Dalam analisis data panel, saya telah menggunakan model multi-level dengan efek acak / campuran untuk menangani masalah auto-korelasi (yaitu, pengamatan dikelompokkan dalam individu dari waktu ke waktu) dengan parameter lain yang ditambahkan untuk menyesuaikan beberapa spesifikasi waktu dan guncangan minat. . ARMA / ARIMA tampaknya dirancang untuk mengatasi masalah serupa.
Sumber daya yang saya temukan online membahas seri kali (ARMA / ARIMA) atau model efek campuran tetapi selain dibangun berdasarkan regresi, saya tidak mengerti hubungan antara keduanya. Mungkinkah seseorang ingin menggunakan ARMA / ARIMA dari dalam model multilevel? Apakah ada perasaan di mana keduanya setara atau redundan?
Jawaban atau petunjuk untuk sumber daya yang membahas ini akan bagus.
sumber
arima
melakukan ini, di bawah kap), juga dikenal sebagai model Dynamic Linear (DLMs). DLM juga merupakan ekstensi dari regresi (dengan cara yang berbeda dari Efek Campuran), jadi saya kira ada hubungan mendalam antara ARIMA dan model efek-Campuran. Itu tidak mengubah perbedaan dalam praktik , yang Anda simpulkan dengan baik.ARMA / ARIMA adalah model univariat yang mengoptimalkan cara menggunakan masa lalu dari satu seri untuk memprediksi seri tunggal itu. Seseorang dapat menambah model-model ini dengan Variabel Intervensi yang diidentifikasi secara empiris seperti Pulsa, Pergeseran Level, Pulsa Musiman, dan Tren Waktu Lokal TETAPI mereka masih secara fundamental tidak-kausal karena tidak ada seri input yang disarankan pengguna. Perpanjangan multivariat dari model-model ini adalah panggilan XARMAX atau lebih umum Model Fungsi Transfer yang menggunakan struktur PDL / ADL pada input dan menggunakan struktur ARMA / ARIMA yang diperlukan pada sisanya. Model-model ini juga dapat diperkuat dengan memasukkan input deterministik yang dapat diidentifikasi secara empiris. Dengan demikian kedua model ini dapat dianggap sebagai Aplikasi untuk data longitudinal (tindakan berulang). Sekarang artikel Wikipedia tentang model multi-level mengacu pada aplikasinya pada data deret waktu / longitudinal dengan mengasumsikan primitif / sepele tertentu yaitu struktur non-analitis seperti "Model paling sederhana mengasumsikan bahwa efek waktu adalah linier. Model polinom dapat ditentukan untuk memungkinkan efek kuadrat atau kubik waktu" .
Seseorang dapat memperluas model Fungsi Transfer untuk mencakup beberapa kelompok sehingga berkembang menjadi analisis deret waktu Pooled Cross-section di mana struktur yang sesuai (lag / lead) dapat digunakan bersama dengan struktur ARIMA untuk membentuk model lokal dan model keseluruhan.
sumber