การวิเคราะห์การแทรกแซงด้วยอนุกรมเวลาหลายมิติ

ฉันต้องการทำการวิเคราะห์การแทรกแซงเพื่อหาปริมาณผลลัพธ์ของการตัดสินใจเชิงนโยบายเกี่ยวกับการขายแอลกอฮอล์เมื่อเวลาผ่านไป อย่างไรก็ตามฉันค่อนข้างใหม่กับการวิเคราะห์อนุกรมเวลาดังนั้นฉันจึงมีคำถามเริ่มต้น

จากการตรวจสอบวรรณกรรมพบว่านักวิจัยคนอื่นได้ใช้ ARIMA เพื่อจำลองการขายเครื่องดื่มแอลกอฮอล์ตามลำดับเวลาโดยมีตัวแปรหุ่นจำลองเป็นตัวแทนเพื่อจำลองผลกระทบของการแทรกแซง ในขณะที่สิ่งนี้ดูเหมือนจะเป็นวิธีการที่สมเหตุสมผล แต่ชุดข้อมูลของฉันก็ยิ่งดีกว่าที่ฉันเคยเขียนในวรรณคดี ประการแรกชุดข้อมูลของฉันถูกจำแนกตามประเภทเครื่องดื่ม (เช่นเบียร์ไวน์สุรา) แล้วแยกตามเขตภูมิศาสตร์ต่อไป

ในขณะที่ฉันสามารถสร้างการวิเคราะห์ ARIMA แยกต่างหากสำหรับแต่ละกลุ่มที่ไม่ได้แยกจากกันแล้วเปรียบเทียบผลลัพธ์ แต่ฉันสงสัยว่ามีวิธีการที่ดีกว่าที่นี่ ใครบ้างที่คุ้นเคยกับข้อมูลอนุกรมเวลาหลายมิติมากขึ้นสามารถให้คำแนะนำหรือคำแนะนำได้?

โมเดล ARIMA ที่มีตัวแปรดัมมีสำหรับการแทรกแซงเป็นกรณีพิเศษของโมเดลเชิงเส้นที่มีข้อผิดพลาด ARIMA

คุณสามารถทำสิ่งเดียวกันได้ที่นี่ แต่ด้วยโมเดลเชิงเส้นที่สมบูรณ์ยิ่งขึ้นรวมถึงปัจจัยสำหรับประเภทเครื่องดื่มและเขตทางภูมิศาสตร์

ใน R โมเดลสามารถประมาณได้โดยใช้ arima () พร้อมกับตัวแปรการถดถอยที่รวมอยู่ในอาร์กิวเมนต์ xreg น่าเสียดายที่คุณจะต้องใช้รหัสปัจจัยที่ใช้ตัวแปรจำลอง แต่อย่างอื่นมันค่อนข้างตรงไปตรงมา

หากคุณต้องการจำลองการขายเครื่องดื่มประเภทเป็นเวกเตอร์ [ขายไวน์ที่ t, ขายเบียร์ที่ t, ขายสุราที่ t] คุณอาจต้องการดูโมเดล Vector Autoregression (VAR) คุณอาจต้องการความหลากหลายของ VARX ที่มีเวกเตอร์ของตัวแปรภายนอกเช่นภูมิภาคและนโยบายการจำลองแบบหุ่นควบคู่ไปกับลำดับไวน์เบียร์และสุรา สิ่งเหล่านี้ตรงไปตรงมาพอสมควรและคุณจะได้รับฟังก์ชั่นตอบสนองต่อแรงกระตุ้นเพื่อแสดงผลกระทบของแรงกระแทกจากภายนอกซึ่งอาจเป็นที่สนใจ มีการอภิปรายที่ครอบคลุมในหนังสือของLütkepohlในซีรีส์เวลาหลายตัวแปร

