Introduktion till ARIMA nonseasonal models. ARIMA p, d, q prognos Equation ARIMA-modeller är i teorin den vanligaste klassen av modeller för prognoser för en tidsserie som kan göras stationär genom differentiering om det behövs, kanske i samband med olinjära transformationer Till exempel loggning eller avflöde om det behövs En slumpmässig variabel som är en tidsserie är stillastående om dess statistiska egenskaper är konstanta över tid En stationär serie har ingen trend, dess variationer runt dess medelvärde har en konstant amplitud och det vinklar på ett konsekvent sätt Dvs dess kortsiktiga slumpmässiga tidsmönster ser alltid ut i statistisk mening. Det sistnämnda tillståndet betyder att dess autokorrelationsrelationer med sina egna tidigare avvikelser från medelvärdet förblir konstanta över tiden, eller likvärdigt, att dess effektspektrum förblir konstant över tiden. En slumpmässig Variabel i denna form kan ses som vanligt som en kombination av signal och brus, och signalen om en är uppenbar kan vara en patt Ingen snabb eller långsam medelåterföring eller sinusformad oscillation eller snabb växling i tecken och det kan också ha en säsongskomponent. En ARIMA-modell kan ses som ett filter som försöker skilja signalen från bruset och signalen är då Extrapoleras till framtiden för att erhålla prognoser. ARIMA-prognosen för en stationär tidsserie är en linjär dvs regressionstypsekvation där prediktorerna består av lags av den beroende variabeln och eller lagrar prognosfel som är. Predicted value of Y En konstant och eller en vägd summa av en eller flera nya värden av Y och eller en vägd summa av en eller flera nya värden av felen. Om prediktorerna endast består av fördröjda värden på Y är det en ren självregressiv självregresserad modell, Som bara är ett speciellt fall av en regressionsmodell och som kan utrustas med standard regressionsprogramvara. Till exempel är en första-orders auktoregressiv AR 1-modell för Y en enkel regressionsmodell där den oberoende variabeln i S bara Y fördröjt med en period LAG Y, 1 i Statgraphics eller YLAG1 i RegressIt Om några av prediktorerna är felaktiga, är en ARIMA-modell inte en linjär regressionsmodell, eftersom det inte finns något sätt att ange senaste periodens fel Som en oberoende variabel måste felen beräknas under en period då modellen är monterad på data. Tekniskt sett är problemet med att använda fördröjda fel som prediktorer att modellens förutsägelser inte är linjära funktioner hos Koefficienter trots att de är linjära funktioner i tidigare data Således måste koefficienter i ARIMA-modeller som innehåller fördröjda fel uppskattas genom olinjära optimeringsmetoder bergklättring snarare än genom att bara lösa ett system av ekvationer. Akronymet ARIMA står för auto-regressiv integrerad Flyttande medelvärden för den stationära serien i prognosförhållandet kallas autoregressiva termer, lag av prognosfel kallas glidande medelvärden och en tidsserie som behöver Skilja sig från att bli stationär sägs vara en integrerad version av en stationär serie Slumpmässiga och slumpmässiga modeller, autoregressiva modeller och exponentiella utjämningsmodeller är alla speciella fall av ARIMA-modeller. En nonseasonal ARIMA-modell är klassad som en ARIMA P, d, q modell, where. p är antalet autoregressiva termer. d är antalet icke-säsongsskillnader som behövs för stationaritet, ochqq är antalet fördröjda prognosfel i prediktionsekvationen. Prognosekvationen är konstruerad enligt följande Först, låt y beteckna d: n skillnaden i Y vilket betyder. Notera att den andra skillnaden i Y d2 fallet inte är skillnaden från 2 perioder sedan. Det är snarare den första skillnaden-av-första skillnaden som är Den diskreta analogen av ett andra derivat, dvs den lokala accelerationen