การค้นหาคำอธิบาย ARIMA บางประเภท


25

นี้อาจจะเป็นเรื่องยากที่จะหา แต่ฉันต้องการที่จะอ่านดีอธิบายตัวอย่าง ARIMAว่า

  • ใช้คณิตศาสตร์น้อยที่สุด

  • ขยายการอภิปรายนอกเหนือจากการสร้างแบบจำลองโดยใช้แบบจำลองนั้นเพื่อคาดการณ์กรณีเฉพาะ

  • ใช้กราฟิกเช่นเดียวกับผลลัพธ์ที่เป็นตัวเลขเพื่อบอกลักษณะที่พอดีระหว่างค่าที่คาดการณ์และค่าจริง

คำตอบ:


7

การอ่านที่แนะนำสำหรับการแนะนำการสร้างแบบจำลอง ARIMA จะเป็นอย่างไร

การวิเคราะห์อนุกรมเวลาประยุกต์สำหรับสังคมศาสตร์ 2523 โดย R McCleary; RA Hay; EE Meidinger; D McDowall

สิ่งนี้มีวัตถุประสงค์เพื่อนักวิทยาศาสตร์ทางสังคมดังนั้นความต้องการทางคณิตศาสตร์จึงไม่เข้มงวดเกินไป สำหรับการรักษาสั้น ๆ ฉันขอแนะนำ Sage Green Books สองเล่ม (แม้ว่าพวกเขาจะซ้ำซ้อนกับหนังสือ McCleary ทั้งหมด)

ข้อความ Ostrom เป็นเพียงตัวแบบ ARMA และไม่ได้กล่าวถึงการคาดการณ์ ฉันไม่คิดว่าพวกเขาจะตอบสนองความต้องการของคุณสำหรับข้อผิดพลาดการพยากรณ์กราฟ ฉันแน่ใจว่าคุณสามารถขุดแหล่งข้อมูลที่มีประโยชน์มากขึ้นโดยตรวจสอบคำถามที่ติดแท็กด้วยอนุกรมเวลาในฟอรัมนี้เช่นกัน


หนังสือ McCleary ถูกเขียนอย่างน่าพิศวงบทกวีและการแนะนำที่ดีจริงๆ นอกจากนี้ยังมีอารมณ์ขันที่ไม่ได้ตั้งใจในบทสุดท้ายที่พวกเขาพูดถึงภาษาระดับสูงเช่น Fortran
richiemorrisroe

31

ฉันจะพยายามและตอบสนองต่อการกระตุ้นของคนผิวขาวเพียงแค่ "ตอบคำถาม" และอยู่ในหัวข้อ เราได้รับซีรี่ส์รายเดือน 144 รายการที่เรียกว่า“ The Airline Series” กล่องและเจนกินส์ถูกวิพากษ์วิจารณ์อย่างกว้างขวางสำหรับการคาดการณ์ที่สูงอย่างดุเดือดเนื่องจาก "ธรรมชาติระเบิด" ของการเปลี่ยนแปลงการบันทึกย้อนกลับป้อนคำอธิบายรูปภาพที่นี่

มองเห็นได้ว่าเราได้รับความประทับใจว่าความแปรปรวนของซีรี่ส์ต้นฉบับเพิ่มขึ้นตามระดับของซีรีส์ที่เสนอให้ต้องการการเปลี่ยนแปลง อย่างไรก็ตามเรารู้ว่าข้อกำหนดหนึ่งสำหรับแบบจำลองที่มีประโยชน์คือความแปรปรวนของ "ข้อผิดพลาดของแบบจำลอง" จะต้องเหมือนกัน ไม่จำเป็นต้องมีข้อสมมติฐานเกี่ยวกับความแปรปรวนของซีรี่ส์ดั้งเดิม พวกมันเหมือนกันถ้าแบบจำลองเป็นค่าคงที่เช่น y (t) = u ในฐานะที่เป็น/stats//users/2392/probabilityislogicระบุไว้อย่างชัดเจนในการตอบสนองของเขากับ คำแนะนำในการอธิบายความแตกต่าง / heteroscedasticty "สิ่งหนึ่งที่ฉันมักจะพบว่าน่าขบขันคือ" ไม่ใช่ปกติของข้อมูล "ที่คนกังวล เกี่ยวกับ ข้อมูลไม่จำเป็นต้องกระจายตามปกติ แต่มีข้อผิดพลาดเกิดขึ้น”

