คำถามติดแท็ก arma

หมายถึงแบบจำลองค่าเฉลี่ยเคลื่อนที่แบบรวมย้อนกลับอัตโนมัติที่ใช้ในการสร้างแบบจำลองอนุกรมเวลาทั้งสำหรับคำอธิบายข้อมูลและสำหรับการคาดการณ์ แบบจำลองนี้ทำให้โมเดล ARMA มีลักษณะทั่วไปโดยรวมคำสำหรับการสร้างความแตกต่างซึ่งมีประโยชน์สำหรับการลบแนวโน้มและจัดการกับความไม่อยู่นิ่งบางประเภท

3
วิเคราะห์แปลง ACF และ PACF
ฉันต้องการดูว่าฉันอยู่ในเส้นทางที่ถูกต้องในการวิเคราะห์แปลง ACF และ PACF ของฉันหรือไม่: พื้นหลัง: (Reff: Philip Hans Franses, 1998) ในฐานะที่เป็นทั้ง ACF และ PACF แสดงค่าที่สำคัญฉันคิดว่ารูปแบบ ARMA จะตอบสนองความต้องการของฉัน ACF สามารถใช้ในการประเมิน MA-part, เช่น q-value, PACF สามารถใช้ในการประมาณ AR-part, เช่น p-value ในการประเมินรูปแบบการสั่งซื้อฉันดูที่ a.) ว่าค่า ACF นั้นออกมาตายเพียงพอหรือไม่ b.) ไม่ว่า ACF จะส่งสัญญาณการทำงานเกินกำหนดและ c.) หรือไม่ว่า ACF และ PACF แสดงยอดที่สำคัญและตีความได้อย่างง่ายดาย ACF และ PACF อาจแนะนำไม่เพียงรุ่นเดียว แต่หลายรุ่นที่ฉันต้องเลือกหลังจากพิจารณาเครื่องมือวินิจฉัยอื่น ๆ โดยที่ในใจฉันจะไปข้างหน้าและบอกว่าแบบจำลองที่ชัดเจนที่สุดน่าจะเป็น …

2
สัญชาตญาณของกระบวนการย้อนกลับในอนุกรมเวลาคืออะไร?
ฉันกำลังอ่านหนังสือเกี่ยวกับอนุกรมเวลาและเริ่มเกาหัวในส่วนต่อไปนี้: ใครช่วยอธิบายสัญชาตญาณให้ฉันได้บ้าง ฉันไม่สามารถรับมันจากข้อความนี้ ทำไมเราต้องมีกระบวนการที่จะกลับด้านได้? ภาพใหญ่ที่นี่คืออะไร? ขอบคุณสำหรับความช่วยเหลือ ฉันใหม่กับสิ่งนี้ดังนั้นหากคุณสามารถใช้คำศัพท์ระดับนักเรียนเมื่ออธิบายสิ่งนี้ :)
19 time-series  arma 

1
หลักฐานการคงที่ของ AR (2)
พิจารณากระบวนการ AR ที่เป็นศูนย์กลาง (2)โดยที่เป็นกระบวนการเสียงสีขาวมาตรฐาน เพียงเพื่อประโยชน์ของความเรียบง่ายให้ฉันโทรและ a มุ่งเน้นไปที่รากของสมการลักษณะเฉพาะฉันได้ เงื่อนไขแบบคลาสสิกในตำรามีดังต่อไปนี้: ฉันพยายามที่จะแก้ปัญหาด้วยตนเอง (ด้วยความช่วยเหลือของ Mathematica) ความไม่เท่าเทียมกันในรากเช่นระบบได้รับเพียงXt=ϕ1Xt−1+ϕ2Xt−2+ϵtXt=ϕ1Xt−1+ϕ2Xt−2+ϵtX_t=\phi_1X_{t-1}+\phi_2X_{t-2}+\epsilon_tϵtϵt\epsilon_tϕ1=bϕ1=b\phi_1=bϕ2=aϕ2=a\phi_{2}=az1,2=−b±b2+4a−−−−−−√2az1,2=−b±b2+4a2az_{1,2}=\frac{-b\pm\sqrt{b^2+4a}}{2a}{|a|&lt;1a±b&lt;1{|a|&lt;1a±b&lt;1\begin{cases}|a|<1 \\ a\pm b<1 \end{cases}⎧⎩⎨|−b−b2+4a√2a|&gt;1|−b+b2+4a√2a|&gt;1{|−b−b2+4a2a|&gt;1|−b+b2+4a2a|&gt;1\begin{cases}|\frac{-b-\sqrt{b^2+4a}}{2a}|>1 \\ |\frac{-b+\sqrt{b^2+4a}}{2a}|>1\end{cases}a±b&lt;1a±b&lt;1a \pm b<1เงื่อนไขที่สาม ( ) สามารถกู้คืนได้โดยเพิ่มโซลูชันสองรายการก่อนหน้าให้กับแต่ละอื่น ๆ ที่ได้รับที่ผ่านการพิจารณาสัญญาณบางอย่างกลายเป็นหรือไม่ หรือฉันกำลังหาทางแก้ปัญหา?|a|&lt;1|a|&lt;1|a|<1a+b+a−b&lt;2⇒a&lt;1a+b+a−b&lt;2⇒a&lt;1a+b+a-b<2 \Rightarrow a<1|a|&lt;1|a|&lt;1|a|<1


