সময় সিরিজের পূর্বাভাসে স্টোকাস্টিক বনাম ডিটারমিনিস্টিক ট্রেন্ড / মৌসুমতা


16

সময় সিরিজের পূর্বাভাসে আমার মাঝারি পটভূমি রয়েছে। আমি বেশ কয়েকটি পূর্বাভাস বইয়ের দিকে তাকিয়েছি এবং এর মধ্যে কোনটিতে আমি নিম্নলিখিত প্রশ্নগুলি সম্বোধন করছি না।

আমার দুটি প্রশ্ন আছে:

  1. যদি প্রদত্ত সময়ের সিরিজটি থাকে তবে আমি কীভাবে নিখুঁতভাবে নির্ধারণ করব (পরিসংখ্যান পরীক্ষার মাধ্যমে):

    • স্টোকাস্টিক asonতু বা একটি নির্ণায়ক মৌসুমী
    • স্টোকাস্টিক ট্রেন্ড বা একটি নির্ণায়ক ট্রেন্ড
  2. যখন সিরিজের স্পষ্টত স্টোকেস্টিক উপাদান রয়েছে তখন আমি যদি আমার সময় সিরিজকে একটি নির্জন প্রবণতা / মৌসুমী হিসাবে মডেল করি তবে কী হবে?

এই প্রশ্নগুলির সমাধানের জন্য যে কোনও সহায়তা প্রশংসিত হবে।

প্রবণতার জন্য ডেটা উদাহরণ:

7,657
5,451
10,883
9,554
9,519
10,047
10,663
10,864
11,447
12,710
15,169
16,205
14,507
15,400
16,800
19,000
20,198
18,573
19,375
21,032
23,250
25,219
28,549
29,759
28,262
28,506
33,885
34,776
35,347
34,628
33,043
30,214
31,013
31,496
34,115
33,433
34,198
35,863
37,789
34,561
36,434
34,371
33,307
33,295
36,514
36,593
38,311
42,773
45,000
46,000
42,000
47,000
47,500
48,000
48,500
47,000
48,900

প্রকৃতির সম্ভাব্য চারটি রাষ্ট্র রয়েছে। মডেল নমুনা স্থান তুলনামূলকভাবে সীমাহীন হওয়ায় এই প্রশ্নের কোনও বিশ্লেষণমূলক সমাধান নেই। এই উদ্বেগজনক প্রশ্নের উত্তর দেওয়ার জন্য আমি অটোবক্স অটোবক্স / সিএমএস বিকাশ করতে সহায়তা করেছি । অটোবক্স এই সমস্ত চারটি কেস পরীক্ষা করার জন্য একটি টুর্নামেন্ট চালায় এবং প্রয়োজনীয়তা এবং পর্যাপ্ততার ক্ষেত্রে 4 টি ফলাফলের মডেলের মানের মূল্যায়ন করে। আপনি কেন নিজের পছন্দের উদাহরণ সিরিজ পোস্ট করবেন না এবং এই সমস্যাটি কীভাবে সমাধান হয়েছে তা দেখিয়ে আমি 4 ফলাফল পোস্ট করব।
আইরিশস্ট্যাট

উত্তর:


15

1) আপনার প্রথম প্রশ্ন হিসাবে, স্টাটারারিটির শূন্যতা এবং একক মূলের নাল পরীক্ষা করার জন্য কিছু পরীক্ষার পরিসংখ্যান সাহিত্যে বিকাশ ও আলোচনা করা হয়েছে। এই ইস্যুতে লেখা অনেকগুলি কাগজপত্রের কয়েকটি নিম্নলিখিত:

প্রবণতার সাথে সম্পর্কিত:

  • ডিকি, ডি ওয়াই ফুলার, ডাব্লু। (1979a), ইউনিট রুট সহ অটোরিগ্রেসিভ সময় সিরিজের অনুমানের বিতরণ, আমেরিকান স্ট্যাটিস্টিকাল অ্যাসোসিয়েশনের জার্নাল 74, 427-31।
  • ডিকি, ডি ওয়াই ফুলার, ডাব্লু। (1981), ইউনিট রুট, অ্যাকোনোমেট্রিকা 49, 1057-1071 সহ স্বতঃসংশ্লিষ্ট টাইম সিরিজের সম্ভাবনা অনুপাতের পরিসংখ্যান।
  • কুইয়াটকভস্কি, ডি। ফিলিপস, পি।, শমিট, পিওয়াই শিন, ওয়াই (1992), একক মূলের বিকল্পের বিরুদ্ধে স্থিতিশীলতার নাল অনুমানের পরীক্ষা করছেন: আমরা কীভাবে নিশ্চিত যে অর্থনৈতিক সময় সিরিজের একটি ইউনিট মূল রয়েছে? , একনোমেট্রিকস জার্নাল 54, 159-178।
  • ফিলিপস, পি। ওয়াই পেরোন, পি। (1988), টাইম সিরিজ রিগ্রেশন ইন ইউনিট রুটের জন্য পরীক্ষা করা, বায়োমেট্রিক 75, 335-46।
  • দুর্লফ, এস। ওয়াই ফিলিপস, পি। (1988), ট্রেন্ডস বনাম এলোমেলো পদক্ষেপগুলি টাইম সিরিজ বিশ্লেষণে, একনোমেট্রিকিয়া 56, 1333-54।

