre StataMP e StataSE, é que StataMP corre mais rápido mais rápido. O StataMP permite analisar dados entre metade e dois terços do tempo em comparação com o StataSE em desktops e laptops de baixo custo e em um quarto a uma metade do tempo em desktops quad-core. StataMP executa ainda mais rápido em servidores multiprocessador. StataMP suporta até 64 processorscores. Em um mundo perfeito, o software seria executado duas vezes mais rápido em dois núcleos, quatro vezes mais rápido em quatro núcleos, oito vezes mais rápido em oito núcleos e assim por diante. Em todos os comandos, o StataMP é executado 1,6 vezes mais rápido em dois núcleos, 2,1 vezes mais rápido em quatro núcleos e 2,7 vezes mais rápido em oito núcleos. Esses valores são melhorias de velocidade mediana. Metade dos comandos é executada ainda mais rápido. No outro lado da distribuição, alguns comandos não são executados mais rapidamente, muitas vezes porque eles são inerentemente seqüenciais, como comandos de séries temporais. Stata trabalhou duro para se certificar de que os ganhos de desempenho para os comandos que levam mais tempo para executar seria maior. Em todos os comandos de estimativa, o StataMP é executado 1,8 vezes mais rápido em computadores dual-core, 2,8 vezes mais rápido em computadores quad-core e 4,1 vezes mais rápido em computadores com oito núcleos. StataMP é compatível com outras 100 versões de com Stata. As análises não precisam ser reformuladas ou modificadas de nenhuma forma para obter melhorias de velocidade do StataMPs. O StataMP está disponível para os seguintes sistemas operacionais: Windows (processadores de 32 e 64 bits) Mac OS X (processadores Intel de 64 bits) Linux (processadores de 32 e 64 bits) Solaris (64 bits SPARC e x86-64) . Para executar o StataMP, você pode usar um computador desktop com um processador dual-core ou quad-core, ou você pode usar um servidor com vários processadores. Se um computador tem processadores separados ou um processador com vários núcleos não faz diferença. Mais processadores ou núcleos tornam o StataMP mais rápido. Para obter mais conselhos sobre a compra de upgrade para StataMP ou para consultas de hardware, entre em contato com nossa equipe de vendas. O Stata SE executa da mesma forma que o StataMP, permitindo o mesmo número de variáveis e observações ea única diferença é que não é projetado para processamento paralelo. Além disso, StataSE, StataIC e Stata Small diferem apenas no tamanho do conjunto de dados que cada um pode analisar StataSE e StataMP pode caber modelos com variáveis mais independentes do que StataIC (até 10.998). StataIC permite conjuntos de dados com até 2.047 variáveis. O número máximo de observações é de 2,14 bilhões. StataIC pode ter no máximo 798 variáveis do lado direito em um modelo. Small Stata é limitado a analisar conjuntos de dados com um máximo de 99 variáveis e 1.200 observações. Small Stata pode ter no máximo 99 variáveis do lado direito em um modelo. Comparação de recursos O número máximo de observações é limitado apenas pela quantidade de RAM disponível em seu sistema. Se você é um estudante ou um profissional de pesquisa experiente, uma série de pacotes Stata estão disponíveis e projetados para atender todas as necessidades. StataMP: A versão mais rápida do Stata (para computadores com processadores dual e multicoremulti) StataSE: Stata para grandes conjuntos de dados StataIC: Stata para tamanhos moderados Conjuntos de dados Small Stata: Uma versão do Stata que lida com pequenos conjuntos de dados (apenas para compras educacionais) O que Stata é certo para mim O resumo acima mostra os pacotes Stata disponíveis. StataMP é a versão mais rápida e maior do Stata. A maioria dos computadores comprados após meados de 2006 pode aproveitar os avançados recursos de multiprocessamento do StataMP. StataMP, StataSE e StataIC todos executar em qualquer máquina, mas StataMP executa mais rápido. Você pode comprar uma licença StataMP para até o número de núcleos em sua máquina (a maioria é 64). Por exemplo, se sua máquina tiver oito núcleos, você pode comprar uma licença StataMP para oito núcleos (StataMP8), quatro núcleos (StataMP4) ou dois núcleos (StataMP2). StataMP também pode analisar mais dados do que qualquer outro sabor de Stata. O StataMP pode analisar de 10 a 20 bilhões de observações com os maiores computadores atuais e está pronto para analisar até 281 trilhões de observações uma vez que o hardware do computador atinja. StataSE, StataIC e Small Stata diferem apenas no tamanho do conjunto de dados que cada um pode analisar. StataSE e StataMP podem caber modelos com mais variáveis independentes que StataIC (até 10,998). O StataSE pode analisar até 