4
การใช้ ARMA-GARCH จำเป็นต้องใช้เครื่องเขียนหรือไม่?
ฉันจะใช้แบบจำลอง ARMA-GARCH สำหรับอนุกรมเวลาทางการเงินและสงสัยว่าชุดควรจะอยู่กับที่หรือไม่ก่อนที่จะใช้โมเดลดังกล่าว ฉันรู้ที่จะใช้โมเดล ARMA ชุดควรจะอยู่กับที่อย่างไรก็ตามฉันไม่แน่ใจสำหรับ ARMA-GARCH เนื่องจากฉันรวมถึงข้อผิดพลาด GARCH ซึ่งบ่งบอกถึงความผันผวนของการจัดกลุ่มและความแปรปรวนแบบไม่คงที่และแบบไม่คงที่ไม่ว่าจะเปลี่ยนแปลงอะไรก็ตาม . อนุกรมเวลาทางการเงินมักจะอยู่กับที่หรือหยุดนิ่ง? ฉันลองใช้การทดสอบ ADF กับซีรี่ย์ระเหยสองสามตัวและได้ค่า p &lt;0.01 ซึ่งดูเหมือนว่าจะบ่งบอกความคงที่ แต่หลักการของซีรียส์ระเหยนั้นเองบอกเราว่า บางคนสามารถบอกฉันว่าฉันสับสนหรือเปล่า

2
ARIMA vs ARMA ในซีรี่ส์ที่ต่างกัน
ใน R (2.15.2) ฉันติดตั้ง ARIMA หนึ่งครั้ง (3,1,3) ในอนุกรมเวลาหนึ่งครั้งและ ARMA (3,3) หนึ่งครั้งในช่วงเวลาที่ต่างกัน พารามิเตอร์ที่ติดตั้งแตกต่างกันซึ่งฉันอ้างถึงวิธีการติดตั้งใน ARIMA นอกจากนี้การติดตั้ง ARIMA (3,0,3) ในข้อมูลเดียวกันกับ ARMA (3,3) จะไม่ส่งผลให้มีพารามิเตอร์เหมือนกันไม่ว่าวิธีการฟิตติ้งที่ฉันใช้จะเป็นอย่างไร ฉันสนใจที่จะระบุว่าความแตกต่างนั้นมาจากไหนและด้วยพารามิเตอร์ใดที่ฉันสามารถทำได้ (ถ้าหากทั้งหมด) พอดีกับ ARIMA เพื่อให้ได้ค่าสัมประสิทธิ์ของความพอดีเหมือนกับ ARMA รหัสตัวอย่างที่จะสาธิต: library(tseries) set.seed(2) #getting a time series manually x&lt;-c(1,2,1) e&lt;-c(0,0.3,-0.2) n&lt;-45 AR&lt;-c(0.5,-0.4,-0.1) MA&lt;-c(0.4,0.3,-0.2) for(i in 4:n){ tt&lt;-rnorm(1) t&lt;-x[length(x)]+tt+x[i-1]*AR[1]+x[i-2]*AR[2]+x[i-3]*AR[3]+e[i-1]*MA[1]+e[i-2]*MA[2]+e[i-3]*MA[3] x&lt;-c(x,t) e&lt;-c(e,tt) } par(mfrow=c(2,1)) plot(x) plot(diff(x,1)) …
13 r  time-series  arima  fitting  arma 

