Jak zidentyfikować funkcje przenoszenia w modelu prognozowania regresji szeregów czasowych?


9

Próbuję zbudować model prognozowania regresji szeregów czasowych dla zmiennej wynikowej, w kwocie dolarowej, pod względem innych predyktorów / zmiennych wejściowych i błędów autokorelowanych. Ten rodzaj modelu nazywany jest również modelem regresji dynamicznej. Muszę nauczyć się rozpoznawać funkcje przenoszenia dla każdego predyktora i chciałbym usłyszeć od ciebie o tym, jak to zrobić.


Pozwolę sobie zasugerować wam poradnik szeregów czasowych R . Nie zapewnia głębokiej wiedzy teoretycznej, ale daje miłe wprowadzenie. Również wyszukiwanie w „serialu czasowym r” daje wiele bardzo interesujących linków
Jonathan James

Odpowiedzi:


7

Klasyczne podejście opisane w Box, Jenkins i Reinsell (wydanie 4, 2008) polega na spojrzeniu na funkcję korelacji krzyżowej i różnych funkcji autokorelacji oraz na podejmowaniu wielu subiektywnych decyzji dotyczących zamówień i opóźnień dla różnych terminów. Podejście działa dobrze dla jednego predyktora, ale tak naprawdę nie jest odpowiednie dla wielu predyktorów.

Alternatywne podejście, opisane w Pankratz (1991) , obejmuje dopasowanie opóźnionych regresji z błędami AR i określenie odpowiedniej struktury racjonalnego opóźnienia na podstawie dopasowanych współczynników (również stosunkowo subiektywny proces). Następnie doposażamy cały model w domniemane struktury opóźnień i wydobywamy resztki. Kolejność procesu błędu ARiMR jest określana na podstawie tych reszt (na przykład za pomocą AIC). Następnie ostateczny model jest ponownie szacowany. To podejście działa dobrze dla wielu predyktorów i jest znacznie prostsze w zastosowaniu niż podejście klasyczne.

Chciałbym móc powiedzieć, że istniała ta zgrabna zautomatyzowana procedura, która zrobiła to wszystko za ciebie, ale nie mogę. Przynajmniej jeszcze nie.


Czy pracujesz nad procedurą automatyczną? :)
Shane,

: Shane; GOTOWY !
IrishStat

1

Pierwotnie pomysł badania wstępnie bielonych korelacji krzyżowych zasugerowali Box i Jenkins. W 1981 r. Liu i Hanssens opublikowali (L.-M. Liu i DM Hanssens (1982). „Identyfikacja modeli funkcji wielokrotnego wprowadzania danych”. Komunikat w statystykach A 11: 297-314.) Artykuł sugerujący wspólny filtr podejście, które skutecznie poradziłoby sobie z wieloma danymi wejściowymi, których wstępnie bielone serie wykazują strukturę korelacji krzyżowej. Stworzyli nawet zestaw danych z 2 modelami wejściowymi, aby zademonstrować swoje rozwiązanie. Po tym, jak zaprogramowaliśmy to podejście, a następnie porównaliśmy je z iteracyjnie wdrożonym przez nas podejściem do wstępnego wybielania Boxa-Jenkinsa, postanowiliśmy nie używać ani podejścia Pankratza, ani podejścia Liu-Hanssensa. Z przyjemnością podzielimy się testem Liu-Hansensa dane, jeśli chcesz, żebym opublikował je na liście.

Korzystając z naszej strony potwierdzasz, że przeczytałeś(-aś) i rozumiesz nasze zasady używania plików cookie i zasady ochrony prywatności.
Licensed under cc by-sa 3.0 with attribution required.