2 bilhões de observações. StataIC permite conjuntos de dados com até 2.047 variáveis e 2 bilhões de observações. StataIC pode ter no máximo 798 variáveis do lado direito em um modelo. Small Stata é limitado a analisar conjuntos de dados com um máximo de 99 variáveis e 1.200 observações. Small Stata pode ter no máximo 98 variáveis do lado direito em um modelo. Nota: O número de variáveis e observações permitidas por Small Stata inclui as variáveis adicionais ou observações geradas durante cálculos estatísticos. Novos recursos no Stata 14 Stata 14 tem 102 novos recursos e é um dos maiores lançamentos da Stata e oferece novas capacidades de pesquisa para usuários em uma variedade de campos, tais como: economia, pesquisadores de saúde, epidemiologistas, sociólogos, psicólogos, Cientistas políticos e econometristas. Comandos de análise bayesiana A introdução de comandos de análise bayesiana (modelos lineares univariados e multivariados, GLM univariados, modelos não-lineares univariados e generalizados, etc.) suportados por um novo manual de referência Stata Bayesian Analysis. O Stata 14 inclui 12 modelos de verossimilhança embutidos e 22 distribuições prévias incorporadas, entre outros recursos úteis. Modelos mais extensos de efeitos de tratamento A análise de efeito de tratamento está agora disponível para uma classe de modelos muito mais ampla. A estimativa de efeito-tratamento endógeno está agora disponível para resultados contínuos, binários, de contagem e fracionários. Os efeitos do tratamento podem agora ser estimados a partir de dados de sobrevivência observacionais. Mais análise IRT (item resposta teoria) Stata 14 agora suporta modelos IRT para itens binários (1-3 PL), itens categóricos (resposta nominal), itens ordinais (resposta graduada, escala de classificação e crédito parcial) e qualquer combinação desses modelos. Mais Stata em novas linguagens A interface de usuário Statas está agora disponível em espanhol e japonês. Mais Novos recursos adicionais adicionados no Stata 14 são: Você pode ajustar uma variedade de modelos de sobrevivência de vários níveis, como modelos de efeitos mistos exponenciais e Weibull. Mais Você pode executar a inferência de pequenas amostras em modelos mistos lineares usando vários métodos denominadores de graus de liberdade, incluindo o método Kenward-Roger. Mais Novos comandos de séries temporais. Mais Estimadores de dados de painel novos e estendidos. Mais Você pode calcular o tamanho do poder e da amostra para análises de tabela de contingência epidemiológica. Mais Stata agora entende Unicode. Mais Você pode realizar o teste modelo ajustado Satorra-Bentler para SEMs com dados que normalmente não são distribuídos. Mais Você pode estimar modelos de taxas, proporções e outras respostas fracionárias usando regressão beta e modelos de regressão fracional. Você pode estimar modelos de Poisson com variáveis dependentes censuradas. O StataMP agora permite mais de 2,1 bilhões de observações até 20 bilhões de observações, dado o maior computador atual, e está pronto para mais uma vez que o hardware do computador atinja. Mais CID-10 códigos. Mais pesos ao nível do palco. Mais Além de: churdle para estimar modelos de obstáculos lineares e exponenciais betareg e fracreg para fracionário respostas, proporções, taxas, etc cpoisson para estimar Poisson censurado modelos ztest e ztesti comandos para calcular z-estatísticas Post-estimativa Seletor que simplifica muito postetimation análise Quase todos Os comandos de estimativa no Stata agora suportam variáveis fatoras Uma infinidade de melhorias nas margens, como a capacidade de fazer várias previsões de cada vez e ter as predições padrão refletem a melhor escolha para a análise marginal Vários novos utilitários para ajudá-lo a gerenciar melhor os gráficos Novo Início rápido Seção dos manuais New Stata Functions Manual de Referência Programação sua coisa. Você estará interessado nesses novos recursos no Stata 14. Stata agora usa o twister Mersenne de 64 bits como seu gerador de números aleatórios padrão Nova estatística, distribuição de números aleatórios e funções de string Todas as novas funções adicionadas ao Stata também estão disponíveis no Mata There São muitos tutoriais em vídeo usando Stata. Abaixo você encontrará as novidades mais recentes relativas a Stata 14, bem como uma lista de todos os outros recursos disponíveis no momento. Dicas rápidas Todas as versões do Stata são executadas em computadores de núcleo duplo, multi-core e multiprocessador. Stata para Windows Windows Windows 7 Windows Server 2008 Windows Server 2008 Windows Server 2003 Variedades de Windows de 64 bits e 32 bits para processadores x86-64 e x86 feitas