मैं अपने ARIMA मॉडल में अवलोकन 48 में एक अभिनव रूपरेखा कैसे शामिल करूं?

Question

मैं एक डेटा सेट पर काम कर रहा हूं। कुछ मॉडल पहचान तकनीकों का उपयोग करने के बाद, मैं ARIMA (0,2,1) मॉडल के साथ बाहर आया।

मैंने अपने मूल डेटा सेट के 48 वें अवलोकन में एक अभिनव आउटलुक (आईओ) का पता लगाने के लिए आर में detectIOपैकेज TSAमें फ़ंक्शन का उपयोग किया ।

मैं इस रूपरेखा को अपने मॉडल में कैसे शामिल करूं, ताकि मैं पूर्वानुमान के उद्देश्यों के लिए इसका उपयोग कर सकूं? मैं ARIMAX मॉडल का उपयोग नहीं करना चाहता क्योंकि मैं R से उस बारे में कोई भविष्यवाणी नहीं कर पा रहा हूं। क्या कोई अन्य तरीके हैं जो मैं यह कर सकता हूं?

यहाँ मेरे मूल्य क्रम में हैं:

VALUE <- scan()
  4.6  4.5  4.4  4.5  4.4  4.6  4.7  4.6  4.7  4.7  4.7  5.0  5.0  4.9  5.1  5.0  5.4
  5.6  5.8  6.1  6.1  6.5  6.8  7.3  7.8  8.3  8.7  9.0  9.4  9.5  9.5  9.6  9.8 10.0
  9.9  9.9  9.8  9.8  9.9  9.9  9.6  9.4  9.5  9.5  9.5  9.5  9.8  9.3  9.1  9.0  8.9
  9.0  9.0  9.1  9.0  9.0  9.0  8.9  8.6  8.5  8.3  8.3  8.2  8.1  8.2  8.2  8.2  8.1
  7.8  7.9  7.8  7.8

वह वास्तव में मेरा डेटा है। वे 6 साल की अवधि में बेरोजगारी दर हैं। 72 प्रेक्षण हैं। प्रत्येक मान अधिकतम एक दशमलव स्थान पर है

Comments

आप एक डमी बना सकते हैं जो 1 के लिए और 0 अन्य सभी अवधियों में हो। फिर मॉडल का फिर से अनुमान लगाएं। यह इस अनुमान को पूर्वानुमान को तिरछा करने से दूर रखेगा। यदि आपके मन में ऐसा नहीं है, तो आपको दूसरे पैराग्राफ पर विस्तार से जानकारी देनी चाहिए। $t=48$

— दिमित्री वी। मास्टरोव

@Gen_b आप सही हैं, यह आपको परेशान करना चाहिए क्योंकि यह शायद एक रद्द एमए (1) उपज से अधिक है। अनुचित साधनों के उपयोग से गलत पहचान।

— आयरिशस्टैट

दूसरे अंतरों में, आपके पास एक बाहरी रूप जैसा दिखता है, लेकिन यह मूल रूप से मूल श्रृंखला में अवलोकन 47 पर एक छोटे से योजक कूद के कारण होता है, जो जब दो बार विभेदित होता है, तो एक बड़े नकारात्मक परिणाम के बाद एक अवधि में दिखता है। यदि आप अवलोकन 47 (लगभग कुछ भी समझदार) पर उस छोटे प्रभाव को हटाने के लिए कुछ सरल करते हैं, तो कोई भी आउटलेर दूसरे अंतर में दिखाई नहीं देता है। मैं कहूंगा कि यह शायद मूल पैमाने पर एओ के रूप में देखा गया है।

— Glen_b -Reinstate मोनिका

इस डेटासेट में बहुत कुछ चल रहा है, लेकिन स्थानीय अस्थायी व्यवहार (सहसंबंध, मौसमी, आदि) इसके बारे में कम से कम है। जब आप नेत्रहीन रूप से इस तरह के आंकड़ों को केवल संख्याओं के अनुक्रम के रूप में विश्लेषित करते हैं, तो आपको हास्यास्पद परिणाम (या बदतर) पैदा करने का खतरा होता है। क्या आप हमें इन आंकड़ों के बारे में बता सकते हैं मतलब है ? क्या वे शायद एक निगरानी स्टेशन पर किसी चीज का माप कर रहे हैं? एक आर्थिक समय श्रृंखला? जैविक विकास का एक चार्ट? अंतर्निहित घटना के बारे में कुछ को समझना आमतौर पर किसी मॉडल की पहचान करने में मदद करने के लिए सांख्यिकीय सॉफ्टवेयर कैन के साथ किसी भी मात्रा में फ़िडलिंग की तुलना में कहीं अधिक करेगा।

— whuber

@ शुभंकर: वे 6 साल की अवधि में बेरोजगारी दर हैं!

