ฉันจะรวมเอานวัตกรรมล้ำสมัยที่การสังเกตที่ 48 ในโมเดล ARIMA ของฉันได้อย่างไร

ฉันกำลังทำงานกับชุดข้อมูล หลังจากใช้เทคนิคการระบุตัวแบบบางอย่างฉันก็ออกมาพร้อมกับแบบจำลอง ARIMA (0,2,1)

ผมใช้detectIOฟังก์ชั่นในแพคเกจTSAในการวิจัยที่จะตรวจพบนวัตกรรมขอบเขต (IO) ที่สังเกต 48th ของชุดข้อมูลเดิมของฉัน

ฉันจะรวมค่าผิดปกตินี้ไว้ในแบบจำลองของฉันเพื่อที่ฉันจะสามารถใช้เพื่อวัตถุประสงค์ในการพยากรณ์ได้อย่างไร ฉันไม่ต้องการใช้แบบจำลอง ARIMAX เนื่องจากฉันอาจไม่สามารถคาดการณ์ได้จากสิ่งนั้นใน R มีวิธีอื่นที่ฉันสามารถทำได้หรือไม่

นี่คือค่านิยมของฉันตามลำดับ:

VALUE <- scan()
  4.6  4.5  4.4  4.5  4.4  4.6  4.7  4.6  4.7  4.7  4.7  5.0  5.0  4.9  5.1  5.0  5.4
  5.6  5.8  6.1  6.1  6.5  6.8  7.3  7.8  8.3  8.7  9.0  9.4  9.5  9.5  9.6  9.8 10.0
  9.9  9.9  9.8  9.8  9.9  9.9  9.6  9.4  9.5  9.5  9.5  9.5  9.8  9.3  9.1  9.0  8.9
  9.0  9.0  9.1  9.0  9.0  9.0  8.9  8.6  8.5  8.3  8.3  8.2  8.1  8.2  8.2  8.2  8.1
  7.8  7.9  7.8  7.8

นั่นคือข้อมูลของฉัน พวกเขาเป็นอัตราการว่างงานในช่วง 6 ปี มีข้อสังเกต 72 รายการ แต่ละค่าต้องมีทศนิยมไม่เกินหนึ่งตำแหน่ง

ถ้าดังนั้น(t)]$Y(t) = [\theta/\phi][A(t)+\text{IO}(t)]$$Y^\text{*}(t) = [\theta/\phi][A(t)] + [\theta/\phi][\text{IO}(t)]$

หากและเช่น ... ดังนั้น$\theta = 1$$\phi = [1-.5B]$
$Y^\text{*}(t) = [1/(1-.5B)][A(t)]$
$\quad\quad\quad\quad+ \text{IO}(t) - .5\cdot \text{IO}(t-1) + .25\cdot \text{IO}(t-2) - .125\cdot \text{IO}(t-3)-\ldots\,.$

หากตัวอย่างเช่นการประเมินผลกระทบของ IO คือ 10.0 ดังนั้น โดยที่ตัวแปรตัวบ่งชี้สำหรับคือ 0 หรือ 1
$Y^{*}(t) = [1/(1-.5B)][A(t)]$ $\quad\quad\quad\quad+ 10\cdot \text{IO}(t) - 5\cdot \text{IO}(t-1) + 2.5\cdot \text{IO}(t-2) - 1.25\cdot \text{IO}(t-3)-\ldots\,.$
$\text{IO}$

ด้วยวิธีนี้คุณจะเห็นว่าผลกระทบของความผิดปกตินั้นไม่เพียง แต่เกิดขึ้นทันที แต่มีความทรงจำ

ซอฟต์แวร์เช่น Autobox (ซึ่งผมคุ้นเคยกับ) ไม่ได้ระบุผลกระทบ IO ( แต่ผลกระทบ AO) จะระบุลำดับของความผิดปกติที่มีค่า 10, -5, 2.5, -1.25 ... เริ่มต้นที่ระยะเวลาที$t$

ผู้ใช้เมื่อเห็นเหตุการณ์ที่เกิดขึ้นได้ยากนี้จะสามารถย้ำถึงการถ่ายโอนระหว่างการแทรกแซง AO กับโครงสร้างแบบไดนามิกมากกว่าโครงสร้างตัวเศษบริสุทธิ์ให้ผลลัพธ์เดียวกันกับถ้า IO ผลกระทบถูกจัดตั้งขึ้น [ w ( b ) $[w(b)/d(b)]$$[w(b)]$

ทุกครั้งที่คุณรวมหน่วยความจำไม่ว่าจะเป็นผลมาจากตัวดำเนินการที่แตกต่างกันหรือโครงสร้าง ARMA มันเป็นการยอมรับโดยปริยายของความไม่รู้เนื่องจากชุดสาเหตุที่ละเว้น สิ่งนี้เป็นความจริงด้วยที่จะต้องรวมชุดการกำหนดค่าการแทรกแซงเช่นพัลส์ / การเลื่อนระดับพัลส์ตามฤดูกาลหรือแนวโน้มเวลาท้องถิ่น ตัวแปรดัมมี่เหล่านี้เป็นพร็อกซีที่ต้องการสำหรับตัวแปรเชิงสาเหตุที่ผู้ใช้ระบุไม่ระบุ บ่อยครั้งที่สิ่งที่คุณมีคือชุดของความสนใจและจากตัวระบุที่ฉันสะกดออกมาคุณสามารถคาดการณ์อนาคตตามอดีตที่ผ่านมาโดยไม่รู้ถึงธรรมชาติของข้อมูลที่กำลังวิเคราะห์ ปัญหาเดียวคือคุณกำลังใช้หน้าต่างด้านหลังเพื่อคาดการณ์ถนนข้างหน้า .... สิ่งที่เป็นอันตรายแน่นอน

หลังจากโพสต์ข้อมูลแล้ว ...

แบบจำลองที่สมเหตุสมผลคือ (1,1,0) คือและความผิดปกติของ AO ถูกระบุในช่วงเวลา 39,41,47,21 และ 69 (ไม่ใช่ระยะเวลา 48) ส่วนที่เหลือของรุ่นนี้ดูเหมือนจะไม่มีโครงสร้างที่ชัดเจน AND AO fice ให้คุณค่าการแสดงกิจกรรมที่เหมาะสมที่สุดซึ่งสะท้อนโดยกิจกรรมที่ไม่ได้อยู่ในประวัติของอนุกรมเวลา ฉันคิดว่า ACF ของโมเดลที่มีความแตกต่างเกินกว่าของ OP จะสะท้อนถึงความไม่เพียงพอของโมเดล นี่คือรูปแบบ อีกครั้งที่ไม่มีรหัส R ส่งมอบเนื่องจากปัญหาหรือโอกาสอยู่ในขอบเขตของการระบุ / แก้ไข / ตรวจสอบรุ่น ในที่สุดพล็อตของซีรีส์ที่เกิดขึ้นจริง / ติดตั้งและคาดการณ์! [ใส่คำอธิบายภาพที่นี่] [6]