เหตุใดอนุกรมเวลาจึงต้องหยุดนิ่ง


92

ฉันเข้าใจว่าอนุกรมเวลาที่อยู่กับที่เป็นค่าคงที่และความแปรปรวนคงที่ตลอดเวลา มีใครช่วยอธิบายหน่อยได้ไหมว่าทำไมเราต้องทำให้แน่ใจว่าชุดข้อมูลของเราอยู่กับที่ก่อนที่เราจะสามารถเรียกใช้โมเดล ARIMA หรือ ARM ที่แตกต่างกันได้ สิ่งนี้ยังนำไปใช้กับโมเดลการถดถอยปกติที่ความสัมพันธ์อัตโนมัติและ / หรือเวลาไม่ใช่ปัจจัยหรือไม่?


2
ARM คืออะไร? คุณหมายถึง ARMA หรือเปล่า
mpiktas

9
เครื่องเขียนต้องใช้มากกว่าค่าเฉลี่ยและความแปรปรวน stationarity อ่อนแอต้องว่าฟังก์ชั่นความแปรปรวนตัวเมียได้ขึ้นอยู่กับที cov(Xt,Xt+h)t
mpiktas

11
คุณไม่ต้องการให้ stationarity รันโมเดลAR MA เนื่องจากหากคำสั่งI ( )เป็น> 0มันไม่ใช่แบบคงที่อย่างชัดเจน อย่างไรก็ตามความคงอยู่ของข้อสันนิษฐานของ ARMA II()>0
Glen_b

1
+1 สำหรับความคิดเห็นของการสั่งซื้อ แต่อย่างเคร่งครัดว่าเป็นเฉพาะในกรณีที่สั่งซื้อของอยู่ใน{ 0 , 1 , 2 , . . } . สำหรับคำสั่งโดยพลการนั้นมีARFIMAI{0,1,2,...}
conjugateprior

@Glen_b โมเดล ARIMA สามารถใช้ได้กับซีรีย์ที่ไม่หยุดนิ่งหรือไม่? หรือมีบางกรณีไม่ใช่ stationaryty ที่ ARIMA Cana สามารถใช้?
Nizar

คำตอบ:


75

Stationarity เป็นโครงสร้างการพึ่งพาอาศัยหนึ่งประเภท

สมมติว่าเรามีข้อมูล n สมมติฐานพื้นฐานที่สุดคือX iX1,...,XnXiเป็นอิสระนั่นคือเรามีตัวอย่าง ความเป็นอิสระเป็นคุณสมบัติที่ดีเนื่องจากการใช้มันเราสามารถได้ผลลัพธ์ที่มีประโยชน์มากมาย ปัญหาคือบางครั้ง (หรือบ่อยครั้งขึ้นอยู่กับมุมมอง) คุณสมบัตินี้ไม่ได้ถือ

ตอนนี้ความเป็นอิสระเป็นคุณสมบัติที่ไม่ซ้ำกันตัวแปรสุ่มสองตัวสามารถเป็นอิสระได้ในทางเดียว แต่พวกเขาสามารถพึ่งพาได้หลายวิธี ดังนั้นความคงที่เป็นวิธีหนึ่งในการสร้างแบบจำลองโครงสร้างการพึ่งพา ปรากฎว่าผลลัพธ์ที่ดีจำนวนมากที่เก็บไว้สำหรับตัวแปรสุ่มอิสระ (กฎของจำนวนมากทฤษฎีบทขีด จำกัด กลางเพื่อชื่อไม่กี่) ถือสำหรับตัวแปรสุ่มหยุดนิ่ง (เราควรพูดลำดับอย่างเคร่งครัด) และแน่นอนมันกลับกลายเป็นว่าข้อมูลจำนวนมากถือได้ว่านิ่งดังนั้นแนวคิดของความคงอยู่จึงมีความสำคัญมากในการสร้างแบบจำลองข้อมูลที่ไม่เป็นอิสระ

