Wykonuję analizę danych szeregów czasowych metodami przestrzeni stanów. Z moich danych stochastyczny model na poziomie lokalnym całkowicie przewyższał model deterministyczny. Ale poziom deterministyczny i model nachylenia daje lepsze wyniki niż w przypadku poziomu stochastycznego i nachylenia stochastycznego / deterministycznego. Czy to jest coś zwykłego? Wszystkie metody w R wymagają wartości początkowych i przeczytałem gdzieś, że najpierw dopasowanie modelu ARIMA i pobranie wartości z nich jako wartości początkowych do analizy przestrzeni stanów jest jednym ze sposobów; możliwy? lub jakaś inna propozycja? Muszę przyznać, że jestem zupełnie nowy w analizie przestrzeni stanów.
time-series
state-space-models
Scortchi - Przywróć Monikę
źródło
źródło
Odpowiedzi:
Aby odpowiedzieć na pierwsze pytanie. Tak, wszystko jest możliwe. To nie jest zwykłe ani niezwykłe. Powinieneś pozwolić, aby dane powiedziały ci, jaki jest właściwy model. Jeśli to możliwe, spróbuj dodatkowo rozszerzyć model o sezonowe, cykliczne i regresory objaśniające.
Powinieneś nie tylko porównywać kryterium informacyjne Akaike (AIC) w celu porównania modeli, ale także sprawdzać, czy reszty (nieregularne) są normalne, homoskedastyczne i niezależne (test Ljunga-Boxa). Jeśli możesz znaleźć model, który ma wszystkie te pożądane właściwości. To powinien być twój preferowany model (prawdopodobnie model z tymi wszystkimi właściwościami będzie miał najlepszy AIC).
Chociaż wartości początkowe będą wpływać na to, który maksymalny punkt funkcji wiarygodności dziennika zostanie znaleziony, jeśli twój model jest dobrze określony, nie powinien się zbytnio różnić i powinien być oczywisty kandydat na najlepszy model z najlepszymi wartościami początkowymi. Często wykonuję tego rodzaju analizy w Matlabie i odkryłem, że najlepszym sposobem na znalezienie wartości początkowych jest odrobina zabawy. Może to być nużące, ale w końcu działa dobrze.
źródło