Bagaimana cara saya memasukkan pencilan inovatif pada pengamatan 48 dalam model ARIMA saya?

Saya sedang mengerjakan kumpulan data. Setelah menggunakan beberapa teknik identifikasi model, saya keluar dengan model ARIMA (0,2,1).

Saya menggunakan detectIOfungsi dalam paket TSAdalam R untuk mendeteksi outlier inovatif (IO) pada pengamatan ke-48 set data asli saya.

Bagaimana cara memasukkan pencilan ini ke dalam model saya sehingga saya dapat menggunakannya untuk tujuan perkiraan? Saya tidak ingin menggunakan model ARIMAX karena saya mungkin tidak dapat membuat prediksi dari itu di R. Apakah ada cara lain saya bisa melakukan ini?

Berikut adalah nilai-nilai saya:

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

Itu sebenarnya data saya. Mereka adalah tingkat pengangguran selama 6 tahun. Ada 72 pengamatan saat itu. Setiap nilai paling banyak satu desimal

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

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

Dengan cara ini Anda dapat melihat bahwa dampak anomali tidak hanya bersifat instan tetapi juga memiliki memori.

$t$

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

Setiap kali Anda memasukkan memori, baik itu hasil dari operator yang berbeda atau struktur ARMA, itu adalah pengakuan ketidaktahuan karena serangkaian sebab akibat yang dihilangkan. Ini juga berlaku pada kebutuhan untuk memasukkan rangkaian deterministik Intervensi seperti Pulsa / Pergeseran Level, Pulsa Musiman, atau Tren Waktu Lokal. Variabel dummy ini adalah proxy yang diperlukan untuk variabel kausal yang ditentukan pengguna determinstik yang dihilangkan. Seringkali yang Anda miliki adalah serangkaian minat dan mengingat kualifikasi yang telah saya sebutkan, Anda dapat meramalkan masa depan berdasarkan masa lalu dengan ketidaktahuan tentang sifat data yang dianalisis. Satu-satunya masalah adalah Anda menggunakan jendela belakang untuk memprediksi jalan di depan .... memang hal yang berbahaya.

setelah data diposting ...

Model yang masuk akal adalah a (1,1,0) dan anomali AO diidentifikasi pada periode 39,41,47,21 dan 69 (bukan periode 48). Residu dari model ini tampaknya bebas dari struktur yang jelas. DAN AO fice menilai representasi optimal dari aktivitas yang dicerminkan oleh aktivitas yang tidak ada dalam sejarah deret waktu. Saya akan berpikir bahwa ACF dari model over-differencing OP akan mencerminkan ketidakcukupan model. Inilah modelnya. Sekali lagi tidak ada kode R yang dikirimkan karena masalah atau peluang ada di ranah identifikasi model / revisi / validasi. Akhirnya sebidang seri aktual / pas dan yang diperkirakan.! [Masukkan deskripsi gambar di sini] [6]