เมื่อเราตัดสินใจแล้วว่าเรามีความคงที่โดยธรรมชาติเราต้องการสร้างแบบจำลอง นี่คือที่อาร์โมเดลมาใน. ปรากฎว่าข้อมูลใด ๆ นิ่งสามารถประมาณนิ่งกับรูปแบบ ARMA ขอบคุณWold ทฤษฎีบทการสลายตัว นั่นคือเหตุผลว่าทำไมรุ่น ARMA จึงเป็นที่นิยมมากและนั่นคือสาเหตุที่เราต้องตรวจสอบให้แน่ใจว่าซีรีย์นั้นอยู่กับที่เพื่อใช้โมเดลเหล่านี้

ตอนนี้อีกเรื่องเดียวกันถือเป็นอิสระและพึ่งพา การเขียนแบบคงที่มีการกำหนดไว้ไม่ซ้ำกันเช่นข้อมูลเป็นแบบนิ่งหรือไม่ดังนั้นจึงมีวิธีเดียวที่ข้อมูลจะคงที่ แต่มีหลายวิธีที่จะไม่อยู่นิ่ง อีกครั้งปรากฎว่าข้อมูลจำนวนมากกลายเป็นนิ่งหลังจากการเปลี่ยนแปลงบางอย่าง แบบจำลอง ARIMA เป็นแบบจำลองหนึ่งเดียวสำหรับแบบไม่อยู่นิ่ง มันจะถือว่าข้อมูลกลายเป็นนิ่งหลังจากการแตกต่าง

ในบริบทการถดถอยความคงที่มีความสำคัญเนื่องจากผลลัพธ์เดียวกันซึ่งใช้กับข้อมูลอิสระจะเก็บไว้ถ้าข้อมูลนั้นอยู่กับที่


4
ฉันขอแนะนำให้คุณใส่ส่วนของการตอบกลับของคุณ ("นี่คือที่มาของแบบจำลอง ARMA ปรากฎว่าข้อมูลนิ่งใด ๆ สามารถประมาณด้วยแบบจำลองนิ่งนิ่ง ARMA ขอบคุณทฤษฎีบทการสลายตัวของ Wold ดังนั้นนี่คือเหตุผลที่แบบจำลอง ARMA เป็นอย่างมาก ได้รับความนิยมและนั่นคือเหตุผลว่าทำไมเราต้องตรวจสอบให้แน่ใจว่าซีรีย์นั้นอยู่กับที่เพื่อใช้โมเดลเหล่านี้ ") เป็นตัวหนาเพราะนี่คือสิ่งที่ตอบคำถามเป็นหลัก
Poete Maudit

34

โดยทั่วไปเรามีปริมาณเท่าใดเมื่อเราทำการวิเคราะห์เชิงสถิติในอนุกรมเวลา เราอยากรู้

  • ค่าที่คาดหวัง
  • ความแปรปรวนและ
  • ความสัมพันธ์ระหว่างค่าระยะเวลาห่างกันสำหรับชุดของsค่าss

เราจะคำนวณสิ่งเหล่านี้ได้อย่างไร การใช้ค่าเฉลี่ยในช่วงเวลาต่างๆ

ค่าเฉลี่ยของช่วงเวลาต่าง ๆ เป็นข้อมูลเท่านั้นหากค่าที่คาดหวังจะเหมือนกันในช่วงเวลาเหล่านั้น หากพารามิเตอร์ประชากรเหล่านี้อาจแตกต่างกันไปเราจะประเมินอะไรโดยใช้ค่าเฉลี่ยข้ามเวลา

(จุดอ่อน) stationarity ต้องการปริมาณประชากรเหล่านี้จะต้องเหมือนกันในช่วงเวลาทำให้ตัวอย่างเฉลี่ยวิธีที่เหมาะสมในการประเมินพวกเขา