การทำงานก่อนเวลาในอนุกรมเวลามักจะข้ามไปยังข้อสรุปเกี่ยวกับการเปลี่ยนแปลงที่ไม่สมควร เราจะค้นพบที่นี่ว่าการเปลี่ยนแปลงการแก้ไขสำหรับข้อมูลนี้คือการเพิ่มชุดตัวบ่งชี้สามตัวในโมเดล ARIMA ซึ่งสะท้อนการปรับเปลี่ยนสำหรับจุดข้อมูลที่ผิดปกติสามจุด ต่อไปนี้คือเนื้อเรื่องของฟังก์ชั่น autocorrelation ซึ่งบ่งบอกถึง autocorrelation ที่ดีที่ lag 12 (.76) และที่ lag 1 (.948) Autocorrelations เป็นเพียงสัมประสิทธิ์การถดถอยในรูปแบบที่ y เป็นตัวแปรตามที่ถูกทำนายโดยความล่าช้าของ y

ป้อนคำอธิบายรูปภาพที่นี่! ป้อนคำอธิบายรูปภาพที่นี่

การวิเคราะห์ข้างต้นแสดงให้เห็นว่าแบบจำลองหนึ่งมีความแตกต่างแรกของซีรีส์และศึกษาว่า "ซีรีย์ที่เหลือ" ซึ่งเหมือนกับความแตกต่างแรกสำหรับคุณสมบัติของมัน ป้อนคำอธิบายรูปภาพที่นี่

การวิเคราะห์นี้ยืนยันความคิดที่ว่ารูปแบบตามฤดูกาลที่แข็งแกร่งมีอยู่ในข้อมูลที่สามารถแก้ไขหรือสร้างแบบจำลองโดยแบบจำลองที่มีตัวดำเนินการที่แตกต่างกันสองแบบ

ป้อนคำอธิบายรูปภาพที่นี่ ป้อนคำอธิบายรูปภาพที่นี่

ความแตกต่างแบบง่าย ๆ สองครั้งนี้ให้ชุดของอาคาที่เหลืออยู่หรือชุดที่ถูกปรับหรือพูดแบบที่แปลงอย่างหลวม ๆ ซึ่งเป็นหลักฐานของความแปรปรวนแบบไม่คงที่ แต่เหตุผลสำหรับความแปรปรวนแบบไม่คงที่คือค่าเฉลี่ยคงที่ ซีรีส์ที่มีความแตกต่างกันสองเท่าแนะนำสามสิ่งผิดปกติในตอนท้ายของซีรีส์ Autocorrelation ของซีรี่ย์นี้แอบอ้างว่า“ ทั้งหมดดี” และอาจจำเป็นต้องมีการปรับค่า Ma (1) ควรใช้ความระมัดระวังเนื่องจากมีข้อเสนอแนะของความผิดปกติในข้อมูลจึงทำให้ acf ลดลง สิ่งนี้เรียกว่า“ อลิซในแดนมหัศจรรย์เอฟเฟ็กต์” คือการยอมรับสมมติฐานว่างเปล่าของโครงสร้างที่ไม่ปรากฏเมื่อโครงสร้างนั้นถูกปกปิดโดยการละเมิดข้อสันนิษฐานข้อใดข้อหนึ่ง

ป้อนคำอธิบายรูปภาพที่นี่ ป้อนคำอธิบายรูปภาพที่นี่

เราตรวจพบด้วยสายตาผิดปกติสามจุด (117,135,136)

