Mencari jenis penjelasan ARIMA tertentu

25

Ini mungkin sulit ditemukan, tetapi saya ingin membaca contoh ARIMA yang dijelaskan dengan baik itu

  • menggunakan matematika minimal

  • memperluas diskusi di luar membangun model menggunakan model itu untuk memperkirakan kasus-kasus tertentu

  • menggunakan grafik serta hasil numerik untuk menandai kecocokan antara nilai yang diperkirakan dan yang sebenarnya.

rolando2
sumber

Jawaban:

7

Bacaan saya yang disarankan untuk intro ke pemodelan ARIMA adalah

Analisis Time Series Terapan untuk Ilmu Sosial 1980 oleh R McCleary; RA Hay; EE Meidinger; D McDowall

Ini ditujukan untuk para ilmuwan sosial sehingga tuntutan matematika tidak terlalu ketat. Juga untuk perawatan yang lebih pendek, saya akan menyarankan dua Sage Green Books (meskipun mereka sepenuhnya berlebihan dengan buku McCleary),

Teks Ostrom hanya pemodelan ARMA dan tidak membahas perkiraan. Saya tidak berpikir mereka akan memenuhi persyaratan Anda untuk membuat grafik perkiraan kesalahan juga. Saya yakin Anda dapat menggali lebih banyak sumber daya bermanfaat dengan memeriksa pertanyaan yang ditandai dengan rangkaian waktu di forum ini juga.

Andy W
sumber
Buku McCleary ditulis dengan luar biasa, singkat dan merupakan pengantar yang sangat bagus. Ada juga humor yang tidak disengaja di bab terakhir di mana mereka berbicara tentang bahasa tingkat tinggi seperti Fortran.
richiemorrisroe
31

Saya akan mencoba dan menanggapi desakan lembut whuber untuk hanya "menanggapi pertanyaan" dan tetap pada topik. Kami diberi 144 bacaan bulanan dari seri yang disebut "The Airline Series". Box dan Jenkins banyak dikritik karena memberikan perkiraan yang liar di sisi atas karena "sifat eksplosif" dari transformasi pembalakan terbalik.masukkan deskripsi gambar di sini

Secara visual kita mendapat kesan bahwa varians dari seri asli meningkat dengan tingkat seri yang menyarankan perlunya transformasi. Namun kita tahu bahwa salah satu persyaratan untuk model yang berguna adalah bahwa varian "kesalahan model" harus homogen. Tidak diperlukan asumsi tentang varian dari seri aslinya. Mereka identik jika modelnya hanya berupa konstanta yaitu y (t) = u. Seperti /stats//users/2392/probabilityislogic menyatakan dengan jelas dalam tanggapannya terhadap Nasihat tentang menjelaskan heterogenitas / heteroscedasticty "satu hal yang selalu saya temukan lucu adalah" non-normalitas data "yang dikhawatirkan orang-orang ini. tentang. Data tidak perlu didistribusikan secara normal, tetapi istilah kesalahan tidak ”

Pekerjaan awal dalam deret waktu sering keliru melompat ke kesimpulan tentang transformasi yang tidak beralasan. Kami akan menemukan di sini bahwa transformasi perbaikan untuk data ini adalah dengan hanya menambahkan tiga seri dummy indikator ke model ARIMA yang mencerminkan penyesuaian untuk tiga titik data yang tidak biasa. Berikut ini adalah plot fungsi autokorelasi yang menunjukkan autokorelasi kuat pada lag 12 (.76) dan pada lag 1 (.948). Autokorelasi hanyalah koefisien regresi dalam model di mana y adalah variabel dependen yang diprediksi oleh lag y.

masukkan deskripsi gambar di sini! masukkan deskripsi gambar di sini

Analisis di atas menunjukkan bahwa satu model perbedaan pertama dari seri dan mempelajari bahwa "seri residu" yang identik dengan perbedaan pertama terlebih dahulu untuk sifat-sifatnya. masukkan deskripsi gambar di sini

Analisis ini menegaskan kembali gagasan bahwa pola musiman yang kuat ada dalam data yang dapat diperbaiki atau dimodelkan oleh model yang berisi dua operator yang berbeda.

