W analizie danych panelowych wykorzystałem modele wielopoziomowe z efektami losowymi / mieszanymi, aby poradzić sobie z problemami autokorelacji (tj. Obserwacje są skupione w obrębie poszczególnych osób w czasie) z innymi parametrami dodanymi w celu dostosowania do niektórych specyfikacji czasu i szoków zainteresowania . Wydaje się, że ARMA / ARIMA ma na celu rozwiązanie podobnych problemów.
Zasoby, które znalazłem w Internecie, omawiają modele szeregów czasowych (ARMA / ARIMA) lub modele efektów mieszanych, ale poza tym, że bazują na regresji, nie rozumiem związku między nimi. Czy ktoś może chcieć używać ARMA / ARIMA z modelu wielopoziomowego? Czy istnieje sens, w którym oba są równoważne lub zbędne?
Odpowiedzi lub wskazówki do zasobów, które to omawiają, byłyby świetne.
źródło
arima
robi to pod maską), znane również jako dynamiczne modele liniowe (DLM). DLM są również rozszerzeniami regresji (w inny sposób niż efekty mieszane), więc sądzę, że istnieje głęboka zależność między ARIMA a modelami z efektami mieszanymi. Nie zmienia to różnic w praktyce , które dobrze podsumowujecie.ARMA / ARIMA to modele jednowymiarowe, które optymalizują sposób wykorzystania przeszłości pojedynczej serii do przewidywania tej pojedynczej serii. Modele te można rozszerzyć o empirycznie zidentyfikowane zmienne interwencyjne, takie jak impulsy, przesunięcia poziomu, sezonowe impulsy i lokalne trendy czasowe, ALE są one zasadniczo nieusuwalne, ponieważ nie istnieją żadne sugerowane przez użytkownika serie danych wejściowych. Wielowymiarowe rozszerzenie tych modeli nazywa się XARMAX lub bardziej ogólnie Modelami Funkcji Transferu, które wykorzystują struktury PDL / ADL na wejściach i wykorzystują dowolną potrzebną strukturę ARMA / ARIMA na pozostałej części. Modele te można również wzmocnić, włączając empirycznie identyfikowalne deterministyczne dane wejściowe. Zatem oba te modele można uznać za zastosowania do danych podłużnych (powtarzanych pomiarów). Teraz artykuł w Wikipedii na temat modeli wielopoziomowych odnosi się do ich zastosowania do szeregów czasowych / danych podłużnych poprzez przyjęcie pewnych prymitywnych / trywialnych, tj. nieanalitycznych struktur, takich jak „Najprostsze modele zakładają, że wpływ czasu jest liniowy. Można określić modele wielomianowe, aby umożliwić kwadratowe lub sześcienne skutki czasu” .
Można rozszerzyć model funkcji przenoszenia, aby objąć wiele grup, ewoluując w ten sposób do analizy szeregów czasowych w pulach przekrojów poprzecznych, w których odpowiednią strukturę (opóźnienia / odprowadzenia) można zastosować w połączeniu ze strukturą ARIMA w celu utworzenia zarówno modeli lokalnych, jak i modelu ogólnego.
źródło