วิธีการตรวจสอบการเปลี่ยนแปลงที่สำคัญในข้อมูลอนุกรมเวลาเนื่องจากการเปลี่ยนแปลง "นโยบาย"?


15

ฉันหวังว่านี่เป็นสถานที่ที่เหมาะสมในการโพสต์นี้ฉันคิดว่าการโพสต์ไว้ในคลางแคลง แต่ฉันคิดว่าพวกเขาแค่บอกว่าการศึกษานั้นผิดทางสถิติ ฉันอยากรู้เกี่ยวกับด้านพลิกของคำถามซึ่งเป็นวิธีการที่ถูกต้อง

บนเว็บไซต์Quantified Selfผู้เขียนโพสต์ผลการทดลองของตัวชี้วัดผลลัพธ์ที่วัดได้ด้วยตนเองเมื่อเวลาผ่านไปและเปรียบเทียบก่อนและหลังหยุดดื่มกาแฟทันที ผลลัพธ์ได้รับการประเมินตามอัตวิสัยและผู้เขียนเชื่อว่าเขามีหลักฐานว่ามีการเปลี่ยนแปลงในอนุกรมเวลาและเกี่ยวข้องกับการเปลี่ยนแปลงในนโยบาย (ดื่มกาแฟ)

สิ่งนี้ทำให้ฉันนึกถึงเป็นแบบจำลองของเศรษฐกิจ เรามีเพียงเศรษฐกิจเดียว (ที่เราใส่ใจในขณะนี้) ดังนั้นนักเศรษฐศาสตร์จึงมักทำการทดลองโดย n = 1 ข้อมูลมีความสัมพันธ์กันโดยอัตโนมัติเมื่อเวลาผ่านไปเนื่องจากเหตุผลนี้ นักเศรษฐศาสตร์โดยทั่วไปกำลังจับตามองเฟดพูดว่าขณะที่มันเริ่มนโยบายและพยายามที่จะตัดสินใจว่าอนุกรมเวลามีการเปลี่ยนแปลงหรือไม่

การทดสอบที่เหมาะสมคืออะไรเพื่อพิจารณาว่าอนุกรมเวลามีการเพิ่มขึ้นหรือลดลงตามข้อมูลหรือไม่ ฉันต้องการข้อมูลมากแค่ไหน มีเครื่องมืออะไรบ้าง? googling ครั้งแรกของฉันแนะนำรุ่นของ Markov Switching Time Series แต่ทักษะ googling ของฉันไม่ทำให้ฉันล้มเหลวในการช่วยทำทุกอย่างด้วยชื่อของเทคนิค

คำตอบ:


4

กระดาษ Box-Tiao ที่เจสันอ้างถึงนั้นมีพื้นฐานจากการเปลี่ยนแปลงกฎหมาย คำถามที่นี่คือวิธีการตรวจสอบจุดในเวลา คำตอบคือการใช้ขั้นตอน Tsay เพื่อตรวจจับการแทรกแซงไม่ว่าจะเป็นพัลส์, การเลื่อนระดับ, พัลส์ตามฤดูกาลและ / หรือแนวโน้มเวลาท้องถิ่น


1

เมื่อมองดูบันทึกเก่า ๆ เกี่ยวกับตัวแบ่งโครงสร้างฉันมีคำอ้างอิงสองข้อนี้:

Enders "Applied Econometric Time Series", รุ่นที่ 2, ch. 5

Enders อธิบายการแทรกแซงฟังก์ชั่นชีพจรฟังก์ชั่นการเปลี่ยนแปลงอย่างค่อยเป็นค่อยไปฟังก์ชั่นการถ่ายโอน ฯลฯ บทความนี้อาจเป็นประโยชน์:

กล่อง GEP และ GC Tiao 2518 ได้ "การวิเคราะห์การแทรกแซงด้วยการประยุกต์ใช้กับปัญหาเศรษฐกิจและสิ่งแวดล้อม" วารสารสมาคมสถิติอเมริกัน 70: 70-79


1

คุณไม่สามารถใช้โมเดลจุดเปลี่ยนจากนั้นลองระบุจุดเปลี่ยนโดยใช้อัลกอริทึม MCMC เช่นการสุ่มตัวอย่าง Gibbs?

