Bagaimana cara menentukan rangkaian waktu? Apakah boleh untuk hanya mengambil perbedaan pertama dan menjalankan tes Dickey Fuller, dan jika itu stasioner kita baik?
Saya juga menemukan secara online bahwa saya dapat menentukan urutan waktu dengan melakukan ini di Stata:
reg lncredit time
predict u_lncredit, residuals
twoway line u_lncredit time
dfuller u_lncredit, drift regress lags(0)
Apa pendekatan terbaik untuk menentukan rangkaian waktu?
regression
time-series
stata
stationarity
pengguna58710
sumber
sumber
Jawaban:
Jika tren bersifat deterministik (misalnya tren linier), Anda dapat menjalankan regresi data pada tren deterministik (misalnya indeks waktu ditambah konstan) untuk memperkirakan tren dan menghapusnya dari data. Jika trennya stochastic Anda harus menurunkan seri dengan mengambil perbedaan pertama di atasnya.
The uji ADF dan uji KPSS dapat memberikan beberapa informasi untuk menentukan apakah tren deterministik atau stokastik.
Karena hipotesis nol dari tes KPSS adalah kebalikan dari nol dalam tes ADF, cara berikut untuk melanjutkan dapat ditentukan sebelumnya:
sumber
Anda memiliki beberapa cara untuk menghilangkan rangkaian waktu dengan tujuan menjadikannya stasioner:
Detrending linier adalah apa yang Anda salin. Ini mungkin tidak memberi Anda apa yang Anda inginkan karena Anda sewenang-wenang memperbaiki tren linier deterministik.
Detrending kuadrat dalam beberapa hal mirip dengan detrending linier, kecuali bahwa Anda menambahkan "waktu ^ 2" dan mengandaikan perilaku tipe eksponensial.
HP-filter dari Hodrick dan Prescott (1980) memungkinkan Anda untuk mengekstrak komponen jangka panjang non-deterministik dari seri ini. Seri residu dengan demikian merupakan komponen siklus. Ketahuilah bahwa, karena ini merupakan rata-rata tertimbang yang optimal, ia menderita bias titik akhir (pengamatan pertama dan terakhir diperkirakan salah.)
Filter Bandpass dari Baxter dan King (1995) yang pada dasarnya adalah filter Moving Average tempat Anda mengecualikan frekuensi tinggi dan rendah.
Filter Christiano-Fitzgerald.
Singkatnya, itu tergantung pada apa niat Anda dan beberapa filter mungkin lebih cocok untuk kebutuhan Anda daripada yang lain.
sumber
Mungkin ada lebih dari satu tren. Mungkin ada perubahan level. Mungkin varians kesalahan telah berubah seiring waktu. Bagaimanapun juga, de-trending sederhana mungkin tidak sesuai. Analisis eksplorasi yang baik di sepanjang garis http://www.unc.edu/~jbhill/tsay.pdf harus digunakan untuk menemukan sifat data / model.
sumber
Saya sarankan untuk melihat analisis Singular Spectrum. Ini adalah teknik nonparametrik yang secara kasar dapat dilihat sebagai PCA untuk deret waktu. Salah satu sifat yang berguna adalah dapat secara efektif membatalkan deret tren.
sumber
Anda perlu meneliti subjek ini dengan seksama dan dapat mulai di sini.
http://www.stat.pitt.edu/stoffer/tsa3/
Hal utama yang Anda cari adalah stasioneritas atau non stasioneritas karena sebagian besar uji statistik mengasumsikan bahwa data didistribusikan secara normal. Ada berbagai cara untuk mentransformasikan data agar tetap. Detrending adalah salah satu metode tetapi tidak sesuai untuk beberapa jenis data yang tidak stasioner.
Jika data berjalan acak dengan tren maka Anda mungkin harus menggunakan differencing.
Jika data menunjukkan tren deterministik dengan penyimpangan musiman atau lainnya dari tren, Anda harus mulai dengan detrending.
Anda mungkin harus mencoba berbagai pendekatan.
sumber