i serien snarare än den lokala trenden. Med avseende på y är den generella prognosekvationen här. De rörliga genomsnittsparametrarna s definieras så att deras tecken är negativa i ekvationen Uation, enligt konventionen införd av Box och Jenkins Några författare och programvara inklusive R-programmeringsspråket definierar dem så att de har plustecken i stället När faktiska siffror är anslutna till ekvationen finns det ingen tvetydighet, men det är viktigt att veta vilken konvention Din programvara använder när du läser utmatningen Vanligtvis anges parametrarna av AR 1, AR 2, och MA 1, MA 2 etc. För att identifiera lämplig ARIMA-modell för Y börjar du med att bestämma ordningen för differentiering d behöver Att stationera serierna och ta bort säsongens bruttoegenskaper, kanske i samband med en variansstabiliserande transformation som loggning eller deflatering. Om du slutar vid denna punkt och förutsäger att den olika serien är konstant har du bara monterat en slumpmässig promenad eller slumpmässig Trendmodell Dock kan den stationära serien fortfarande ha autokorrelerade fel, vilket tyder på att ett antal AR-termer p 1 och eller några nummer MA-termer q 1 också behövs I prognosekvationen. Processen att bestämma värdena p, d och q som är bäst för en given tidsserie kommer att diskuteras i senare avsnitt i anteckningarna vars länkar finns högst upp på den här sidan, men en förhandsgranskning av vissa Av de typer av icke-säsongsmässiga ARIMA-modeller som vanligtvis förekommer anges nedan. ARIMA 1,0,0 första ordningens autoregressiva modell om serien är stationär och autokorrelerad, kanske den kan förutsägas som ett flertal av sitt eget tidigare värde plus en Konstant Prognosekvationen i detta fall är vilken som Y är regresserad i sig fördröjd med en period. Detta är en ARIMA 1,0,0 konstant modell Om medelvärdet av Y är noll, skulle den konstanta termen inte inkluderas. Om lutningen Koefficient 1 är positiv och mindre än 1 i storleksordning måste den vara mindre än 1 i storleksordning om Y är stillastående, beskriver modellen medelåterkörningsbeteende där nästa period s-värde bör förutses vara 1 gånger så långt bort från medelvärdet som Denna period s värde om 1 är negativ, det Förutspår medelåterkallande beteende med teckenväxling, dvs det förutspår också att Y kommer att ligga under den genomsnittliga nästa perioden om det är över medelvärdet i denna period. I en andraordningsautoregressiv modell ARIMA 2,0,0 skulle det finnas en Y t-2 termen till höger också osv. Beroende på tecken och storheter på koefficienterna kan en ARIMA 2,0,0-modell beskriva ett system vars genomsnittliga reversering sker på ett sinusformigt oscillerande sätt, som rörelsen Av en massa på en fjäder som utsätts för slumpmässiga shocks. ARIMA 0,1,0 slumpmässig promenad Om serien Y inte är stationär är den enklaste möjliga modellen för den en slumpmässig promenadmodell, som kan betraktas som ett begränsande fall av En AR 1-modell där den autoregressiva koefficienten är lika med 1, dvs en serie med oändligt långsam medelvärde. Förutsägningsekvationen för denna modell kan skrivas som. Där den konstanta termen är den genomsnittliga perioden för periodändringen, dvs den långsiktiga Drift i Y Denna modell kan monteras som en icke-avlyssning Gressmodell där den första skillnaden i Y är den beroende variabeln Eftersom den endast innehåller en icke-sekundär skillnad och en konstant term, klassificeras den som en ARIMA 0,1,0-modell med konstant. Den slumpmässiga promenad-utan-driftmodellen skulle vara En ARIMA 0,1,0-modell utan konstant. ARIMA 1,1,0-differensierad första ordningens autoregressiv modell Om felet i en slumpmässig promenadmodell är autokorrelerad kanske problemet kan lösas genom att lägga en lag av den