Як я можу включити інноваційний зовнішній вигляд під спостереження 48 у свою модель ARIMA?

Я працюю над набором даних. Після використання деяких методів ідентифікації моделі я вийшов із моделлю ARIMA (0,2,1).

Я використав detectIOфункцію в пакеті TSAв R, щоб виявити інноваційний зовнішній вигляд (IO) під час 48-го спостереження за моїм оригінальним набором даних.

Як я включу цей зовнішній вигляд у свою модель, щоб я міг використовувати його для прогнозування? Я не хочу використовувати модель ARIMAX, оскільки, можливо, я не зможу робити жодних прогнозів із цього в Р. Чи є інші способи я це зробити?

Ось мої значення в порядку:

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

Це фактично мої дані. Вони є рівнем безробіття протягом 6 років. Тоді було 72 спостереження. Кожне значення має принаймні один десятковий знак

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
джерело

Ви можете створити манекен, який становить 1 для

і 0 в усі інші періоди. Потім переоцініть модель. Це дозволить утримати цю сторонність від спотворення прогнозу. Якщо ви це не маєте на увазі, вам слід детальніше зупинитися на другому абзаці.

t = 48

$t=48$

— Мастеров Димитрій Вікторович

@Gen_b Ви маєте рацію, це повинно вас турбувати, оскільки це, мабуть, перевищено, що призведе до скасування MA (1). Неправильна ідентифікація є результатом використання невідповідних інструментів.

— IrishStat

У другій відмінності у вас є те, що схоже на зовнішній вигляд, але це, мабуть, викликано невеликим стрибком добавки при спостереженні 47 в оригінальній серії, який, коли різниця вдвічі, схожий на великий негативний вираз один період пізніше. Якщо ви зробите щось просте, щоб зняти цей невеликий ефект при спостереженні 47 (майже що-небудь розумне), у другій різниці не з’являться інші люди. Я б сказав, що це, можливо, краще розглядати як АО в оригінальній шкалі.

— Glen_b -Встановіть Моніку

У цьому наборі даних багато що відбувається, але локальна часова поведінка (кореляція, сезонність тощо) є найменшою. Якщо ви сліпо аналізуєте подібні дані як лише послідовність чисел, ви ризикуєте отримати смішні результати (або ще гірше). Що ви можете сказати нам про те, що означають ці дані ? Вони, можливо, вимірюють щось на станції моніторингу? Економічний часовий ряд? Діаграма біологічного зростання? Розуміння чогось із основного явища, як правило, зробить набагато більше, щоб допомогти визначити модель, ніж будь-яка кількість поглинань із статистичним програмним забезпеченням.

— whuber

@whuber: це рівні безробіття протягом 6 років!

— b2amen

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

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

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

Таким чином ви бачите, що вплив аномалії не тільки миттєвий, але й пам'ять.

$t$

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

Щоразу, коли ви включаєте пам'ять, будь то результат оператора розрізнення або структури ARMA, це мовчазне визнання незнання через опущений причинний ряд. Це також стосується необхідності включення детермінованих серій інтервенцій, таких як "Імпульси / Зміна рівня", "Сезонні імпульси" або "Місцеві тенденції часу". Ці фіктивні змінні є проксі-сервером для опущених детермістичних визначених користувачем причинних змінних. Часто все, що у вас є, викликає зацікавленість у цій серії, і враховуючи класифікатори, які я прописав, ви можете прогнозувати майбутнє, виходячи з минулого, цілком ігноруючи саме характер даних, що аналізуються. Єдина проблема полягає в тому, що ви використовуєте заднє скло, щоб передбачити дорогу попереду .... справді небезпечна річ.

після опублікування даних ...

Доцільна модель (1,1,0) є, введіть тут опис зображення і аномалії АО були ідентифіковані в періоди 39,41,47,21 і 69 (не період 48). Залишки цієї моделі, здається, не мають очевидної структури. І FO AO значить оптимальне представлення діяльності, відображеної діяльністю не в історії часового ряду. Я б подумав, що ACF переоціненої моделі ОП відображатиме неадекватність моделі. Ось модель. введіть тут опис зображення Знову-таки, код R не поставляється, оскільки проблема або можливість знаходиться у царині ідентифікації моделі / перегляду / перевірки. Нарешті, сюжет фактичної / пристосованої та прогнозованої серії. [Тут введіть опис зображення] [6]

— IrishStat
джерело

Дякуємо за Ваш відповідь; але я насправді хотів замість своєї моделі R-код.

— b2amen

@ b2amen Так, я підкреслив, АЛЕ Glen_b хотів трохи «речі», і я думав, що відповім на нього.

— IrishStat

Дякуємо за редагування Ми з вами зробили б хороших партнерів!

— IrishStat

@ IrishStat: мої дані включені в оригінальне запитання. Сподіваюсь, що може допомогти вам у наданні мені допомоги. Все-таки дякую

— b2amen

@IrishStat: Мені подобається ваш результат. Мені це виглядає досить акуратно. А яке програмне забезпечення ви використовували? Але ви могли б пояснити, як ви визначили АР (2,1,0)? Дякую

— b2amen