Я работаю над набором данных. После использования некоторых методов идентификации моделей я разработал модель ARIMA (0,2,1).
Я использовал detectIO
функцию в пакете TSA
в R, чтобы обнаружить инновационный выброс (IO) на 48-м наблюдении за моим исходным набором данных.
Как включить этот выброс в мою модель, чтобы я мог использовать его для целей прогнозирования? Я не хочу использовать модель ARIMAX, так как я не смогу сделать какие-либо прогнозы из этого в R. Есть ли другие способы, которыми я мог бы сделать это?
Вот мои значения в порядке:
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
Это на самом деле мои данные. Это уровень безработицы в течение 6 лет. Есть 72 наблюдения тогда. Каждое значение должно содержать не более одного десятичного знака
r
time-series
arima
outliers
hypergeometric
fishers-exact
r
time-series
intraclass-correlation
r
logistic
glmm
clogit
mixed-model
spss
repeated-measures
ancova
machine-learning
python
scikit-learn
distributions
data-transformation
stochastic-processes
web
standard-deviation
r
machine-learning
spatial
similarities
spatio-temporal
binomial
sparse
poisson-process
r
regression
nonparametric
r
regression
logistic
simulation
power-analysis
r
svm
random-forest
anova
repeated-measures
manova
regression
statistical-significance
cross-validation
group-differences
model-comparison
r
spatial
model-evaluation
parallel-computing
generalized-least-squares
r
stata
fitting
mixture
hypothesis-testing
categorical-data
hypothesis-testing
anova
statistical-significance
repeated-measures
likert
wilcoxon-mann-whitney
boxplot
statistical-significance
confidence-interval
forecasting
prediction-interval
regression
categorical-data
stata
least-squares
experiment-design
skewness
reliability
cronbachs-alpha
r
regression
splines
maximum-likelihood
modeling
likelihood-ratio
profile-likelihood
nested-models
b2amen
источник
источник
Ответы:
Таким образом, вы можете видеть, что воздействие аномалии не только мгновенно, но имеет память.
Всякий раз, когда вы включаете память, будь то в результате оператора дифференцирования или структуры ARMA, это молчаливое признание невежества из-за пропущенных причинных рядов. Это также верно в отношении необходимости включения детерминированных серий интервенций, таких как импульсы / сдвиги уровней, сезонные импульсы или тренды местного времени. Эти фиктивные переменные являются обязательным прокси для пропущенных детерминированных причинно-следственных переменных, указанных пользователем. Часто все, что у вас есть, - это интересующий вас ряд, и, учитывая описанные мною квалификаторы, вы можете прогнозировать будущее, основываясь на прошлом, в полном неведении относительно природы анализируемых данных. Единственная проблема в том, что вы используете заднее стекло, чтобы предсказать дорогу впереди ... действительно опасная вещь.
после того, как данные были опубликованы ...
Разумной моделью является (1,1,0) и аномалии АО были выявлены в периоды 39,41,47,21 и 69 (не период 48). Остатки от этой модели, по-видимому, не имеют видимой структуры. И Fice AO оценивает оптимальное представление деятельности, отраженной деятельностью, а не в истории временных рядов. Я бы подумал, что ACF чрезмерно дифференцированной модели OP будет отражать неадекватность модели. Вот модель. Опять же, R-код не предоставляется, поскольку проблема или возможность находятся в сфере идентификации / пересмотра / проверки модели. Наконец, график фактического / подогнанного и прогнозируемого ряда.! [Введите описание изображения здесь] [6]
источник