นอกจากนี้กระบวนการนิ่งหลีกเลี่ยงปัญหาของการถดถอยปลอม


12

แนวคิดพื้นฐานในการเรียนรู้เชิงสถิติคือคุณสามารถเรียนรู้ได้โดยทำการทดสอบซ้ำ ตัวอย่างเช่นเราสามารถพลิกเป๊กเพื่อเรียนรู้ความน่าจะเป็นที่เป๊กติดหัวไว้

ในบริบทอนุกรมเวลาเราสังเกตการทำงานเดี่ยวของกระบวนการสุ่มแทนการวิ่งซ้ำของกระบวนการสุ่ม เราสังเกตการทดลองที่ยาวนาน 1 ครั้งมากกว่าการทดลองหลายครั้ง

เราต้องการความคงที่และความสอดคล้องเพื่อให้การสังเกตระยะยาวของกระบวนการสโทแคสติกนั้นคล้ายคลึงกับการสังเกตการไหลแบบอิสระจำนวนมากของกระบวนการสโทแคสติก

คำจำกัดความบางอย่าง (ไม่ชัดเจน)

Ω{Yt}t{1,2,3,}ωΩ

  • tYtΩ
  • ωX(ω){Y1(ω),Y2(ω),Y3(ω),}

ปัญหาพื้นฐานในอนุกรมเวลา

X1X2X3i=1,,nωiΩX1ni=1nXiE[X]

tΩ

1Tt=1TYt

สำหรับข้อสังเกตหลายช่วงเวลาที่จะบรรลุเป็นงานที่คล้ายกันเป็นหลายดึงจากพื้นที่ตัวอย่างเราต้องstationarityและergodicity

E[Y]1Tt=1TYtE[Y]

ตัวอย่างที่ 1: ความล้มเหลวของการคงที่

{Yt}Yt=t{Yt}

St=1ti=1tYiSttS1=1,S2=32,S3=2,,St=t+12YtStt

ตัวอย่าง: ความล้มเหลวของการยศาสตร์

XYt=Xt{Yt}=(0,0,0,0,0,0,0,){Yt}=(1,1,1,1,1,1,1,

E[Yt]=12St=1ti=1tYiYt


10

ในการเพิ่มคำตอบระดับสูงให้กับคำตอบอื่น ๆ ที่ดี แต่มีรายละเอียดมากขึ้นการมีความชัดเจนเป็นสิ่งสำคัญเพราะในกรณีที่ไม่มีรูปแบบที่อธิบายข้อมูลจะแตกต่างกันในความแม่นยำ ณ จุดเวลาที่ต่างกัน ดังนั้นจำเป็นต้องมีการเขียนแบบคงที่สำหรับสถิติตัวอย่างเช่นค่าความแปรปรวนและค่าสหสัมพันธ์เพื่ออธิบายข้อมูลอย่างแม่นยำ ณ จุดที่น่าสนใจตลอดเวลา

600<t<800200<t<400

ป้อนคำอธิบายรูปภาพที่นี่


8

xt=xt1+et

อย่างไรก็ตามเรามักจะมองหาเครื่องเขียน ทำไม?

พิจารณาปัญหาการพยากรณ์ คุณคาดการณ์อย่างไร หากทุกอย่างแตกต่างกันในวันพรุ่งนี้ก็เป็นไปไม่ได้ที่จะคาดการณ์เพราะทุกอย่างจะแตกต่างกัน ดังนั้นกุญแจสำคัญในการคาดการณ์คือจะหาบางสิ่งบางอย่างที่จะเป็นวันพรุ่งนี้เดียวกันและขยายที่ไปในวันพรุ่งนี้ ว่าบางสิ่งบางอย่างสามารถเป็นอะไรก็ได้ ฉันจะยกตัวอย่างให้คุณ

etN(0,σ2)σ2Δxtxtxt1=etΔxt

xt=αt+etE[et]=0α

สำหรับการคาดการณ์เราจำเป็นต้องค้นหาส่วนประกอบคงที่ (เวลาไม่แปรเปลี่ยน) ในซีรีส์ไม่เช่นนั้นจะเป็นไปไม่ได้ที่จะคาดการณ์ตามคำจำกัดความ การหยุดนิ่งเป็นเพียงกรณีหนึ่งของความไม่แปรเปลี่ยน


