पूर्वानुमान के लिए सामान्यीकृत रैखिक मॉडल बनाम टिमरसीज़ मॉडल


10

सामान्यीकृत रैखिक मॉडल का उपयोग करने में क्या अंतर हैं, जैसे कि स्वचालित प्रासंगिकता निर्धारण (एआरडी) और रिज रिग्रेशन, बनाम बॉक्स श्रृंखला मॉडल जैसे बॉक्स-जेनकिंस (एआरआईएमए) या पूर्वानुमान के लिए घातीय चौरसाई? क्या जीएलएम का उपयोग करने के लिए और समय श्रृंखला का उपयोग करने के लिए अंगूठे के कोई नियम हैं?


2
रिज रिग्रेशन सामान्यीकृत रैखिक मॉडल नहीं है। के अलावा जुर्माना यह एक अल्पमहिष्ठ आकलनकर्ता बनाता है। यह एक जीएलएम का संशोधन है। सामान्य तौर पर, हालांकि, जीएलएम ऑटोरोग्रेसिव कोवरियनस संरचनाओं का उपयोग नहीं करते हैं, लेकिन इसमें निश्चित प्रभाव शामिल हो सकते हैं। L2
20

जीएलएम रुझानों, मौसमी और चक्रों का पूर्वानुमान नहीं लगाता है। ARIMA करता है।
हेनरीजुहू

जवाबों:


2

वास्तव में एक विशेषज्ञ नहीं है, लेकिन इस सवाल को कुछ समय के लिए अनुत्तरित किया गया है, इसलिए मैं एक उत्तर देने की कोशिश करूंगा: मैं GLM और टाइम श्रृंखला के मॉडल के बीच 3 अंतरों के बारे में सोच सकता हूं, एक बॉक्स और जेनकिन्स:

1) GLMs कुछ अन्य चर X (Y = f (X)) के फ़ंक्शन के रूप में Y को मॉडल करने के बजाय हैं। समय श्रृंखला के मॉडल में आप (अधिकतर?) स्वयं के कार्य के रूप में चर Y को मॉडलिंग करते हैं, लेकिन पिछली बार के चरणों (Y (t) = f (Y (t-1), Y (t-2), ...) से) );

2) पिछले बिंदु से संबंधित: GLMs इनपुट covariate के प्रति ऑटोकॉर्लेशन पर विचार नहीं करते हैं, जबकि ARIMA जैसे समय श्रृंखला मॉडल प्रकृति में स्वतः-सहसंबंधी हैं;

3) मुझे लगता है कि ऑटो-रिग्रेसिव मॉडल का आधार इस धारणा पर है कि रेसिड्यूल्स शून्य माध्य के साथ सामान्य हैं, जबकि GLMs प्रतिक्रिया चर के अधिक जटिल डेटा संरचना को स्वीकार करते हैं, संभवतः एक गैर-सामान्य वितरण (गामा, पॉइसन, आदि)।

क्या जीएलएम का उपयोग करते समय और समय श्रृंखला का उपयोग करने के लिए कोई नियम हैं? जब तक आप अपने मॉडल समय को एक यादृच्छिक प्रभाव के रूप में नहीं मान रहे हैं, मुझे लगता है कि जीएलएम मॉडल समय श्रृंखला के लिए गलत दृष्टिकोण हैं।


आपकी टिप्पणी 1) बिल्कुल सही नहीं है, टाइम सीरीज़ मॉडल (बॉक्स और जेनकिंस मॉडल) में ARMAX मॉडल उर्फ ​​ट्रांसफर फ़ंक्शन मॉडल शामिल हैं, जिसमें इनपुट (पूर्वसूचक श्रृंखला) शामिल हो सकते हैं जो उपयोगकर्ता द्वारा निर्दिष्ट भविष्यवाणियों और अव्यक्त नियतात्मक संरचना (दालों की तरह, चरण) का उपयोग कर सकते हैं / स्तर परिवर्तन, मौसमी दालों स्थानीय समय के रुझान) की पहचान करने की प्रतीक्षा कर रहे हैं। अधिक चर्चा के लिए आँकड़े देखें ।stackexchange.com
search

यह टिप्पणी ठीक नहीं है। सामान्य रैखिक मॉडल त्रुटि शब्दों में ऑटो-सहसंबंध के लिए जिम्मेदार हो सकता है।
1
हमारी साइट का प्रयोग करके, आप स्वीकार करते हैं कि आपने हमारी Cookie Policy और निजता नीति को पढ़ और समझा लिया है।
Licensed under cc by-sa 3.0 with attribution required.