สิ่งนี้ควรจะค่อนข้างง่ายในการใช้งานหากคุณมีการแจกแจงก่อนหน้าสำหรับข้อมูลของคุณหรือการกระจายตามเงื่อนไขแบบเต็ม (สำหรับกิ๊บส์)

คุณสามารถค้นหาภาพรวมได้ที่นี่


1

หากคุณกำลังพิจารณาคะแนนทั้งหมดตลอดเวลาในฐานะจุดเปลี่ยนผู้สมัคร (จุดพักเบรกหรือการเปลี่ยนแปลงเชิงโครงสร้าง) ดังนั้นแพ็คเกจสแตรทเชนจ์จึงเป็นตัวเลือกที่ดีมาก

ดูเหมือนว่าในสถานการณ์เฉพาะของคุณมีจุดเวลาผู้สมัครเพียงจุดเดียวเท่านั้น ในกรณีนี้มีตัวเลือกที่รวดเร็วหลายอย่างในใจ:

  1. T-test: t-test ในชั่วโมงของความเข้มข้นต่อวันในช่วง "ก่อนที่จะเลิก" กับ "หลังจากเลิก" หากคุณกังวลกับความสัมพันธ์แบบวันต่อวันคุณสามารถยกเลิกการสังเกตบางอย่างเพื่อให้คุณมีช่วงเวลาที่นานพอที่จะเชื่อว่าวันนั้นไม่มีความสัมพันธ์กันอีกต่อไป ด้วยวิธีการนี้คุณจะสามารถซื้อขายได้อย่างง่ายดาย
  2. AR: ใส่โมเดล AR ด้วยหุ่นจำลองหนึ่งตัว: "หลังจากเลิก" หากตัวทำนายมีความสำคัญแสดงว่าคุณมีการเปลี่ยนแปลง ใช้ AR จะจับการพึ่งพา (เป็นไปได้) ระหว่างวัน

: จอห์นความคิดคือคุณไม่รู้จัก "จุดเวลาหนึ่งผู้สมัคร" แต่ต้องการค้นหาการวิเคราะห์บางทีสำหรับอนุกรมเวลานับร้อย "การทดสอบสายตา" เพื่อตรวจสอบผู้สมัครคนนี้มักจะขาดเป็นชีพจรครั้งเดียวและโครงสร้าง ARIMA พื้นฐานอุด วิธีการตรวจจับการแทรกแซงลาอาร์เซย์หรือจอร์จเตียวค้นหากะระดับ / ขั้นตอนที่ไม่รู้จักจริง ๆ แล้วสร้างตัวแปรที่คุณอธิบาย (ตัวอย่างหนึ่งที่มีเลขศูนย์ตามด้วย 1) ควรใช้ความระมัดระวังในการพิจารณาระบุการแทรกแซงครั้งแรกจากนั้นองค์ประกอบ ARIMA และในทางกลับกัน
IrishStat

@IrishStat: ในบล็อกที่อ้างอิงแล้วจุดเปลี่ยนนั้นเป็นที่รู้จัก สำหรับกรณีที่ไม่ได้มีการอ้างอิงแพกเกจ R strucchange
JohnRos

: John จาก struchange documenation "ในที่สุดจุดพักในแบบจำลองการถดถอยที่มีการเปลี่ยนแปลงโครงสร้างสามารถประมาณได้" โดยใช้วิธี CHOW ที่ฉันคุ้นเคยอย่างใกล้ชิดการทดสอบหรือการหาจุดพักในสัมประสิทธิ์การถดถอยต้องใช้คุณสมบัติของแบบจำลองการถดถอยและถ้าฉันเป็น ถูกต้องสิ่งนี้ไม่มีอะไรเกี่ยวข้องกับการตอบคำถาม "ทดสอบเพื่อตรวจสอบว่าอนุกรมเวลาเพิ่มขึ้นหรือลดลงตามข้อมูลหรือไม่" ฉันคิดว่าคำแนะนำของคุณไม่เพียงพอที่จะตอบคำถามของ OP คำแนะนำของคุณตอบคำถามฉันไม่ ' ไม่เชื่อถูกถาม
IrishStat

จอห์นนั่นเป็นเรื่องจริง แต่ไม่สำคัญเหมือนนางแบบที่มีเพียงการสกัดกั้นเท่านั้นที่พบได้ในตำราหรือในความฝัน
IrishStat