masukkan deskripsi gambar di sini masukkan deskripsi gambar di sini

Perbedaan ganda sederhana ini menghasilkan satu set residual alias seri yang disesuaikan atau secara longgar berbicara serangkaian transformasi yang membuktikan varians tidak konstan tetapi alasan untuk varian non-konstan adalah rata-rata residual yang tidak konstan. Berikut adalah plot dari seri berbeda dua kali lipat, menunjukkan tiga anomali di akhir seri. Autokorelasi seri ini secara salah mengindikasikan bahwa “semuanya baik-baik saja” dan mungkin ada kebutuhan untuk penyesuaian Ma (1) apa pun. Perawatan harus diambil karena ada saran anomali dalam data sehingga ACF bias ke bawah. Ini dikenal sebagai "Efek Alice in Wonderland" yaitu menerima hipotesis nol dari tidak ada struktur yang terbukti ketika struktur itu sedang ditutupi oleh pelanggaran salah satu asumsi.

masukkan deskripsi gambar di sini masukkan deskripsi gambar di sini

Kami mendeteksi secara visual tiga titik yang tidak biasa (117.135.136)

masukkan deskripsi gambar di sini

Langkah mendeteksi outlier ini disebut Intervensi Detection dan dapat dengan mudah, atau tidak begitu mudah, diprogram mengikuti karya Tsay berikut ini.

masukkan deskripsi gambar di sinimasukkan deskripsi gambar di sini

Jika kita menambahkan tiga indikator ke model, kita dapatkan masukkan deskripsi gambar di sini

Kami kemudian bisa memperkirakan

masukkan deskripsi gambar di sini

Dan menerima sebidang residu dan ACF

masukkan deskripsi gambar di sini

masukkan deskripsi gambar di sini

Acf ini menunjukkan bahwa kami menambahkan dua koefisien rata-rata bergerak ke dalam model. Jadi model estimasi selanjutnya mungkin.

masukkan deskripsi gambar di sini

Menghasilkan

masukkan deskripsi gambar di sini

masukkan deskripsi gambar di sini

masukkan deskripsi gambar di sini masukkan deskripsi gambar di sini masukkan deskripsi gambar di sini Satu kemudian dapat menghapus konstanta tidak signifikan dan mendapatkan model yang disempurnakan: masukkan deskripsi gambar di sini

Kami mencatat bahwa tidak ada transformasi daya yang diperlukan untuk mendapatkan satu set residual yang varians konstan. Perhatikan bahwa perkiraannya tidak eksplosif.

masukkan deskripsi gambar di sini

masukkan deskripsi gambar di sini

Dalam hal jumlah tertimbang sederhana, kami memiliki: 13 bobot; 3 bukan nol dan sama dengan (1.0.1.0., - 1.0)

masukkan deskripsi gambar di sini

masukkan deskripsi gambar di sini

Materi ini disajikan dengan cara yang tidak otomatis dan akibatnya diperlukan interaksi pengguna dalam hal membuat keputusan pemodelan.

IrishStat
sumber
Hai IrishStat, ini aku lagi. Saya menyukai contoh Anda yang luas, tetapi ada dua bagian yang sedikit tidak jelas (setidaknya bagi saya): "Autokorelasi seri ini secara salah menunjukkan bahwa" semuanya baik-baik saja "dan mungkin ada kebutuhan untuk penyesuaian Ma (1) apa pun "dan" Acf ini menunjukkan bahwa kami menambahkan dua koefisien rata-rata bergerak yang berpotensi ke model ". Apa tepatnya yang Anda lihat dalam plot ACF yang membuat Anda percaya itu? Bukankah keduanya terlihat ok (hampir semua nilai berada di dalam "garis biru")?
Bruder
: VBruder saya pikir saya "salah" dengan pernyataan "mungkin ada ....." Pada contoh kedua ada bukti "acf buruk" pada lag1 dan lag 12 menunjukkan potensi kebutuhan untuk koefisien t2o ma . Anda terlalu percaya batas-batas ini sebagai boyh the acf91) dan acf (12) "sangat dekat". Anda dapat menghubungi saya langsung di alamat email saya yang diterbitkan yang tersedia dari info saya.
IrishStat
Menulis bagus. "Model ARIMA mencerminkan penyesuaian untuk tiga titik data yang tidak biasa" Anda mengatakan bahwa Anda menambahkan tiga variabel dummy untuk tiga poin ini? Dalam istilah awam, bagaimana ketiga pencilan ini diperhitungkan dalam prediksi masa depan? (Saya yakin itu sederhana, saya hanya tidak terbiasa dengannya.) Juga, sepertinya batas kesalahan Anda tidak bertambah besar seiring berjalannya waktu. (Atau mungkin batas kesalahan tergantung pada modalitas langkah?) Terima kasih sebelumnya.
Adam
@Adam tiga variabel dummy tidak berperan dalam peramalan karena nilai mendatang adalah semua 0. Ya batas kesalahan yang disajikan salah. Kami telah mengatasi kekurangan itu dan sekarang AUTOBOX menghadirkan peningkatan batas kesalahan seiring berjalannya waktu. Saya adalah salah satu pengembang AUTOBOX. .
IrishStat
@IrishStat "tiga variabel dummy tidak berperan dalam peramalan karena semua nilai di masa mendatang adalah 0." Apakah ini pada dasarnya berarti mereka ditarik keluar dari data? Mereka harus memiliki dampak pada batas prediksi?
Adam
15