beroende variabeln till Prediksionsekvationen - dvs genom att regressera den första skillnaden i Y i sig, fördröjd med en period. Detta skulle ge följande förutsägelsekvation. Det kan omordnas till. Detta är en första-orders autregressiv modell med en ordning av icke-säsongsskillnader och en konstant term - en ARIMA 1,1,0 modell. ARIMA 0,1,1 utan konstant enkel exponentiell utjämning En annan strategi för korrigering av autokorrelerade fel i en slumpmässig promenadmodell föreslås av den enkla exponentiella utjämningsmodellen. Kom ihåg att för vissa Icke-stationära tidsserier, t ex de som uppvisar bullriga fluktuationer runt ett långsamt varierande medel, utför slumpmässig promenadmodellen inte lika bra som ett glidande medelvärde av tidigare värden. Med andra ord, snarare än att ta den senaste observationen som prognosen för nästa observation , Är det bättre att använda ett genomsnitt av de sista observationerna för att filtrera bort bruset och mer exakt uppskatta det lokala medelvärdet. Den enkla exponentiella utjämningsmodellen använder ett exponentiellt vägat glidande medelvärde av tidigare värden för att uppnå denna effekt. Förutsägningsekvationen för Enkel exponentiell utjämningsmodell kan skrivas i ett antal matematiskt ekvivalenta former, varav en är den så kallade felkorrigeringsformen, där den föregående prognosen justeras i riktning mot felet som den gjorde. Eftersom e t-1 Y t - 1 - t-1 per definition kan detta skrivas om som vilken är en ARIMA 0,1,1-utan konstant prognosförening med 1 1 - Det betyder att du kan passa en enkel exponentiell smoo Sak genom att specificera den som en ARIMA 0,1,1 modell utan konstant och den uppskattade MA 1-koefficienten motsvarar 1-minus-alfa i SES-formeln. Minns att i SES-modellen är medelåldern för data i 1- Periodprognoser är 1 vilket innebär att de tenderar att ligga bakom trender eller vändpunkter med cirka 1 perioder. Det följer att den genomsnittliga åldern för data i de 1-prognoser framåt av en ARIMA 0,1,1-utan - Konstant modell är 1 1 - 1 Så, till exempel, om 1 0 8 är medelåldern 5 När 1 närmar sig 1 blir ARIMA 0,1,1 utan konstant modell ett mycket långsiktigt glidande medelvärde, och När 1 närmar sig 0 blir det en slumpmässig promenad utan driftmodell. Vad är det bästa sättet att korrigera för autokorrelation som lägger till AR-termer eller adderar MA-termer I de tidigare två modellerna som diskuterats ovan, är problemet med autokorrelerade fel i en slumpmässig promenadmodell Fixades på två olika sätt genom att lägga till ett fördröjt värde av den olika serien till ekvationen eller lägga till ett fördröjt värde för foreca St fel Vilket tillvägagångssätt är bäst En tumregel för denna situation, som kommer att diskuteras mer i detalj senare, är att positiv autokorrelation vanligtvis behandlas bäst genom att addera en AR-term till modellen och negativ autokorrelation behandlas vanligtvis bäst av Lägga till en MA-term I affärs - och ekonomiska tidsserier uppstår negativ autokorrelation ofta som en artefakt av differentiering. I allmänhet minskar differentieringen positiv autokorrelation och kan till och med orsaka en växling från positiv till negativ autokorrelation. Således är ARIMA 0,1,1-modellen i Vilken skillnad åtföljs av en MA-term, används oftare än en ARIMA 1,1,0-modell. ARIMA 0,1,1 med konstant enkel exponentiell utjämning med tillväxt Genom att implementera SES-modellen som en ARIMA-modell får du faktiskt lite Flexibilitet För det första får den uppskattade MA 1-koefficienten vara negativ, vilket motsvarar en utjämningsfaktor som är större än 1 i en SES-modell, vilket vanligtvis inte tillåts genom SES-modellproceduren Sec Du har möjlighet att inkludera en konstant term i ARIMA-modellen om du vill, för att uppskatta en genomsnittlig