@IrishStat: มันเป็นความจริงที่เฟรมเวิร์กการเปลี่ยนแปลงโครงสร้างเป็นเรื่องทั่วไปมากขึ้น แต่การตรวจจับการเพิ่มหรือลดลงของ "ข้อมูล" สามารถทำได้โดยการติดตั้งรุ่นสกัดกั้นเท่านั้น
JohnRos

1

ไม่กี่ปีที่ผ่านมาฉันได้ยินการพูดคุยของนักเรียนระดับปริญญาStacey Hancockระหว่างการประชุมบท ASA ในท้องถิ่นและเป็นเรื่อง "การประเมินการแบ่งโครงสร้าง" ของอนุกรมเวลา การพูดคุยนั้นน่าสนใจจริง ๆ และฉันได้พูดคุยกับเธอหลังจากนั้นเธอทำงานกับ Richard Davis (จากBrockwell-Davis ) จากนั้นที่ Colorado State University ตอนนี้ที่ Columbia การพูดคุยเป็นส่วนเสริมของเดวิสและคณะ ทำงานในกระดาษ JASA ปี 2549 ที่ชื่อว่าStrutural Break Estimation สำหรับ Nonstationary Time Series Modelsซึ่งมีให้ที่นี่ที่นี่

เดวิสมีการใช้งานซอฟต์แวร์ของวิธีการที่เขาเรียกว่า Auto-PARM ซึ่งเขาทำให้เป็นปฏิบัติการของ Windows หากคุณติดต่อเขาคุณอาจได้รับสำเนา ฉันมีสำเนาและนี่คือตัวอย่างผลลัพธ์ในอนุกรมเวลาสังเกต 1,200 ชุด:

    ============== RESULTS ===============
  ISLAND           1
    SC=   1910.58314770669
    Breaking point/AR order
           1              1
         351              1
         612              3
    ======================================
 Total time:   5.812500

ดังนั้นซีรี่ส์คือ AR (1) ในตอนแรกเมื่อสังเกต 351 กระบวนการ AR (1) จะเปลี่ยนไปเป็นกระบวนการ AR (1) อีกกระบวนการ (คุณสามารถรับพารามิเตอร์) และจากนั้นเมื่อสังเกต 612 กระบวนการจะเปลี่ยนเป็น AR (3) .

การตั้งค่าที่น่าสนใจอย่างหนึ่งที่ฉันได้ลองใช้ Auto-PARM ดูข้อมูลการถอน ATM รายสัปดาห์ที่เป็นส่วนหนึ่งของการแข่งขัน NN5การแข่งขันฉันจำได้ว่าอัลกอริทึมในการค้นหาตัวแบ่งโครงสร้างในช่วงปลายเดือนพฤศจิกายนของปีที่กำหนดเช่นจุดเริ่มต้นของฤดูช้อปปิ้งวันหยุดสหรัฐ

ดังนั้นวิธีการใช้อัลกอริทึมนี้ผ่านการใช้งานที่มีอยู่? ดีอีกครั้งคุณสามารถติดต่อกับเดวิสและดูว่าคุณสามารถใช้งาน Windows ได้หรือไม่ เมื่อฉันอยู่ที่ซอฟต์แวร์ Rogue Wave ฉันทำงานกับ Davis เพื่อรับ Auto-PARM เข้าสู่ห้องสมุดตัวเลขของ IMSL ภาษาแรกที่ถูกส่งไปยังFortranซึ่งเรียกว่า Auto_PARM และฉันสงสัยว่า Rogue Wave จะปล่อยพอร์ต C เร็ว ๆ นี้โดยมีพอร์ต Python, C # และ Java ติดตาม