ป้อนคำอธิบายรูปภาพที่นี่

ขั้นตอนของการตรวจจับค่าผิดปกตินี้เรียกว่าการตรวจจับสิ่งรบกวนและสามารถตั้งโปรแกรมได้อย่างง่ายดายหรือไม่ง่ายตามโปรแกรมของ Tsay

ป้อนคำอธิบายรูปภาพที่นี่ป้อนคำอธิบายรูปภาพที่นี่

หากเราเพิ่มตัวบ่งชี้สามตัวในโมเดลเราจะได้รับ ป้อนคำอธิบายรูปภาพที่นี่

จากนั้นเราสามารถประมาณ

ป้อนคำอธิบายรูปภาพที่นี่

และรับพล็อตส่วนที่เหลือและ acf

ป้อนคำอธิบายรูปภาพที่นี่

ป้อนคำอธิบายรูปภาพที่นี่

acf นี้แสดงให้เห็นว่าเราเพิ่มค่าสัมประสิทธิ์การเคลื่อนที่เฉลี่ยสองค่าลงในโมเดล ดังนั้นรูปแบบโดยประมาณถัดไปอาจจะเป็น

ป้อนคำอธิบายรูปภาพที่นี่

ยอมให้

ป้อนคำอธิบายรูปภาพที่นี่

ป้อนคำอธิบายรูปภาพที่นี่

ป้อนคำอธิบายรูปภาพที่นี่ ป้อนคำอธิบายรูปภาพที่นี่ ป้อนคำอธิบายรูปภาพที่นี่ จากนั้นสามารถลบค่าคงที่ที่ไม่สำคัญและรับโมเดลที่ได้รับการขัดเกลา: ป้อนคำอธิบายรูปภาพที่นี่

เราทราบว่าไม่จำเป็นต้องมีการเปลี่ยนแปลงพลังงานใด ๆ เพื่อให้ได้ชุดของค่าคงที่ที่แปรปรวนคงที่ โปรดทราบว่าการคาดการณ์ไม่ระเบิด

ป้อนคำอธิบายรูปภาพที่นี่

ป้อนคำอธิบายรูปภาพที่นี่

ในแง่ของผลรวมถ่วงน้ำหนักง่ายๆเรามี: 13 น้ำหนัก; 3 ไม่ใช่ศูนย์และเท่ากับ (1.0.1,0., - 1.0)

ป้อนคำอธิบายรูปภาพที่นี่

ป้อนคำอธิบายรูปภาพที่นี่

เนื้อหานี้ถูกนำเสนอในรูปแบบที่ไม่ใช่แบบอัตโนมัติและต้องมีการโต้ตอบกับผู้ใช้ในแง่ของการตัดสินใจสร้างแบบจำลอง


สวัสดี IrishStat ฉันอีกแล้ว ฉันชอบตัวอย่างที่กว้างขวางของคุณ แต่มีข้อความสองตอนที่คลุมเครือเล็กน้อย (อย่างน้อยสำหรับฉัน): "ความสัมพันธ์อัตโนมัติของซีรีส์นี้แอบแฝงบ่งชี้ว่า" ทุกอย่างดี "และอาจจำเป็นต้องมีการปรับ Ma (1) "และ" acf นี้แสดงให้เห็นว่าเราเพิ่มค่าสัมประสิทธิ์ค่าเฉลี่ยเคลื่อนที่สองค่าลงในโมเดล " สิ่งที่คุณเห็นในแปลง ACF ที่ทำให้คุณเชื่ออย่างนั้น? พวกเขาทั้งสองดูไม่เป็นไร (ค่าเกือบทั้งหมดอยู่ใน "เส้นสีน้ำเงิน") ใช่ไหม
Bruder