icke-nollutveckling. ARIMA 0,1,1-modellen med konstant har förutsägelsesekvationen. En-tiden framåt Prognoser från denna modell är kvalitativt lik SES-modellen, förutom att banan för de långsiktiga prognoserna typiskt är en sluttande linje vars lutning är lika med mu snarare än en horisontell linje. ARIMA 0,2,1 eller 0, 2,2 utan konstant linjär exponentiell utjämning Linjära exponentiella utjämningsmodeller är ARIMA-modeller som använder två icke-säsongsskillnader i samband med MA-termer. Den andra skillnaden i en serie Y är inte bara skillnaden mellan Y och sig självfördröjd med två perioder, men snarare är det Den första skillnaden i den första skillnaden - förändringen i förändringen av Y vid perioden t Således är den andra skillnaden hos Y vid period t lika med Y t-Y t-1-Y t-1-Y T-2 Y t - 2Y t-1 Y t-2 En andra skillnad på en diskret funktion är analog S till ett andra derivat av en kontinuerlig funktion, mäter accelerationen eller krökningen i funktionen vid en given punkt i tiden. ARIMA 0,2,2-modellen utan konstant förutspår att den andra skillnaden i serien motsvarar en linjär funktion av den sista Två prognosfel. Som kan omorganiseras som. Där 1 och 2 är MA 1 och MA 2-koefficienterna Detta är en generell linjär exponentiell utjämningsmodell som är väsentligen densamma som Holt s-modellen och Brown s-modellen är ett speciellt fall. Det använder exponentiellt vägt Glidande medelvärden för att uppskatta både en lokal nivå och en lokal trend i serien. De långsiktiga prognoserna från denna modell konvergerar till en rak linje vars lutning beror på den genomsnittliga trenden som observerats mot slutet av serien. ARIMA 1,1,2 utan Konstant dämpad trend linjär exponentiell utjämning. Denna modell illustreras i de bifogade bilderna på ARIMA-modellerna. Det extrapolerar den lokala trenden i slutet av serien men plattar ut på längre prognoshorisonter för att introducera en Konservatismens övning, en övning som har empiriskt stöd Se artikeln om Varför den dämpade trenden fungerar av Gardner och McKenzie och Golden Rule-artikeln från Armstrong et al för detaljer. Det är i allmänhet lämpligt att hålla sig till modeller där minst en av p Och q är inte större än 1, dvs försök inte passa en modell som ARIMA 2,1,2, eftersom det här sannolikt kommer att leda till överfitting och commonfactorproblem som diskuteras närmare i noterna på matematiska Struktur av ARIMA-modeller. Spreadsheet implementation ARIMA-modeller som de som beskrivs ovan är lätta att genomföra på ett kalkylblad. Prediktionsekvationen är helt enkelt en linjär ekvation som refererar till tidigare värden av ursprungliga tidsserier och tidigare värden av felen. Således kan du ställa in Ett ARIMA prognostiskt kalkylblad genom att lagra data i kolumn A, prognosformeln i kolumn B och feldata minus prognoser i kolumn C Prognosformeln i en typisk cell i kolumn B skulle helt enkelt vara en linjär uttryck N hänvisar till värden i föregående rader av kolumnerna A och C multipliceras med lämpliga AR - eller MA-koefficienter lagrade i cellerna någon annanstans på kalkylbladet. RIMA står för autoregressiva integrerade rörliga genomsnittsmodeller Univariate singelvektor ARIMA är en prognosteknik som projekterar framtiden Värden för en serie baserad helt på egen tröghet. Den huvudsakliga applikationen är inom området för kort siktprognos som kräver minst 40 historiska datapunkter. Det fungerar bäst när dina data uppvisar ett stabilt eller konsekvent mönster över tiden med en minimal mängd avvikare. Ibland kallas Box-Jenkins efter de ursprungliga författarna är ARIMA vanligtvis överlägsen exponentiell utjämningsteknik när data är relativt långa och korrelationen mellan tidigare observationer är stabil Om data är korta eller mycket flyktiga, kan