3
การเปลี่ยนแปลงอัตโนมัติของกระบวนการ ARMA (2,1) - ได้รับแบบจำลองการวิเคราะห์สำหรับ
ฉันต้องได้รับนิพจน์การวิเคราะห์สำหรับฟังก์ชัน autocovarianceของกระบวนการ ARMA (2,1) แสดงโดย:γ(k)γ(k)\gamma\left(k\right) yt=ϕ1yt−1+ϕ2yt−2+θ1ϵt−1+ϵtyt=ϕ1yt−1+ϕ2yt−2+θ1ϵt−1+ϵty_t=\phi_1y_{t-1}+\phi_2y_{t-2}+\theta_1\epsilon_{t-1}+\epsilon_t ดังนั้นฉันรู้ว่า: γ(k)=E[yt,yt−k]γ(k)=E[yt,yt−k]\gamma\left(k\right) = \mathrm{E}\left[y_t,y_{t-k}\right] ดังนั้นฉันสามารถเขียน: γ(k)=ϕ1E[yt−1yt−k]+ϕ2E[yt−2yt−k]+θ1E[ϵt−1yt−k]+E[ϵtyt−k]γ(k)=ϕ1E[yt−1yt−k]+ϕ2E[yt−2yt−k]+θ1E[ϵt−1yt−k]+E[ϵtyt−k]\gamma\left(k\right) = \phi_1 \mathrm{E}\left[y_{t-1}y_{t-k}\right]+\phi_2 \mathrm{E}\left[y_{t-2}y_{t-k}\right]+\theta_1 \mathrm{E}\left[\epsilon_{t-1}y_{t-k}\right]+\mathrm{E}\left[\epsilon_{t}y_{t-k}\right] จากนั้นเพื่อให้ได้รุ่นวิเคราะห์ของฟังก์ชัน autocovariance ฉันต้องแทนที่ค่า - 0, 1, 2 ... จนกว่าฉันจะได้รับการสอบถามซ้ำที่ถูกต้องสำหรับทั้งหมดที่มากกว่าจำนวนเต็มบางส่วนkkkkkk ดังนั้นฉันแทนและทำงานผ่านเพื่อรับ:k=0k=0k=0 γ(0)=E[yt,yt]=ϕ1E[yt−1yt]+ϕ2E[yt−2yt]+θ1E[ϵt−1yt]+E[ϵtyt]γ(0)=E[yt,yt]=ϕ1E[yt−1yt]+ϕ2E[yt−2yt]+θ1E[ϵt−1yt]+E[ϵtyt] \gamma \left(0\right) = \mathrm{E}\left[y_t,y_t\right] = \phi_1 \mathrm{E}\left[y_{t-1}y_t\right] + \phi_2 \mathrm{E}\left[y_{t-2}y_t\right]+\theta_1 \mathrm{E}\left[\epsilon_{t-1}y_t\right]+\mathrm{E}\left[\epsilon_ty_t\right]\\ ตอนนี้ฉันสามารถลดความซับซ้อนของคำศัพท์สองคำแรกจากนั้นให้แทนที่เหมือนเมื่อก่อน:ytyty_t γ(0)=ϕ1γ(1)+ϕ2γ(2)+θ1E[ϵt−1(ϕ1yt−1+ϕ2yt−2+θ1ϵt−1+ϵt)]+E[ϵt(ϕ1yt−1+ϕ2yt−2+θ1ϵt−1+ϵt)]γ(0)=ϕ1γ(1)+ϕ2γ(2)+θ1E[ϵt−1(ϕ1yt−1+ϕ2yt−2+θ1ϵt−1+ϵt)]+E[ϵt(ϕ1yt−1+ϕ2yt−2+θ1ϵt−1+ϵt)] \gamma\left(0\right) = \phi_1 \gamma\left(1\right) + \phi_2 \gamma\left(2\right)\\ + \theta_1 …

2
นิยาม AIC ที่แตกต่าง
จากวิกิพีเดียมีคำนิยามของ Akaike's Information Criterion (AIC) เป็นโดยที่kคือจำนวนพารามิเตอร์และlog Lคือความเป็นไปได้ของโมเดลA Iค= 2 k - 2 บันทึกLAIC=2k−2log⁡L AIC = 2k -2 \log L kkkเข้าสู่ระบบLlog⁡L\log L อย่างไรก็ตามบันทึกเศรษฐเราในมหาวิทยาลัยของรัฐที่นับหน้าถือตาที่ฉันC = บันทึก( σ 2 ) + 2 ⋅ k . นี่ σ 2คือความแปรปรวนโดยประมาณสำหรับข้อผิดพลาดในรูปแบบ ARMA และTคือจำนวนของการสังเกตในชุดข้อมูลชุดเวลาA Iค= บันทึก( σ^2) + 2 ⋅ kTAIC=log⁡(σ^2)+2⋅kT AIC = \log (\hat{\sigma}^2) + \frac{2 …