Saya mencoba melakukan itu di bab 7 buku pelajaran 1998 saya dengan Makridakis & Wheelwright. Apakah saya berhasil atau tidak, saya akan membiarkan orang lain menilai. Anda dapat membaca beberapa bab secara online melalui Amazon (dari p311). Cari "ARIMA" di buku untuk membujuk Amazon agar menunjukkan kepada Anda halaman yang relevan.

Pembaruan: Saya punya buku baru yang gratis dan online. The Bab ARIMA sini .

Rob Hyndman
sumber
3

Saya akan merekomendasikan Forecasting with Univariate Box - Jenkins Models: Concepts and Cases oleh Alan Pankratz. Buku klasik ini memiliki semua fitur yang Anda minta:

  • menggunakan matematika minimal
  • memperluas diskusi di luar membangun model menggunakan model itu untuk memperkirakan kasus-kasus tertentu
  • menggunakan grafik serta hasil numerik untuk menandai kecocokan antara nilai yang diperkirakan dan yang sebenarnya.

Satu-satunya kelemahan adalah itu dicetak pada tahun 1983 dan mungkin tidak memiliki beberapa perkembangan terakhir. Penerbit datang dengan edisi ke-2 pada Januari 2014 dengan pembaruan.

peramal cuaca
sumber
Saya juga merekomendasikan buku Alan Pankratz yang lain: Peramalan dengan Model Regresi Dinamis. Bahan yang sangat mirip, tetapi mencakup sedikit lebih banyak tanah; meskipun kurang detail di sisi Box-Jenkins. Senang mendengar bahwa akan ada edisi ke-2 pada Januari 2014!
Graeme Walsh
-4

Model ARIMA hanyalah rata-rata tertimbang. Itu menjawab pertanyaan ganda;

  1. Berapa periode (k) yang harus saya gunakan untuk menghitung rata-rata tertimbang

dan

  1. Tepatnya apa saja bobotnya

Ini menjawab doa gadis untuk menentukan bagaimana menyesuaikan dengan nilai-nilai sebelumnya (dan nilai-nilai sebelumnya SENDIRI) untuk memproyeksikan seri (yang sebenarnya disebabkan oleh variabel penyebab yang tidak ditentukan). Dengan demikian, model ARIMA adalah model kausal orang miskin.

IrishStat
sumber
-1 Balasan ini tampaknya tidak menanggapi pertanyaan, yang mencari "jelaskan ... * contoh *."
whuber
@whuber: OP meminta jawaban yang "menggunakan matematika minimal". Respons saya merinci matematika minimal dan termotivasi untuk menjelaskan model ARIMA dengan kata-kata umum sehari-hari. Ini tidak pernah dilakukan karena teori matematika berfokus pada "penjelasan kelas atas" menggunakan polinomial, operator yang berbeda, pengoptimalan non-linear, dll.
IrishStat
@Irish Saya setuju dengan motivasi untuk membuat matematika turun, terutama ketika diminta oleh pengguna. Tetapi jawaban ini sepertinya menjawab pertanyaan yang berbeda: "Apa itu ARIMA". Sifat spesifik dari pertanyaan awal juga menunjukkan OP memiliki ide bagus tentang apa itu ARIMA dan apa gunanya; mereka ingin melihatnya beraksi. Saya yakin Anda dapat dengan mudah berkontribusi studi kasus seperti itu :-).
whuber
: whuber: Itu akan sangat mudah bagi saya untuk dilakukan dan saya mungkin akan melakukannya.
IrishStat
@Irish Saya berharap dapat melihatnya. Selain itu - masalah ini tidak muncul di sini, tetapi telah muncul di tempat lain - kontribusi semacam itu berpotensi lebih kuat, dan lebih dihargai, cara untuk memberi tahu orang apa yang dapat Anda lakukan daripada banyak bentuk pemasaran yang lebih terbuka.
whuber