: Josh เขา OP ไม่ได้อยู่ในความคิดของฉันอ้างถึงการทดสอบสมมติฐานของความมั่นคงพารามิเตอร์แบบในกรณีของคุณที่ AR (3) มีพารามิเตอร์คงที่ตลอดเวลา เขาโอเชื่อว่าเป็นสิ่งที่น่าสนใจในการตรวจสอบการเปลี่ยนแปลงที่ไม่รู้จักก่อนหน้านี้ในค่าเฉลี่ยของส่วนที่เหลือ
IrishStat

mods: OP ไม่ได้ในความคิดของฉันหมายถึงการทดสอบสมมติฐานของความมั่นคงพารามิเตอร์แบบในกรณีของคุณหรือไม่ว่า AR (3) มีพารามิเตอร์คงที่ตลอดเวลาฉันเชื่อว่ามีความสนใจในการตรวจสอบก่อนที่จะเปลี่ยนที่ไม่รู้จักในค่าเฉลี่ย สิ่งที่เหลืออยู่นี่เป็นปัญหาที่แตกต่างจากที่คุณอ้างถึงตอนนี้ฉันเห็นด้วยอย่างยิ่งว่าในกรณีที่ไม่มีการตรวจจับการแทรกแซงในความหมายของสิ่งที่เหลืออยู่หนึ่งในนั้นอาจพบจุดในเวลาที่ทั้งพารามิเตอร์ของแบบจำลองและ / หรือ theerrors อาจมีการเปลี่ยนแปลงอย่างมีนัยสำคัญ แต่นั่นไม่ใช่สิ่งที่ OP ต้องการจะค้นหา
IrishStat

@IrishStat: คุณคุ้นเคยกับ Auto-PARM หรือไม่ อัลกอรึทึมใช้ค่าที่เหลือในการประมาณการพัก (ทั้งที่เกี่ยวกับจำนวนการหยุดพักและคำสั่ง AR (p) ของกลุ่ม) OP ดูเหมือนจะไม่มีวิธีการเฉพาะที่เขาถามเกี่ยวกับ ดูเหมือนว่าเขาจะถามโดยทั่วไปว่า "ถ้าฉันวัดเวลาและเปลี่ยนแปลงบางอย่างเกี่ยวกับกระบวนการมีวิธีตรวจสอบจุดเปลี่ยนแปลงนี้จากข้อมูลเพียงอย่างเดียวหรือไม่" เขาไม่ได้ถามเกี่ยวกับการเลื่อนระดับกับนวัตกรรมและการตรวจจับค่าผิดปกติเพิ่มเติม หวังว่า OP สามารถให้ความกระจ่างแก่เรา ...
Josh Hemann

josh: จาก OP "การทดสอบที่เหมาะสมคือการตรวจสอบว่าอนุกรมเวลาเพิ่มขึ้นหรือลดลงตามข้อมูลหรือไม่" สิ่งนี้ฉันเชื่อว่าจะขอการตัดสินใจหากค่าเฉลี่ยของส่วนที่เหลือไม่เปลี่ยนพารามิเตอร์ของแบบจำลอง ARIMA บางตัว ในความคิดของฉันคุณแนะนำซอฟต์แวร์ผิดขั้นตอน / วิธีแก้ไขปัญหา แต่นั่นเป็นเพียงความคิดเห็นของฉัน
IrishStat

1

Josh พูดว่า:

josh: จาก OP "การทดสอบที่เหมาะสมคือการตรวจสอบว่าอนุกรมเวลาเพิ่มขึ้นหรือลดลงตามข้อมูลหรือไม่" สิ่งนี้ฉันเชื่อว่าจะขอการตัดสินใจหากค่าเฉลี่ยของส่วนที่เหลือไม่เปลี่ยนพารามิเตอร์ของแบบจำลอง ARIMA บางตัว ในความคิดของฉันคุณแนะนำซอฟต์แวร์ผิดขั้นตอน / วิธีแก้ไขปัญหา แต่นั่นเป็นเพียงความคิดเห็นของฉัน - IrishStat 28 ต.ค. 54 เวลา 19:08 น

สมมติว่าหนึ่งเริ่มต้นด้วยรูปแบบ AR (1):

Yเสื้อ=γ+φ* * * *Yเสื้อ-1+Eเสื้อ

Eเสื้อσ2

γ1-พีชั่วโมงผม

γφ

หากสันนิษฐานว่าเป็นโมเดลโครงสร้าง Auto-PARM เป็นขั้นตอนที่จะใช้


1
ดูเหมือนว่าคุณกำลังอ้างถึง IrishStat จริง ๆ ... คุณช่วยลิงค์แหล่งที่มาดั้งเดิมของคำพูดได้มั้ย
Nick Stauner
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.