1
ค่าติดตั้งของตัวแบบ ARMA
ฉันกำลังพยายามที่จะเข้าใจวิธีคำนวณค่าติดตั้งสำหรับโมเดล ARMA (p, q) ฉันพบคำถามที่นี่แล้วเกี่ยวกับค่าที่เหมาะสมของกระบวนการ ARMA แต่ไม่สามารถเข้าใจได้ ถ้าฉันมีโมเดล ARMA (1,1) เช่น Xเสื้อ= α1Xt - 1+ ϵเสื้อ- β1εt - 1Xเสื้อ=α1Xเสื้อ-1+εเสื้อ-β1εเสื้อ-1X_t = \alpha_1X_{t-1}+\epsilon_t - \beta_1 \epsilon_{t-1} และฉันได้รับอนุกรมเวลา (เครื่องเขียน) ฉันสามารถประมาณพารามิเตอร์ได้ ฉันจะคำนวณค่าติดตั้งโดยใช้การประมาณการเหล่านั้นได้อย่างไร สำหรับรุ่น AR (1) ค่าติดตั้งจะถูกกำหนดโดย Xเสื้อ^= α1^Xt - 1.Xเสื้อ^=α1^Xเสื้อ-1.\hat{X_t} = \hat{\alpha_1}X_{t-1} . เนื่องจากนวัตกรรมในแบบจำลอง ARMA ไม่สามารถตรวจสอบได้ฉันจะใช้การประมาณค่าพารามิเตอร์ MA ได้อย่างไร ฉันจะเพิกเฉยต่อชิ้นส่วน MA และคำนวณค่าติดตั้งของส่วน AR ไหม
11 arma 

1
เหตุใดการพยากรณ์โมเดล ARMA จึงดำเนินการโดยตัวกรองคาลมาน
อะไรคือข้อดีของการแสดงแบบจำลอง ARMA เป็นแบบจำลองพื้นที่รัฐและการพยากรณ์โดยใช้ตัวกรองคาลมาน วิธีการนี้เป็นตัวอย่างที่ใช้ในการใช้งาน SARIMAX ของ python-statsmodels: https://github.com/statsmodels/statsmodels/tree/master/statsmodels/tsa/statespace

3
เนื้อหาออนไลน์เพื่อเรียนรู้การวิเคราะห์อนุกรมเวลา
คำถามของฉันคือถ้ามีสื่อออนไลน์ที่ดีสำหรับการเรียนรู้นี้ สิ่งที่แนะนำสิ่งต่าง ๆ ได้ดีโดยเฉพาะอย่างยิ่งแบบจำลอง ARMA และคณิตศาสตร์ที่เกี่ยวข้อง แก้ไข:ฉันกำลังมองหาบางอย่างในระดับปริญญาตรีระดับสูง บางสิ่งที่เหมือนในบทนำของอนุกรมเวลาและการพยากรณ์ของ Brockwell และ Davis

1
มี ARMA ที่เทียบเท่ากับอันดับสหสัมพันธ์หรือไม่
ฉันกำลังดูข้อมูลเชิงเส้นที่ไม่มากซึ่งโมเดลของ ARMA / ARIMA ทำงานได้ไม่ดี แม้ว่าฉันจะเห็นความสัมพันธ์อัตโนมัติบางอย่างและฉันหวังว่าจะได้ผลลัพธ์ที่ดีกว่าสำหรับการไม่เกี่ยวข้องกันโดยอัตโนมัติเชิงเส้น 1 / มี PACF ที่เทียบเท่ากับอันดับสหสัมพันธ์หรือไม่ (ใน R?) 2 / มีแบบจำลอง ARMA ที่เทียบเท่าสำหรับความสัมพันธ์เชิงเส้น / อันดับ (ใน R หรือไม่)
โดยการใช้ไซต์ของเรา หมายความว่าคุณได้อ่านและทำความเข้าใจนโยบายคุกกี้และนโยบายความเป็นส่วนตัวของเราแล้ว
Licensed under cc by-sa 3.0 with attribution required.