ในที่สุดฉันก็ไม่ได้เป็นนักเศรษฐศาสตร์ แต่ฉันคิดว่าคุณอาจคิดถึงอัตราส่วนของเครื่องดื่มประเภทนี้และระดับ ผู้คนอาจทำงานภายใต้ข้อ จำกัด ด้านงบประมาณของเหล้า - ฉันรู้ว่าฉันทำ - ซึ่งจะจับคู่ระดับและต่อต้านข้อผิดพลาด

แต่ละชุดเวลาควรได้รับการประเมินแยกจากกันด้วยแนวคิดขั้นสูงสุดของการรวบรวมเช่นการจัดกลุ่มชุดที่คล้ายกันเป็นกลุ่มหรือส่วนที่มีโครงสร้างคล้าย / ทั่วไป เนื่องจากข้อมูลอนุกรมเวลาสามารถถูกแทรกแซงด้วยโครงสร้างที่ไม่รู้จักกำหนดที่ Poins ที่ไม่ระบุเวลาจึงควรทำการแทรกแซงการตรวจจับเพื่อค้นหาว่าการแทรกแซงนั้นมีผลกระทบจริงหรือไม่ หากคุณรู้ว่ากฎหมายมีผลบังคับใช้ ณ จุดเฉพาะของ (ทางนิตินัย) นี่อาจเป็นความจริง (โดยพฤตินัย) ไม่ใช่วันที่ที่การแทรกแซงเกิดขึ้นจริง ระบบสามารถตอบสนองล่วงหน้าของวันที่ทราบถึงผลกระทบหรือแม้กระทั่งหลังจากวันที่เนื่องจากการไม่ปฏิบัติตามหรือไม่ตอบสนอง การระบุวันที่ของการแทรกแซงสามารถนำไปสู่โมเดลข้อมูลจำเพาะอคติ ฉันขอแนะนำให้คุณ google "การตรวจจับการแทรกแซง" หรือ "การตรวจจับค่าผิดปกติ" หนังสือที่ดีเกี่ยวกับเรื่องนี้คือโดย Prof. Wei จาก Temple University จัดพิมพ์โดย Addison-Wessley ฉันเชื่อว่าชื่อเรื่องคือ "การวิเคราะห์อนุกรมเวลา" หนึ่งความคิดเห็นเพิ่มเติมตัวแปรแทรกแซงอาจปรากฏเป็น Pulse หรือ Level / Step Shift หรือ Pulse ตามฤดูกาลหรือแนวโน้มเวลาท้องถิ่น

เพื่อตอบสนองต่อการขยายการอภิปรายเกี่ยวกับแนวโน้มเวลาท้องถิ่น:

หากคุณมีซีรี่ส์ที่แสดง 1,2,3,4,5,7,9,11,13,15,16,17,18,19 ... มีการเปลี่ยนแปลงแนวโน้มในช่วงเวลา 5 และ 10 สำหรับฉันคำถามหลักในอนุกรมเวลาคือการตรวจจับการเลื่อนระดับเช่น 1,2,3,4,5,8,9,10, .. หรืออีกตัวอย่างหนึ่งของการเลื่อนระดับ 1,1,1,1,2 , 2,2,2, และ / หรือการตรวจหาการแบ่งแนวโน้มเวลา เช่นเดียวกับพัลส์ที่แตกต่างกันของสเต็ปขั้นตอนคือความแตกต่างของเทรนด์ เราได้ขยายทฤษฎีการตรวจจับการแทรกซึมไปยังมิติที่ 4, e, Trend Point Change ในแง่ของ openess ฉันสามารถใช้แผนการตรวจจับการแทรกแซงดังกล่าวร่วมกับทั้ง ARIMA และ Transfer Function Models ฉันเป็นหนึ่งในนักสถิติอนุกรมเวลาอาวุโสที่ได้ทำงานร่วมกันในการพัฒนา AUTOBOX ซึ่งรวมเอาคุณสมบัติเหล่านี้ไว้ ฉันไม่รู้จักใครที่ตั้งโปรแกรมนวัตกรรมที่น่าตื่นเต้นนี้