5

เนื่องจาก ARIMA กำลังถอยหลังตัวเองเป็นส่วนใหญ่จึงใช้การถดถอยหลายแบบที่เกิดขึ้นเองซึ่งจะได้รับอิทธิพลโดยไม่จำเป็นจากแนวโน้มที่แข็งแกร่งหรือฤดูกาล เทคนิคการถดถอยแบบหลายครั้งนี้อิงตามค่าอนุกรมเวลาก่อนหน้านี้โดยเฉพาะอย่างยิ่งในช่วงเวลาล่าสุดและช่วยให้เราสามารถดึง "ความสัมพันธ์ระหว่าง" ที่น่าสนใจระหว่างค่าที่ผ่านมาหลายค่า


2

X(Xt+1,,Xt+k)(X1,,Xk)tk. จากวิกิพีเดีย: กระบวนการคงที่ (หรือเข้มงวด (เหมือน) กระบวนการคงที่หรือกระบวนการนิ่งนิ่ง (ly)) เป็นกระบวนการสุ่มที่มีการกระจายความน่าจะเป็นร่วมกันจะไม่เปลี่ยนแปลงเมื่อขยับในเวลาหรือพื้นที่ ดังนั้นพารามิเตอร์เช่นค่าเฉลี่ยและความแปรปรวนหากมีอยู่จะไม่เปลี่ยนแปลงตลอดเวลาหรือตำแหน่ง นอกจากนี้เมื่อ Cardinal ชี้ให้เห็นอย่างถูกต้องด้านล่างฟังก์ชั่น autocorrelation จะต้องไม่เปลี่ยนแปลงตลอดเวลา (ซึ่งหมายความว่าฟังก์ชันความแปรปรวนร่วมคงที่ตลอดเวลา) แปลงเป็นพารามิเตอร์ของแบบจำลอง ARMA ที่ไม่แปรเปลี่ยน / คงที่ตลอดช่วงเวลา

ความคิดเกี่ยวกับความคงที่ของโมเดล ARMA นั้นเชื่อมโยงกับแนวคิดของการกลับด้านอย่างใกล้ชิด

y(t)=1.1y(t1)(11.1B)


1
X

ดูเหมือนว่าการพูดถึงลำดับที่สองคงที่จะหายไปในการแก้ไขล่าสุดของคุณ เป็นความตั้งใจหรือไม่? (ความคิดเห็นดั้งเดิมของฉันมุ่งเน้นไปที่การสั่งซื้อครั้งที่สองมากกว่าคำจำกัดความเข้มงวด)
พระคาร์ดินัล

: สำคัญฉันคิดว่าฉันรู้สึกว่าความคิดเห็นของคุณมีความสำคัญและทำให้ชัดเจนยิ่งขึ้นกับสิ่งที่ถูกสันนิษฐาน หากคุณคิดว่าแนวคิดของ "ลำดับที่สองนิ่ง" เพิ่มความชัดเจนโปรดช่วยฉันเพิ่มลงในคำตอบของฉันในแบบที่เรียบง่ายในภาษาอังกฤษที่เรียบง่าย
IrishStat

-2

ARMA และ ARIMA ถูกสร้างขึ้นโดยมีข้อสันนิษฐานว่าซีรีส์นั้นจะอยู่กับที่ หากซีรีส์ไม่ใช่การทำนายจะไม่ถูกต้อง