: VBruder ฉันคิดว่าฉัน "ผิด" โดยมีคำสั่ง "อาจมี ..... " ในตัวอย่างที่สองมีหลักฐานของ "acf ไม่ดี" ที่ lag1 และ lag 12 บอกถึงความต้องการที่อาจเกิดขึ้นสำหรับสัมประสิทธิ์ t2o ma . คุณเชื่อในข้อ จำกัด เหล่านี้มากเกินไปเนื่องจาก boyf the acf91) และ acf (12) นั้น "เข้าใกล้อย่างอันตราย" คุณสามารถติดต่อฉันโดยตรงตามที่อยู่อีเมลที่เผยแพร่ของฉันที่มีอยู่จากข้อมูลของฉัน
IrishStat

นีซเขียนขึ้น "โมเดล ARIMA สะท้อนการปรับค่าของจุดข้อมูลผิดปกติสามจุด" คุณบอกว่าคุณเพิ่มตัวแปรจำลองสามตัวสำหรับจุดสามจุดเหล่านี้หรือไม่ ในแง่ของคนธรรมดาคนสามคนนี้คิดในอนาคตได้อย่างไร? (ฉันแน่ใจว่ามันง่ายฉันไม่คุ้นเคยกับมัน) นอกจากนี้ดูเหมือนว่าขอบเขตข้อผิดพลาดของคุณจะไม่ใหญ่ขึ้นเมื่อเวลาผ่านไป (หรืออาจเกิดข้อผิดพลาดขึ้นอยู่กับ modality ของขั้นตอนหรือไม่) ขอบคุณล่วงหน้า
อดัม

@Adam ตัวแปร dummy ทั้งสามไม่มีบทบาทในการคาดการณ์เนื่องจากค่าในอนาคตเป็น 0 ทั้งหมดใช่ขอบเขตข้อผิดพลาดที่นำเสนอไม่ถูกต้อง เราได้แก้ไขข้อบกพร่องดังกล่าวแล้วและตอนนี้ AUTOBOX แสดงขอบเขตข้อผิดพลาดที่เพิ่มขึ้นเมื่อเวลาผ่านไป ฉันเป็นหนึ่งในนักพัฒนาของ AUTOBOX .
IrishStat

@IrishStat "ตัวแปรจำลองทั้งสามตัวไม่มีบทบาทในการพยากรณ์เนื่องจากค่าในอนาคตมีค่าเป็น 0 ทั้งหมด" นี่หมายความว่าพวกมันถูกดึงออกมาจากข้อมูลหรือไม่? พวกเขาจะต้องส่งผลกระทบต่อขีด จำกัด การทำนายบ้างไหม?
อดัม

15

ฉันพยายามทำอย่างนั้นในบทที่ 7 ของหนังสือเรียนปี 1998ของฉันกับ Makridakis & Wheelwright ไม่ว่าฉันจะประสบความสำเร็จหรือไม่ฉันจะปล่อยให้คนอื่นตัดสิน คุณสามารถอ่านบางส่วนของบทออนไลน์ผ่านทางAmazon (จาก p311) ค้นหา "ARIMA" ในหนังสือเพื่อชักชวน Amazon ให้แสดงหน้าเว็บที่เกี่ยวข้อง

อัปเดต:ฉันมีหนังสือเล่มใหม่ที่ไม่เสียค่าใช้จ่ายและออนไลน์ บท ARIMA อยู่ที่นี่


3

ฉันอยากจะแนะนำการพยากรณ์ด้วย Univariate Box - Jenkins Models: แนวคิดและคดีโดย Alan Pankratz หนังสือคลาสสิคเล่มนี้มีคุณสมบัติทั้งหมดที่คุณต้องการ:

  • ใช้คณิตศาสตร์น้อยที่สุด
  • ขยายการอภิปรายนอกเหนือจากการสร้างแบบจำลองโดยใช้แบบจำลองนั้นเพื่อคาดการณ์กรณีเฉพาะ
  • ใช้กราฟิกเช่นเดียวกับผลลัพธ์ที่เป็นตัวเลขเพื่อบอกลักษณะที่พอดีระหว่างค่าที่คาดการณ์และค่าจริง

