बहु-आयामी समय-श्रृंखला के साथ हस्तक्षेप विश्लेषण

Question

मैं समय के साथ शराब की बिक्री पर नीतिगत निर्णय के परिणामों को निर्धारित करने के लिए एक हस्तक्षेप विश्लेषण करना चाहूंगा। हालांकि, श्रृंखला विश्लेषण के लिए मैं काफी नया हूं, इसलिए मेरे कुछ शुरुआती सवाल हैं।

साहित्य की एक परीक्षा से पता चलता है कि अन्य शोधकर्ताओं ने एआरआईएमए का उपयोग शराब की समय-श्रृंखला की बिक्री के लिए किया है, जो हस्तक्षेप के प्रभाव को मॉडल करने के लिए प्रतिगामी के रूप में एक डमी चर के साथ है। हालांकि यह एक उचित दृष्टिकोण की तरह लगता है, मेरा डेटा सेट उन लोगों की तुलना में थोड़ा समृद्ध है, जिन्होंने साहित्य में एनकाउंटर किया है। सबसे पहले, मेरा डेटा सेट पेय प्रकार (यानी बीयर, वाइन, स्पिरिट्स) से अलग हो जाता है, और फिर भौगोलिक क्षेत्र से अलग हो जाता है।

हालांकि मैं प्रत्येक असंतुष्ट समूह के लिए अलग ARIMA विश्लेषण बना सकता था और फिर परिणामों की तुलना कर सकता था, मुझे संदेह है कि यहां एक बेहतर दृष्टिकोण है। क्या बहु-आयामी टाइम-सीरीज़ डेटा से अधिक परिचित कोई कवि या सुझाव प्रदान कर सकता है?

Answer 1

एक हस्तक्षेप के लिए एक डमी चर के साथ ARIMA मॉडल ARIMA त्रुटियों के साथ एक रैखिक मॉडल का एक विशेष मामला है।

आप यहां भी ऐसा कर सकते हैं लेकिन पेय पदार्थ और भौगोलिक क्षेत्रों के लिए कारकों सहित एक समृद्ध रैखिक मॉडल के साथ।

आर में, मॉडल का अनुमान एरिमा () के साथ एक्सरे तर्क के माध्यम से शामिल प्रतिगमन चर के साथ लगाया जा सकता है। दुर्भाग्य से, आपको डमी चर का उपयोग करके कारकों को कोड करना होगा, लेकिन अन्यथा यह अपेक्षाकृत सीधा है।

Answer 2

यदि आप पेय पदार्थों की बिक्री को वेक्टर [टी पर वाइन की बिक्री, टी पर बीयर की बिक्री, टी पर आत्माओं की बिक्री] के रूप में मॉडल करना चाहते थे, तो आप वेक्टर ऑटोरिएशन (वीएआर) मॉडल को देखना चाह सकते हैं। आप शायद VARX किस्म चाहते हैं जिसमें क्षेत्र और नीतिगत हस्तक्षेप डमी जैसे वेक्टर हैं, जिसमें शराब, बीयर और स्पिरिट सीक्वेंस शामिल हैं। वे फिट होने के लिए काफी सरल हैं और आपको बहिर्जात के झटके के प्रभाव को व्यक्त करने के लिए आवेग प्रतिक्रिया कार्य मिलेगा, जो ब्याज का भी हो सकता है। मल्टीवेट समय श्रृंखला पर लुत्केपोहल की पुस्तक में व्यापक चर्चा है।

अंत में, मैं निश्चित रूप से कोई अर्थशास्त्री नहीं हूं, लेकिन मुझे लगता है कि आप इन पेय प्रकारों के अनुपात के साथ-साथ स्तरों के बारे में भी सोच सकते हैं। लोग शायद एक बूझ बजट बाधा के तहत काम करते हैं - मुझे पता है कि मैं करता हूं - जो स्तरों को जोड़ेगा और (विरोधी) त्रुटियों को सहसंबंधित करेगा।