สถิติตัวอย่าง - หมายถึงความแปรปรวนความแปรปรวนร่วม - มีประโยชน์ในฐานะที่เป็นตัวบ่งชี้พฤติกรรมในอนาคตเฉพาะในกรณีที่ซีรีส์เป็นเครื่องเขียน ตัวอย่างเช่นหากซีรีส์เพิ่มขึ้นอย่างต่อเนื่องเมื่อเวลาผ่านไปค่าเฉลี่ยและความแปรปรวนตัวอย่างจะเพิ่มขึ้นตามขนาดของตัวอย่างและพวกมันจะประเมินค่าเฉลี่ยและความแปรปรวนในช่วงเวลาในอนาคตเสมอ สิ่งสำคัญคือต้องระมัดระวังเมื่อพยายามคาดการณ์โมเดลการถดถอยที่พอดีกับข้อมูลที่ไม่คงที่


-3

ในมุมมองของฉันคือกระบวนการสโทแคสติกซึ่งควบคุมโดยคุณสมบัติทางสถิติสามอย่างซึ่งต้องเป็นเวลา - ผู้แปรปรวนพวกเขาคือค่าเฉลี่ยความแปรปรวนและฟังก์ชั่นสหสัมพันธ์อัตโนมัติซึ่งสองคนแรกไม่ได้บอกอะไรเกี่ยวกับวิวัฒนาการของกระบวนการในเวลาดังนั้น คุณสมบัติที่สามซึ่งเป็นฟังก์ชั่นความสัมพันธ์อัตโนมัติควรได้รับการพิจารณาซึ่งบอกว่าการพึ่งพาอาศัยกันเกิดขึ้นได้อย่างไรเมื่อเวลาดำเนินไป (ล่าช้า)


5
สิ่งนี้ทำให้เกิดความสับสนว่าเป็นกระบวนการที่สุ่มและหยุดนิ่งดังนั้นจึงเริ่มต้นด้วยข้อผิดพลาดพื้นฐาน คำตอบของคุณเพิ่มไปยังผู้ที่โพสต์แล้ว?
Nick Cox

-3

เพื่อแก้ปัญหาใด ๆ ที่เราจำเป็นต้องสร้างแบบจำลองสมการทางคณิตศาสตร์โดยใช้สถิต

  1. เพื่อแก้สมการดังกล่าวจะต้องมีความเป็นอิสระและนิ่ง (ไม่เคลื่อนไหว)
  2. ในข้อมูลที่อยู่กับที่เท่านั้นที่เราสามารถรับข้อมูลเชิงลึกและทำการดำเนินการทางคณิตศาสตร์ (หมายถึงความแปรปรวน ฯลฯ .. ) สำหรับอเนกประสงค์
  3. ในที่ไม่คงที่การรับข้อมูลทำได้ยาก

ในระหว่างขั้นตอนการแปลงเราจะได้รับเทรนด์และฤดูกาล


2
ไม่มีคำตอบที่สมเหตุสมผล หลักฐานของคำถามนั้นผิด อนุกรมเวลาจำนวนมากสามารถถือว่าไม่นิ่งทั้งในเชิงทฤษฎีและเชิงสังเกตการณ์ มีหลายวิธีในการจัดการกับเรื่องนี้เช่นกัน! ความแตกต่างหรือความแตกต่างตามฤดูกาลของซีรีย์หรือ 2. รวมถึงองค์ประกอบของวงจรเช่นคลื่นไซน์
Michael Chernick

@MichaelChernick ระหว่างการแตกต่างและการแตกต่างตามฤดูกาลเรากำลังแปลงซีรีส์ที่ไม่อยู่กับที่ให้เป็นแบบนิ่ง ฉันยอมรับประเด็นของคุณที่ว่าอนุกรมเวลาหลายชุดนั้นไม่คงที่ แต่เพื่อแก้ปัญหาในเชิงคณิตศาสตร์เราจำเป็นต้องแปลงให้เป็นค่าคงที่หนึ่งขวา
saravanan saminathan
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.