จะรวมการพยากรณ์ได้อย่างไรเมื่อตัวแปรตอบสนองในตัวแบบการพยากรณ์แตกต่างกันอย่างไร

บทนำ

ในการรวมการคาดการณ์หนึ่งในโซลูชั่นยอดนิยมขึ้นอยู่กับการประยุกต์ใช้เกณฑ์ข้อมูลบางอย่าง การยกตัวอย่างเช่น Akaike เกณฑ์โดยประมาณสำหรับรุ่นหนึ่งสามารถคำนวณความแตกต่างของจากแล้วRP_j = E ^ {(AIC ^ * - AIC_j) / 2}อาจจะตีความว่าเป็น ความน่าจะเป็นแบบสัมพัทธ์ของ model jเป็นค่าจริง น้ำหนักนั้นถูกกำหนดเป็น$AIC_j$$j$$AIC_j$$AIC^* = \min_j{AIC_j}$$RP_j = e^{(AIC^*-AIC_j)/2}$$j$

ปัญหา

ความยากลำบากที่ฉันพยายามเอาชนะคือแบบจำลองนั้นประมาณจากตัวแปรตอบสนอง (ภายนอก) ที่แปรเปลี่ยนไป ตัวอย่างเช่นบางรุ่นขึ้นอยู่กับอัตราการเติบโตประจำปีและอีกรุ่น - จากอัตราการเติบโตรายไตรมาส ดังนั้นค่าAIC_j ที่แยกออกมา$AIC_j$จะไม่สามารถเปรียบเทียบกันได้โดยตรง

พยายามแก้ปัญหา

เนื่องจากสิ่งที่สำคัญคือความแตกต่างของ$AIC$ที่สามารถใช้AICของโมเดลพื้นฐาน$AIC$(ตัวอย่างเช่นฉันพยายามแยกlm(y~-1)โมเดลโดยไม่มีพารามิเตอร์ใด ๆ ) ที่ไม่แปรเปลี่ยนไปจากการตอบสนองการแปลงตัวแปรการตอบสนองแล้วเปรียบเทียบความแตกต่างระหว่างโมเดล$j$ th และ ฐานรูปแบบAIC$AIC$นี่ แต่มันดูเหมือนว่ายังคงเป็นจุดที่อ่อนแอ - ความแตกต่างเป็นผลกระทบจากการเปลี่ยนแปลงของตัวแปรการตอบสนอง

สรุปข้อสังเกต

หมายเหตุตัวเลือกเช่น "ประมาณโมเดลทั้งหมดในตัวแปรตอบกลับเดียวกัน" นั้นเป็นไปได้ แต่ใช้เวลานานมาก ฉันต้องการค้นหา "การรักษา" ที่รวดเร็วก่อนที่จะตัดสินใจอย่างเจ็บปวดหากไม่มีวิธีอื่นในการแก้ไขปัญหา

ฉันคิดว่าหนึ่งในวิธีที่เชื่อถือได้มากที่สุดสำหรับการเปรียบเทียบแบบจำลองคือการตรวจสอบความผิดพลาดนอกตัวอย่าง (แม่) คุณจะต้องยกเลิกการแปลงตัวแปรภายนอกสำหรับแต่ละรุ่นเพื่อเปรียบเทียบแอปเปิ้ลกับแอปเปิ้ลโดยตรง