Ponieważ nie możemy dopasować modelu ARIMA w przypadku naruszenia założenia stałej wariancji, jaki model można zastosować do dopasowania szeregów czasowych jednowymiarowych?
time-series
modeling
forecasting
arima
Anthony
źródło
źródło
Odpowiedzi:
Istnieje wiele opcji modelowania uwzględniających niestałą wariancję, na przykład ARCH (i GARCH i ich wiele rozszerzeń) lub modele zmienności stochastycznej.
Model ARCH rozszerza modele ARMA o dodatkowe równanie szeregów czasowych dla terminu błędu kwadratowego. Są one dość łatwe do oszacowania (na przykład pakiet fGRACH R).
Modele SV rozszerzają modele ARMA o dodatkowe równanie szeregów czasowych (zwykle AR (1)) dla dziennika wariancji zależnej od czasu. Odkryłem, że te modele najlepiej oceniać przy użyciu metod bayesowskich (OpenBUGS działał dla mnie dobrze w przeszłości).
źródło
Możesz dopasować model ARIMA, ale najpierw musisz ustabilizować wariancję poprzez zastosowanie odpowiedniej transformacji. Możesz także użyć transformacji Box-Cox. Dokonano tego w książce Analiza szeregów czasowych: Z aplikacjami w R , strona 99, a następnie używają transformacji Box-Coxa. Sprawdź ten link Modelowanie Boxa-Jenkinsa Innym odniesieniem jest strona 169, Wprowadzenie do szeregów czasowych i prognoz, Brockwell i Davis: „Po przekształceniu danych (np. Przez połączenie kombinacji Box-Coxa i różnicowania lub przez usunięcie trendów i składników sezonowych) do punktu, w którym przekształcona seria X_t może potencjalnie zostać dopasowana przez model ARMA o średniej wartości zero, mamy do czynienia z problemem wyboru odpowiednich wartości dla zamówień p i q. ” Dlatego musisz ustabilizować wariancję przed dopasowaniem modelu ARIMA.
źródło
Najpierw zapytam, dlaczego reszty z modelu ARIMA nie mają stałej wariancji, zanim zrezygnuję z tego podejścia. Czy te resztki nie wykazują żadnej struktury korelacji? Jeśli tak się dzieje, być może do modelu należy włączyć pewne warunki średniej ruchomej.
Ale teraz załóżmy, że reszty nie wydają się mieć żadnej struktury autokorelacji. to w jaki sposób wariancja zmienia się z czasem (wzrost, spadek lub fluktuacja w górę i w dół)? Sposób zmiany wariancji może być wskazówką, co jest nie tak z istniejącym modelem. Być może istnieją zmienne towarzyszące, które są skorelowane z tymi szeregami czasowymi. W takim przypadku zmienne towarzyszące można dodać do modelu. Resztki nie mogą już dłużej wykazywać niestałej wariancji.
Można powiedzieć, że jeśli szereg jest skorelowany krzyżowo z współzmienną, które pokazują się w autokorelacji reszt. Nie byłoby tak jednak w przypadku, gdyby korelacja była głównie opóźniona 0.
Jeśli ani dodanie warunków średniej ruchomej, ani wprowadzenie zmiennych towarzyszących nie pomogą rozwiązać problemu, być może warto rozważyć określenie funkcji zmieniającej się w czasie dla wariancji rezydualnej na podstawie kilku parametrów. Następnie relację tę można włączyć do funkcji prawdopodobieństwa w celu zmodyfikowania oszacowań modelu.
źródło