Auto.arima vs autobox apakah mereka berbeda?

Dari membaca posting di situs ini saya tahu ada fungsi R auto.arima(dalam forecast paket ). Saya juga tahu bahwa IrishStat , anggota situs ini membuat paket komersial autobox pada awal 1980-an. Karena dua paket ini ada saat ini dan secara otomatis memilih model arima untuk set data yang diberikan, apa yang mereka lakukan secara berbeda? Apakah mereka akan menghasilkan model yang berbeda untuk kumpulan data yang sama?

michael / wayne

AUTOBOX pasti akan memberikan / mengidentifikasi model yang berbeda jika satu atau lebih dari kondisi berikut terpenuhi

1) ada pulsa dalam data

2) ada 1 atau lebih level / step shift dalam data

3) jika ada pulsa musiman dalam data

4) ada 1 atau lebih tren waktu lokal dalam data yang tidak hanya diatasi

5) jika parameter model berubah seiring waktu

6) jika varians kesalahan berubah dari waktu ke waktu dan tidak ada transformasi daya yang memadai.

Dalam hal contoh tertentu, saya menyarankan agar Anda berdua memilih / membuat seri waktu dan memposting keduanya ke web. Saya akan menggunakan AUTOBOX untuk menganalisis data dalam mode tanpa pengawasan dan saya akan memposting model ke daftar. Anda kemudian menjalankan program R dan masing-masing dari Anda membuat analisis objektif yang terpisah dari kedua hasil, menunjukkan persamaan dan perbedaan. Kirim kedua model itu lengkap dengan semua bahan pendukung yang tersedia termasuk syarat kesalahan akhir kepada saya untuk komentar saya. Ringkas dan sajikan hasil-hasil ini ke dalam daftar dan kemudian mintalah pembaca daftar untuk MEMILIH prosedur mana yang paling baik bagi mereka.

Mereka mewakili dua pendekatan berbeda untuk dua masalah yang sama tetapi berbeda. Saya menulis auto.arimadan @IrishStat adalah penulis Autobox.

auto.arima()cocok untuk model ARIMA (musiman) termasuk ketentuan drift. Autoboxcocok untuk mentransfer model fungsi untuk menangani perubahan level dan outlier. Model ARIMA adalah kasus khusus dari model fungsi transfer.

Bahkan jika Anda mematikan pergeseran level dan deteksi outlier Autobox, Anda akan mendapatkan model ARIMA berbeda dari auto.arima()karena pilihan yang berbeda dalam cara mengidentifikasi parameter ARIMA.

Dalam pengujian saya pada data persaingan M3 dan M, auto.arima()menghasilkan perkiraan yang lebih akurat daripada Autoboxdata ini. Namun, Autoboxakan lebih baik dengan data yang berisi outlier utama dan pergeseran level.

EDIT: Per komentar Anda, saya percaya bahwa jika Anda mematikan banyak autoboxpilihan, Anda mungkin akan mendapatkan jawaban yang sama auto.arima. Tetapi jika Anda tidak, dan di hadapan pencilan pasti akan ada perbedaan: auto.arimatidak peduli pencilan, sementara autoboxakan mendeteksi dan menanganinya dengan tepat, yang akan memberikan model yang lebih baik. Mungkin ada perbedaan lain juga, dan saya yakin IrishStat dapat menggambarkannya.

Saya percaya autoboxmendeteksi outlier dan hal-hal lain di luar sekedar mencari koefisien AR, I, dan MA terbaik. Jika itu benar, maka akan memerlukan lebih banyak analisis dan beberapa fungsi R lainnya untuk memiliki fungsi yang sama. Dan IrishStats adalah anggota yang berharga dari komunitas ini, dan cukup ramah.

Tentu saja, R gratis dan dapat melakukan banyak hal di luar ARIMA.

Pilihan lain yang gratis untuk ARIMA bergaya ekonomi adalah X13-ARIMA SEATS, dari Biro Sensus AS, yang bersifat open source. Ada binari untuk Windows dan Linux, tetapi kompilasi langsung di Mac saya, mengingat bahwa saya sudah memuat kompiler gfortran gnu. Ini adalah penerus X12-ARIMA, dan baru saja dirilis dalam beberapa hari terakhir, setelah bertahun-tahun pengembangan dan pengujian. (Ini memperbarui X12 dan juga menambahkan fitur SEATS / TRAMO. X12 adalah alat resmi AS, sementara SEATS / TRAMO berasal dari Bank Spanyol dan merupakan "alat Eropa".)

Saya sangat suka X12 (dan sekarang X13) banyak. Jika Anda mengeluarkan cukup banyak diagnostik dan membacanya dan mempelajari artinya, sebenarnya itu adalah pendidikan yang cukup baik dalam ARIMA dan rangkaian waktu. Saya telah mengembangkan alur kerja saya sendiri, tetapi ada paket R x12untuk melakukan sebagian besar pekerjaan dari dalam R (Anda masih harus membuat file input model (".spc") untuk X12).

Saya katakan X12 bagus dalam "gaya ekonomi" ARIMA berarti data bulanan dengan lebih dari 3 tahun data. (Anda memerlukan 5+ tahun data untuk menggunakan beberapa fitur diagnostik.) Ini memiliki fitur identifikasi outlier, dapat menangani semua jenis spesifikasi outlier, dan dapat menangani liburan, liburan mengambang, efek hari perdagangan, dan sejumlah hal ekonomi. Ini alat yang digunakan pemerintah AS untuk membuat data yang disesuaikan secara musiman.