Jak zniechęcić szeregi czasowe? Czy wystarczy wziąć pierwszą różnicę i przeprowadzić test Dickeya Fullera, a jeśli jest stacjonarny, jesteśmy dobrzy?
Odkryłem również w Internecie, że mogę odrzucić szeregi czasowe, robiąc to w Stata:
reg lncredit time
predict u_lncredit, residuals
twoway line u_lncredit time
dfuller u_lncredit, drift regress lags(0)
Jakie jest najlepsze podejście do zniechęcania szeregów czasowych?
regression
time-series
stata
stationarity
użytkownik58710
źródło
źródło
Odpowiedzi:
Jeśli trend jest deterministyczny (np. Trend liniowy), można przeprowadzić regresję danych na trend deterministyczny (np. Stały plus indeks czasowy), aby oszacować trend i usunąć go z danych. Jeśli trend jest stochastyczny, należy odrzucić serię, biorąc na nią pierwsze różnice.
Test ADF i test KPSS mogą dostarczyć ci informacji pozwalających ustalić, czy trend jest deterministyczny czy stochastyczny.
Ponieważ hipoteza zerowa testu KPSS jest przeciwieństwem wartości zerowej w teście ADF, można wcześniej ustalić następujący sposób postępowania:
W kontekście strukturalnych modeli szeregów czasowych można dopasować do danych model na poziomie lokalnym lub model trendu lokalnego, aby uzyskać oszacowanie trendu i usunąć go z szeregu. Model trendu lokalnego jest zdefiniowany następująco (model poziomu lokalnego uzyskuje się za pomocą ):σ2)ζ= 0
źródło
Istnieje kilka sposobów na zniechęcenie szeregu czasowego w celu unieruchomienia go:
Liniowe zniechęcanie jest tym, co skopiowałeś. Może nie dać ci tego, czego pragniesz, gdy arbitralnie naprawisz deterministyczny trend liniowy.
Rozkład kwadratowy jest pod pewnymi względami podobny do rozkładu liniowego, z tym wyjątkiem, że dodajesz „czas ^ 2” i zakłada zachowanie typu wykładniczego.
Filtr HP z Hodrick i Prescott (1980) pozwala wydobyć niedeterministyczny długoterminowy składnik serii. Szereg resztkowy jest zatem składnikiem cyklicznym. Należy pamiętać, że ponieważ jest to optymalna średnia ważona, cierpi na błąd systematyczny punktu końcowego (pierwsze i ostatnie 4 obserwacje są błędnie oszacowane).
Filtr pasmowy Baxtera i Kinga (1995), który jest zasadniczo filtrem średniej ruchomej, w którym wyklucza się wysokie i niskie częstotliwości.
Filtr Christiano-Fitzgerald.
Podsumowując, zależy to od twojej intencji, a niektóre filtry mogą być lepiej dostosowane do twoich potrzeb niż inne.
źródło
Być może istnieje więcej niż jeden trend. Być może nastąpiła zmiana poziomu. Być może wariancja błędu zmieniała się z czasem W każdym razie zwykłe usuwanie trendów może być nieodpowiednie. Do odkrycia natury danych / modelu należy wykorzystać dobrą analizę eksploracyjną zgodną z linią http://www.unc.edu/~jbhill/tsay.pdf .
źródło
Proponuję rzucić okiem na analizę Singular Spectrum. Jest to technika nieparametryczna, którą można z grubsza postrzegać jako PCA dla szeregów czasowych. Jedną z przydatnych właściwości jest to, że może skutecznie usuwać trendy z serii.
źródło
Musisz dokładnie przestudiować ten temat i możesz zacząć tutaj.
http://www.stat.pitt.edu/stoffer/tsa3/
Kluczową rzeczą, której szukasz, jest stacjonarność lub niestacjonarność, ponieważ większość testów statystycznych zakłada, że dane są dystrybuowane normalnie. Istnieją różne sposoby przekształcania danych w celu ich unieruchomienia. Odstraszanie jest jedną z metod, ale byłoby niewłaściwe w przypadku niektórych rodzajów danych niestacjonarnych.
Jeśli dane są przypadkowym przejściem z trendem, może być konieczne zastosowanie różnicowania.
Jeśli dane pokazują trend deterministyczny z sezonowym lub innym odchyleniem od trendu, należy zacząć od zniechęcania.
Być może będziesz musiał eksperymentować z różnymi podejściami.
źródło