Mam nadzieję, że jest to właściwe miejsce do opublikowania tego. Rozważyłem opublikowanie go sceptykom, ale sądzę, że po prostu powiedzieliby, że badanie było statystycznie nieprawidłowe. Jestem ciekaw drugiej strony pytania, jak to zrobić dobrze.
Na stronie internetowej Quantified Self autor opublikował wyniki eksperymentu pewnej miary wydajności mierzonej na sobie w czasie i porównywanej przed i po nagłym zaprzestaniu picia kawy. Wyniki zostały ocenione subiektywnie, a autor uważał, że ma dowody na zmianę szeregów czasowych i było to związane ze zmianą polityki (picie kawy)
To przypomina mi modele gospodarki. Mamy tylko jedną ekonomię (w tej chwili na tym nam zależy), więc ekonomiści często wykonują zasadniczo n = 1 eksperymentów. Z tego powodu dane prawie z czasem są autokorelowane. Ekonomiści na ogół obserwują, jak mówi Fed, inicjowanie polityki i próbują zdecydować, czy szeregi czasowe ulegną zmianie, potencjalnie z powodu tej polityki.
Jaki jest odpowiedni test, aby ustalić, czy szereg czasowy wzrósł, czy zmniejszył się na podstawie danych? Ile danych potrzebowałbym? Jakie narzędzia istnieją? Moje początkowe wyszukiwanie w Google sugeruje, że Markov przełącza modele szeregów czasowych, ale nie moje umiejętności googlingu nie zawiodły mnie w pomaganiu w robieniu czegokolwiek z samą nazwą techniki.
źródło
Kilka lat temu usłyszałem przemówienie studenta, Stacey Hancock , podczas lokalnego spotkania rozdziału ASA i dotyczyło „szacowania pęknięć strukturalnych” szeregów czasowych. Rozmowa była naprawdę interesująca, a potem rozmawiałem z nią, a ona pracowała z Richardem Davisem (z Brockwell-Davis ), następnie na Uniwersytecie Stanu Kolorado, obecnie w Kolumbii. Rozmowa była przedłużeniem Davisa i in. praca w dokumencie JASA z 2006 r. zatytułowanym Strutural Break Estimation for Nonstationary Time Series Models , który jest dostępny bezpłatnie tutaj .
Davis ma implementację programową metody, którą nazywa Auto-PARM, którą przekształcił w plik wykonywalny Windows. Jeśli się z nim skontaktujesz, możesz otrzymać kopię. Mam kopię, a oto przykład danych wyjściowych z 1200 serii czasowych obserwacji:
Tak więc serią jest AR (1) na początku, przy obserwacji 351 proces AR (1) zmienia się na inny proces AR (1) (można uzyskać parametry), a następnie przy obserwacji 612 proces zmienia się na AR (3) .
Jednym z interesujących ustawień, na których wypróbowałem Auto-PARM, było sprawdzanie cotygodniowych danych dotyczących wypłat z bankomatów, które były częścią konkursu NN5 . Pamiętam algorytm znajdujący przerwy strukturalne pod koniec listopada danego roku, np. Początek świątecznych zakupów w USA.
Jak więc wykorzystać ten algorytm za pomocą istniejących implementacji? Cóż, znowu możesz skontaktować się z Davisem i sprawdzić, czy możesz uzyskać plik wykonywalny Windows. Kiedy pracowałem w Rogue Wave Software, współpracowałem z Davisem, aby wprowadzić Auto-PARM do bibliotek numerycznych IMSL. Pierwszym językiem, do którego został przeniesiony, był Fortran , gdzie nazywa się Auto_PARM, i podejrzewam, że Rogue Wave wkrótce wyda port C, a następnie porty Python, C # i Java.
źródło
Josh powiedział:
Załóżmy, że zaczyna się od modelu AR (1):
Gdziemit jest, powiedzmy, hałasem Gaussa (średnia zero i wariancja σ2)
Średnia z tej serii.
Średnia z serii toγ1 - p h i
Więc jeśli przez jakiś czas parametryγ i ϕ nie zmienia się, podobnie jak ogólna średnia serii. Jednak każda z tych zmian, koniecznie zmieni się średnia serii. Tak więc, przy częściowej stacjonarności, szukamy zmian tych parametrów!
Przy założeniu modeli konstrukcyjnych należy zastosować Auto-PARM.
źródło