Answer 3

हर बार श्रृंखला को समान रूप से समान / समान संरचना वाले समूहों या वर्गों में समान श्रृंखला को एकत्रित करने के अंतिम विचार के साथ अलग से मूल्यांकन किया जाना चाहिए। चूंकि समय श्रृंखला डेटा को अज्ञात निर्धारक संरचना के साथ अनिर्दिष्ट संकेतों पर समय में हस्तक्षेप किया जा सकता है, इसलिए किसी को हस्तक्षेप का पता लगाने के लिए सलाह दी जाती है कि हस्तक्षेप वास्तव में कहां हुआ था। यदि आप जानते हैं कि एक कानून (de jure) के किसी विशेष बिंदु पर लागू हुआ है, तो यह वास्तव में वह तारीख हो सकती है जब वास्तव में हस्तक्षेप नहीं हुआ था। सिस्टम एक गैर-अनुपालन या गैर-प्रतिक्रिया के कारण तिथि के बाद भी ज्ञात प्रभाव तिथि से पहले ही प्रतिक्रिया दे सकता है। हस्तक्षेप की तारीख को निर्दिष्ट करने से मॉडल विशिष्टता पूर्वाग्रह हो सकता है। मेरा सुझाव है कि आप "इंटरवेंशन डिटेक्शन" या "आउटलाइन डिटेक्शन" को गूगल करें। इस पर एक अच्छी किताब एडिसन-वेस्ले द्वारा प्रकाशित टेम्पल यूनिवर्सिटी के प्रो। वे। मेरा मानना ​​है कि शीर्षक "टाइम सीरीज एनालिसिस" है। एक इंटरव्यू वैरिएबल में एक और टिप्पणी पल्स या लेवल / स्टेप शिफ्ट या सीजनल पल्स या लोकल टाइम ट्रेंड के रूप में दिखाई दे सकती है।

स्थानीय समय रुझानों के बारे में चर्चा का विस्तार करने के लिए:

यदि आपके पास एक श्रृंखला है जो 1,2,3,4,5,7,9,11,13,15,16,17,18,19 प्रदर्शित करती है ... 5 और 10 की अवधि में प्रवृत्ति में बदलाव आया है । मेरे लिए समय श्रृंखला में एक मुख्य प्रश्न स्तर पारियों का पता लगाना है जैसे 1,2,3,4,5,8,9,10, .. या स्तर शिफ्ट का दूसरा उदाहरण 1,1,1,1,2 , 2,2,2, और / या समय की प्रवृत्ति का पता लगाने टूट जाता है। जिस तरह पल्स स्टेप का अंतर होता है, उसी तरह स्टेप ए ट्रेंड का अंतर होता है। हमने इंटरवेंशन डिटेक्शन के सिद्धांत को चौथे आयाम i, e, Trend Point Change में विस्तारित किया है। खुलेपन के संदर्भ में, मैं ARIMA और ट्रांसफर फंक्शन मॉडल दोनों के संयोजन में इस तरह की इंटरवेंशन डिटेक्शन योजनाओं को लागू करने में सक्षम रहा हूं। मैं वरिष्ठ समय-श्रृंखला के सांख्यिकीविदों में से एक हूं, जिन्होंने AUTOBOX के विकास में सहयोग किया है जो इन विशेषताओं को शामिल करता है। मैं किसी और से अनजान हूं जिसने इस रोमांचक नवाचार को क्रमबद्ध किया है।

Comments

क्या आप थोड़ा और विस्तृत कर सकते हैं कि एक Local Time Trendहस्तक्षेप चर कैसा दिखता है? मैं अन्य तीन से परिचित हूं।

— fmark

इसके अलावा, क्या आप मुझे R पैकेज की ओर इशारा कर सकते हैं जो हस्तक्षेप का पता लगाने में सक्षम हो सकता है?

— 0

यदि आपके पास एक श्रृंखला है जो 1,2,3,4,5,7,9,11 प्रदर्शित करती है, ... अवधि 5 में प्रवृत्ति में बदलाव आया है। समय श्रृंखला में मुख्य प्रश्न स्तर की बदलावों का पता लगाना है। 1,2,3,4,5,8,9,10, .. या स्तर शिफ्ट का एक और उदाहरण 1,1,1,1,2,2,2,2, और समय की प्रवृत्ति के टूटने का पता लगाना।

— आयरिशस्टैट

बाहरी रजिस्टरों के साथ एक समय श्रृंखला में हस्तक्षेप कैसे हो सकता है? कैसे पता चलेगा कि रजिस्ट्रार हस्तक्षेप की व्याख्या नहीं करता है?

— फ्रैंक

यदि Y में हस्तक्षेप को X के प्रभाव के बाद पाया जाता है और यह Y का इतिहास इतिहास है तो इसे बाहरी रजिस्टरों के साथ एक विसंगति / पल्स घोषित किया जाता है।

— आयरिशस्टैट