ข้อเสียเปรียบเพียงอย่างเดียวคือมันถูกพิมพ์ในปี 1983 และอาจไม่มีการพัฒนาล่าสุดบางอย่าง ผู้เผยแพร่จะมาพร้อมกับรุ่นที่ 2 ในเดือนมกราคม 2014 พร้อมการอัปเดต


ฉันขอแนะนำหนังสือเล่มอื่นของ Alan Pankratz: การพยากรณ์ด้วยตัวแบบการถดถอยแบบไดนามิก วัสดุที่คล้ายกันมาก แต่ครอบคลุมพื้นดินอีกเล็กน้อย แม้ว่าจะมีรายละเอียดน้อยลงในด้านของ Box-Jenkins ดีใจที่ทราบว่าจะมีฉบับที่ 2 ในเดือนมกราคม 2014!
แกรมวอลช์

-4

แบบจำลอง ARIMA นั้นเป็นค่าเฉลี่ยถ่วงน้ำหนัก มันตอบคำถามคู่

  1. ฉันควรใช้จำนวนจุด (k) ในการคำนวณหาค่าเฉลี่ยถ่วงน้ำหนัก

และ

  1. อะไรคือน้ำหนัก k

มันตอบคำอธิษฐานของหญิงสาวเพื่อกำหนดวิธีการปรับค่าก่อนหน้า (และค่าก่อนหน้านี้เพียงอย่างเดียว) เพื่อฉายภาพซีรี่ส์ (ซึ่งเกิดจากตัวแปรเชิงสาเหตุที่ไม่ได้ระบุ) ดังนั้นแบบจำลอง ARIMA จึงเป็นแบบจำลองเชิงสาเหตุของชายยากจน


-1 การตอบกลับนี้ไม่ปรากฏขึ้นเพื่อตอบคำถามซึ่งกำลังมองหา "well-อธิบาย ... * ตัวอย่าง *."
whuber

@whuber: OP ขอคำตอบว่า "ใช้คณิตศาสตร์น้อยที่สุด" การตอบสนองของฉันมีรายละเอียดทางคณิตศาสตร์น้อยที่สุดและมีแรงจูงใจที่จะอธิบายแบบจำลอง ARIMA ในคำทั่วไปทุกวัน สิ่งนี้ไม่เคยทำในขณะที่พวกนักทฤษฎีทางคณิตศาสตร์มุ่งเน้นไปที่ "คำอธิบายระดับสูง" โดยใช้พหุนาม, ตัวดำเนินการที่ต่างกัน, การหาค่าเหมาะที่สุดแบบไม่เชิงเส้นเป็นต้น
IrishStat

@Irish ฉันเห็นด้วยกับแรงจูงใจที่จะทำให้คณิตศาสตร์ลงโดยเฉพาะอย่างยิ่งเมื่อมีการร้องขอจากผู้ใช้ แต่คำตอบนี้ดูเหมือนจะตอบคำถามอื่น: "อะไรคือ ARIMA" ลักษณะเฉพาะของคำถามเดิมยังระบุว่า OP มีความคิดที่ดีว่า ARIMA คืออะไรและดีสำหรับอะไร พวกเขาต้องการเห็นมันในทางปฏิบัติ ฉันพนันได้เลยว่าคุณสามารถมีส่วนร่วมในกรณีศึกษาเช่น :-)
whuber

: whuber: นั่นจะเป็นเรื่องง่ายสำหรับฉันที่จะทำและฉันก็อาจจะทำอย่างนั้น
IrishStat

@ ไอริชฉันหวังว่าจะเห็นมัน ยิ่งไปกว่านั้น - ปัญหานี้ไม่ได้เกิดขึ้นที่นี่ แต่เกิดขึ้นในที่อื่น - การมีส่วนร่วมดังกล่าวอาจมีประสิทธิภาพและชื่นชมมากขึ้นทำให้ผู้คนรู้ว่าคุณสามารถทำอะไรได้มากกว่าการตลาดแบบเปิดเผยมากมาย
whuber
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.