en viss utjämningsmetod fungera bättre Om du inte gör det Ha minst 38 datapunkter, bör du överväga någon annan metod än ARIMA. Det första steget i att tillämpa ARIMA Metodiken är att kontrollera stationäritet Stationäritet innebär att serien förblir på en ganska konstant nivå över tiden Om det finns en trend, som i de flesta ekonomiska eller affärsapplikationer, är dina data INTE stationära. Datan ska också visa en konstant varians i sina fluktuationer över Tid Detta ses lätt med en serie som är väldigt säsongsbetonad och växer i snabbare takt. I så fall blir uppgångar och nedgångar i säsongens tillstånd mer dramatiska över tiden. Utan dessa stationära förhållanden uppfylls, många av de beräkningar som är förknippade med Processen kan inte beräknas. Om en grafisk del av data indikerar icke-stationaritet, bör du skilja på seriens skillnad är ett utmärkt sätt att omvandla en icke-stationär serie till en stationär en. Detta görs genom att subtrahera observationen under den aktuella perioden från föregående Om denna omvandling görs bara en gång till en serie, säger du att uppgifterna först har skiljats. Detta förfarande i huvudsak Eliminerar trenden om din serie växer i en ganska konstant takt Om den växer i en ökande takt kan du tillämpa samma procedur och skillnad data igen. Dina data skulle då bli annorlunda. Autokorrelationer är numeriska värden som indikerar hur en dataserie är relaterad till sig själv över tiden Mer precist mäter det hur starkt datavärdena vid ett visst antal perioder från varandra är korrelerade med varandra över tiden Antalet perioder från varandra kallas vanligen lagret För Exempelvis mäter en autokorrelation vid lag 1 hur värdena 1 period från varandra korreleras med varandra i serien. En autokorrelation vid lag 2 mäter hur data två perioder från varandra korreleras genom serien. Autokorrelationer kan sträcka sig från 1 till -1 Ett värde nära 1 indikerar en hög positiv korrelation medan ett värde nära -1 innebär en hög negativ korrelation Dessa mätningar utvärderas oftast genom grafiska diagram som kallas korrelagram. Ett korrelagram avbildar autokorrelationsvärdena för en given serie i olika lags. Detta kallas Autokorrelationsfunktionen och är mycket viktigt i ARIMA-metoden. ARIMA-metoden försöker beskriva rörelserna i en Stationära tidsserier som en funktion av vad som kallas autoregressiva och rörliga genomsnittsparametrar. Dessa kallas AR-parametrar, autogegsiva och MA-parametrar som rör medeltal. En AR-modell med endast 1 parameter kan skrivas som. var X t-tidsserier som undersöks. Den autoregressiva parametern i ordning 1.X t-1 tidsserien lagrade 1 period. E t felet i modellen. Detta innebär helt enkelt att vilket givet värde Xt som helst kan förklaras med någon funktion av sitt tidigare värde, X t - 1, plus något oförklarligt slumpmässigt fel, E t Om det uppskattade värdet på A 1 var 30, skulle serievärdet nu vara relaterat till 30 av dess värde 1 period sedan Naturligtvis skulle serien kunna relateras till mer än bara Ett förflutet värde. Exempelvis. X t A 1 X t-1 A 2 X t-2 E t. Detta indikerar att det aktuella värdet av serien är en kombination av de två omedelbart föregående värdena, X t-1 och X t - 2, plus lite slumpmässigt fel E t Vår modell är nu en autoregressiv modell av ordning 2.Moving Aver Åldersmodeller. En andra typ av Box-Jenkins-modell kallas en rörlig genomsnittsmodell. Även om dessa modeller ser väldigt ut som AR-modellen är konceptet bakom dem ganska olika. Rörande genomsnittsparametrar relaterar vad som händer i period t endast till de slumpmässiga fel som Inträffade under tidigare tidsperioder, dvs E t-1, E t-2, etc snarare än till X t-1, X t-2, Xt-3 som i de autoregressiva metoderna. En rörlig genomsnittsmodell med en MA-term kan