— b2amen

Answer 1

$Y(t) = [\theta/\phi][A(t)+\text{IO}(t)]$$Y^\text{*}(t) = [\theta/\phi][A(t)] + [\theta/\phi][\text{IO}(t)]$

$\theta = 1$$\phi = [1-.5B]$
$Y^\text{*}(t) = [1/(1-.5B)][A(t)]$
$\quad\quad\quad\quad+ \text{IO}(t) - .5\cdot \text{IO}(t-1) + .25\cdot \text{IO}(t-2) - .125\cdot \text{IO}(t-3)-\ldots\,.$

$Y^{*}(t) = [1/(1-.5B)][A(t)]$ $\quad\quad\quad\quad+ 10\cdot \text{IO}(t) - 5\cdot \text{IO}(t-1) + 2.5\cdot \text{IO}(t-2) - 1.25\cdot \text{IO}(t-3)-\ldots\,.$
$\text{IO}$

इस तरह आप देख सकते हैं कि विसंगति का प्रभाव न केवल तात्कालिक है, बल्कि स्मृति भी है।

$t$

$[w(b)/d(b)]$$[w(b)]$

जब भी आप मेमोरी को शामिल करते हैं, तो यह एक भिन्न ऑपरेटर या ARMA संरचना का परिणाम होता है, यह लोप किए गए कारण श्रृंखला के कारण अज्ञानता का एक मौन प्रवेश है। यह पल्स / लेवल शिफ्ट्स, सीजनल पल्सेस या अन्य टाइम ट्रेंड्स जैसे इंटरवेंशन निर्धारक श्रृंखला को शामिल करने की आवश्यकता के बारे में भी सच है। ये डमी वैरिएबल ऑउटग्रेटेड निर्धारक उपयोगकर्ता-निर्दिष्ट कार्यशील चरों के लिए एक सुई प्रॉक्सी हैं। अक्सर आपके पास सभी ब्याज की श्रृंखला होती है और जो क्वालिफायर मुझे दिए गए हैं, उन्हें देखते हुए, आप डेटा की पूरी तरह से अनभिज्ञता के आधार पर भविष्य का अनुमान लगा सकते हैं, जिसका विश्लेषण किया जा रहा है। एकमात्र समस्या यह है कि आप सड़क के आगे की भविष्यवाणी करने के लिए रियर-विंडो का उपयोग कर रहे हैं .... वास्तव में एक खतरनाक चीज।

डेटा पोस्ट होने के बाद ...

एक उचित मॉडल एक (1,1,0) है और एओ विसंगतियों की पहचान 39,41,47,21 और 69 (अवधि 48 नहीं) की अवधि में की गई थी। इस मॉडल के अवशेष अवशिष्ट संरचना से मुक्त प्रतीत होते हैं। और फाइस एओ समय श्रृंखला के इतिहास में नहीं गतिविधि द्वारा परिलक्षित गतिविधि का एक इष्टतम प्रतिनिधित्व मूल्यों। मुझे लगता है कि ओपी के अलग-अलग मॉडल के एसीएफ मॉडल की अपर्याप्तता को दर्शाते हैं। यहाँ मॉडल है। फिर से कोई आर कोड नहीं दिया गया है क्योंकि समस्या या अवसर मॉडल पहचान / संशोधन / सत्यापन के दायरे में है। अंत में वास्तविक / सज्जित और पूर्वानुमानित श्रृंखला का एक प्लॉट। [यहाँ चित्र विवरण दर्ज करें] [६]

Comments

आपके जवाब के लिए धन्यवाद; लेकिन मैं वास्तव में अपने मॉडल के बजाय आर-कोड चाहता था।

— b2amen

@ b2amen हां मैं अंडरस्टैंडिंग हूं लेकिन Glen_b कुछ "सामान" चाहता था और मुझे लगा कि मैं उसका जवाब दूंगा।

— आयरिशस्टैट

संपादन के लिए धन्यवाद। आप और मैं अच्छे साथी बना सकते हैं!

— आयरिशस्टैट

@ आयरिशस्टैट: मेरा डेटा मूल प्रश्न में शामिल है। आशा है कि आप मेरी सहायता करने में सहायता कर सकते हैं। वैसे भी धन्यवाद

— b2amen

@ इरिस्टैट: मुझे आपका आउटपुट पसंद है। यह मुझे बहुत साफ लगता है। और आपने कौन सा सॉफ्टवेयर इस्तेमाल किया? लेकिन क्या आप बता सकते हैं कि आपने AR (2,1,0) की पहचान कैसे की? धन्यवाद

— b2amen