pela Intel e pela AMD. Stata para Mac Stata para Mac requer processadores Intel de 64 bits (Core2 Duo ou superior) executando o OS X 10.7 ou mais recente Stata para Unix Linux: Qualquer execução de 64 bits (x86-64 ou compatível) ou de 32 bits (x86 ou compatível) Linux. Requisitos de hardware Mínimo de 512 MB de RAM Mínimo de 900 MB de espaço em disco Stata para Unix requer uma placa de vídeo que pode exibir milhares de cores ou mais (cores de 16 bits ou 24 bits) Selecione um tipo de usuário: Stata 14 Documentação Cada Instalação de Stata inclui toda a documentação em formato PDF. Documentação Statas consiste em mais de 12.000 páginas detalhando cada recurso no Stata, incluindo os métodos e fórmulas e exemplos totalmente trabalhado. Você pode fazer transições perfeitas entre as entradas usando os links dentro de cada entrada. Stata 14 Manuals Bayesian Analysis Manual de Referência Introdução ao Stata para Mac Introdução ao Stata para Unix Introdução ao Stata para Windows A documentação do Stata 14 é copyright da StataCorp LP, College Station TX, EUA e é usada com permissão do StataCorp LP. Os alunos podem comprar StataMP. StataSE. StataIC e Small Stata a um preço com desconto através do programa Stata GradPlan. Para obter mais informações sobre tipos de licença disponíveis, clique aqui. Data: Quinta-feira, 7 Sexta-feira, 8 de setembro de 2017 Local: Cass Business School, Londres EC1Y 8TZ. A reunião do London Stata Users Group é uma conferência internacional de dois dias. 2017 nos viu comemorar vinte e cinco anos de distribuir e apoiar Stata para usuários dentro da Irlanda do Reino Unido. Estamos muito orgulhosos de nossa estreita relação de trabalho com S. Econometria Financeira Usando Stata por Simona Boffelli e Giovanni Urga fornece uma excelente introdução à análise de séries temporais e como fazê-lo na Stata para financeiro. A região do Oriente Médio e Norte da África (MENA) sofre tanto da disponibilidade de dados como da qualidade dos dados. Qualquer esforço para coletar, limpar e apresentar dados sobre a região é um bom. A 4ª Reunião do Grupo de Utilizadores da Polónia Stata terá lugar na segunda-feira, 17 de Outubro de 2017, na Escola Politécnica de Economia de Varsóvia, Varsóvia, Polónia. O objetivo do Stata Users Group Meeti. Últimos Cursos Stata Este curso de 2 dias continua a partir da Parte 1 e fornece uma revisão e um guia prático de várias metodologias econométricas principais usadas frequentemente para modelar os fatos estilizados da série de tempo financeiro através de modelos ARMA, modelos GARCH univariados e multivariados, Análise e contágio. Demonstração das técnicas alternativas serão ilustradas usando Stata. As sessões práticas dentro do curso envolvem dados de taxa de juros, preços de ativos e séries de tempo de câmbio. O curso é ministrado pelo Prof. Giovanni Urga, autor de Econometria Financeira usando Stata - Boffelli, S e Urga, G (2017), Stata Press: TX. O curso é baseado no livro e todos os participantes receberão uma cópia gratuita. A nossa escola de verão 2017 Stata terá lugar em Londres, de 3 a 8 de Julho de 2017. Aprenda a utilizar o Stata de forma mais eficaz na nossa série de cursos curtos e flexíveis - Introdução à Stata Introdução à Stata Graphics Estatísticas Médicas Uma Introdução à Meta-Análise Uma Introdução à Análise de Série de Tempo. Este curso de 2 dias fornece uma revisão e um guia prático para várias metodologias econométricas principais usadas freqüentemente para modelar os fatos estilizados da série de tempo financeiro através de modelos ARMA, modelos GARCH univariados e multivariados, análise de risco e contágio. Demonstração das técnicas alternativas serão ilustradas usando Stata. As sessões práticas dentro do curso envolvem dados de taxa de juros, preços de ativos e séries de tempo de câmbio. O curso é ministrado pelo Prof. Giovanni Urga, autor de Econometria Financeira usando Stata - Boffelli, S e Urga, G (2017), Stata Press: TX. O segundo de dois cursos projetou como uma introdução aos métodos Bayesian para a análise empírica. Vamos começar com uma série de questões teóricas, incluindo troca, análise anterior-posterior, comparação de modelos e testes de hipóteses, e modelos para dados faltantes. Examinaremos também o problema fundamental da elicitação prévia. Neste curso de três dias que decorre em Londres, de 5 a 7 de abril de 2017, abordamos como criar e avaliar modelos de previsão para prever variáveis macroeconômicas, como inflação e crescimento econômico. Analisamos a previsão das séries temporais e os fundamentos da construção de um modelo, verificando diagnósticos, modelos VAR e cointegração. Precisa de um orçamento
No comments:
Post a Comment