skrivas Som följer. Termen B 1 kallas en MA i ordning 1 Negativt tecken framför parametern används endast för konventionellt och skrivs vanligen automatiskt ut av de flesta datorprogram. Ovanstående modell säger helt enkelt att ett givet värde av X T är direkt relaterad endast till det slumpmässiga felet i föregående period, E t-1, och till den aktuella felperioden, E t Som i fall av autregressiva modeller kan de rörliga genomsnittsmodellerna utvidgas till högre orderstrukturer som täcker olika kombinationer Och glidande medellängder. ARIMA metodologi als O tillåter modeller att byggas som innehåller både autoregressiva och rörliga medelparametrar tillsammans. Dessa modeller kallas ofta som blandade modeller. Även om detta ger ett mer komplicerat prognosverktyg kan strukturen verkligen simulera serien bättre och producera en mer exakt prognos. Rena modeller Antyder att strukturen bara består av AR - eller MA-parametrar - inte båda. Modellerna som utvecklas genom detta tillvägagångssätt kallas vanligen ARIMA-modeller eftersom de använder en kombination av autoregressiv AR, integration I - med hänvisning till omvänd process för differentiering för att producera prognosen, Och flyttande genomsnittliga MA-operationer En ARIMA-modell anges vanligtvis som ARIMA p, d, q Detta representerar ordningen för de autogegressiva komponenterna p, antalet differeneringsoperatörer d och den högsta ordningen av den glidande medelfristen. Exempelvis ARIMA 2, 1,1 betyder att du har en andra ordningsautoregressiv modell med en första ordning som rör den genomsnittliga komponenten vars serie har differentierats onc E för att inducera stationaritet. Att hitta rätt specifikation. Huvudproblemet i klassiska Box-Jenkins försöker bestämma vilken ARIMA-specifikation som ska användas - hur många AR - och MA-parametrar som ska inkluderas. Detta är vad mycket av Box-Jenkings 1976 ägde rum åt Identifieringsprocessen Det berodde på grafisk och numerisk utvärdering av provautokorrelationen och partiella autokorrelationsfunktionerna. För dina grundläggande modeller är uppgiften inte för svår. Varje har autokorrelationsfunktioner som ser på ett visst sätt Men när du går upp i komplexitet , Mönstren är inte så lätt detekterade För att göra det svårare, representerar dina data bara ett urval av den underliggande processen. Det betyder att provtagningsfelsutjämnare, mätfel mm kan snedvrida den teoretiska identifieringsprocessen. Därför är traditionell ARIMA-modellering en konst Snarare än en science. nn det ovillkorliga medelvärdet av processen, och L är ett rationellt, oändligt-gradigt lagoperatörspolynom, 1 1 L 2 L 2.No Te Den konstanta egenskapen hos ett arima-modellobjekt motsvarar c och inte det ovillkorliga medelvärdet. Med Wolds sönderdelning 2 motsvarar ekvation 6-12 en stationär stokastisk process, förutsatt att koefficienterna jag är absolut sammanfattade. Detta är fallet när AR-polynomet, L Är stabil vilket betyder att alla dess rötter ligger utanför enhetens cirkel. Dessutom är processen orsakssammanhängande, förutsatt att MA-polynomet är invertibel, vilket betyder att alla dess rötter ligger utanför enhetens cirkel. Ekonometrics Toolbox styr stabiliteten och inverterbarheten av ARMA-processer När du anger en ARMA-modell med arima Du får ett fel om du anger koefficienter som inte överensstämmer med ett stabilt AR-polynom eller invertibelt MA-polynom. På samma sätt ställer uppskattning stationer och omvändbarhetsbegränsningar under uppskattningen. 1 Box, G E P G M Jenkins och G C Reinsel tidsserieanalysprognoser och kontroll 3: a ed Englewood Cliffs, NJ Prentice Hall, 1994. 2 Wold, H En studie i analysen av stationär tidsserie Uppsala, Sverige Almqvist Wiksell, 1938.Välj ditt land.
No comments:
Post a Comment