Theতু উপাদান সম্পর্কিত:

  • হাইলবার্গ, এস।, এনগেল, আর।, গ্রেঞ্জার, সি ওয়াই ইউ, বি (১৯৯০), মরসুমী সংহতকরণ এবং সমন্বয়, জার্নাল অফ ইকোনোমেট্রিকস 44, 215-38।
  • ক্যানোভা, এফ। ওয়াই হানসেন, বিই (1995), সময়ের সাথে সাথে মৌসুমী নিদর্শনগুলি কি স্থির থাকে? মৌসুমী স্থিতিশীলতার জন্য একটি পরীক্ষা, ব্যবসায় এবং অর্থনৈতিক পরিসংখ্যান জার্নাল 13, 237-252।
  • ফ্রান্সেস, পি। (1990), মাসিক তথ্যতে মৌসুমী ইউনিটের শিকড়ের জন্য পরীক্ষা করা, প্রযুক্তিগত প্রতিবেদন 9032, একনোমেট্রিক ইনস্টিটিউট।
  • গাইসেলস, ই।, লি, এইচ। নোহ, জে। (1994), মৌসুমী সময় সিরিজের ইউনিট শিকড়গুলির জন্য পরীক্ষা করা। কিছু তাত্ত্বিক এক্সটেনশান এবং একটি মন্টি কার্লো তদন্ত, একনোমেট্রিক্স জার্নাল 62, 415-442।

ব্যানার্জি, এ। অক্সফোর্ড ইউনিভার্সিটি প্রেস এছাড়াও একটি ভাল রেফারেন্স।

2) আপনার দ্বিতীয় উদ্বেগ সাহিত্যের দ্বারা ন্যায়সঙ্গত। যদি কোনও ইউনিট রুট পরীক্ষা হয় তবে theতিহ্যবাহী টি-স্ট্যাটিস্টিক যে আপনি রৈখিক প্রবণতায় প্রয়োগ করবেন তা মান বিতরণ অনুসরণ করে না। উদাহরণস্বরূপ, ফিলিপস, পি। (1987), ইউনিট রুট সহ টাইম সিরিজ রিগ্রেশন, একনোমেট্রিক 55 (2), 277-301।

যদি কোনও ইউনিট মূল উপস্থিত থাকে এবং তা উপেক্ষা করা হয়, তবে রৈখিক প্রবণতার সহগ শূন্য হ'ল নালটিকে প্রত্যাখ্যান করার সম্ভাবনা হ্রাস পাবে। এটি হ'ল আমরা একটি নির্ধারিত তাত্পর্য স্তরের জন্য প্রায়শই একটি নিয়ামবাদী রৈখিক প্রবণতা মডেলিং শেষ করব। ইউনিট রুটের উপস্থিতিতে আমাদের পরিবর্তে ডেটাগুলিতে নিয়মিত পার্থক্য নিয়ে তথ্য পরিবর্তন করা উচিত।

3) উদাহরণস্বরূপ, আপনি আর ব্যবহার করেন তবে আপনার ডেটা দিয়ে নিম্নলিখিত বিশ্লেষণ করতে পারেন।

x <- structure(c(7657, 5451, 10883, 9554, 9519, 10047, 10663, 10864, 
  11447, 12710, 15169, 16205, 14507, 15400, 16800, 19000, 20198, 
  18573, 19375, 21032, 23250, 25219, 28549, 29759, 28262, 28506, 
  33885, 34776, 35347, 34628, 33043, 30214, 31013, 31496, 34115, 
  33433, 34198, 35863, 37789, 34561, 36434, 34371, 33307, 33295, 
  36514, 36593, 38311, 42773, 45000, 46000, 42000, 47000, 47500, 
  48000, 48500, 47000, 48900), .Tsp = c(1, 57, 1), class = "ts")

প্রথমত, আপনি ইউনিট রুটের শূন্যতার জন্য ডিকি-ফুলার পরীক্ষা প্রয়োগ করতে পারেন:

require(tseries)
adf.test(x, alternative = "explosive")
#   Augmented Dickey-Fuller Test
#   Dickey-Fuller = -2.0685, Lag order = 3, p-value = 0.453
#   alternative hypothesis: explosive

এবং বিপরীত নাল অনুমানের জন্য কেপিএসএস পরীক্ষা, রৈখিক প্রবণতার আশেপাশে স্টেশনারিটির বিকল্পের বিরুদ্ধে স্থিতিশীলতা:

kpss.test(x, null = "Trend", lshort = TRUE)
#   KPSS Test for Trend Stationarity
#   KPSS Trend = 0.2691, Truncation lag parameter = 1, p-value = 0.01

ফলাফল: এডিএফ পরীক্ষা, 5% তাত্পর্য পর্যায়ে একটি ইউনিট রুট প্রত্যাখ্যান করা হয় না; কেপিএসএস পরীক্ষা, রৈখিক প্রবণতা সহ মডেলের পক্ষে প্রতারণার নাল বাতিল করা হয়।

পাশাপাশি নোট: lshort=FALSEকেপিএসএস পরীক্ষার নাল ব্যবহার 5% স্তরে প্রত্যাখ্যান করা হয় না, তবে এটি 5 টি লেগ নির্বাচন করে; এখানে দেখানো হয়নি এমন আরও একটি পরিদর্শন প্রস্তাবিত হয়েছিল যে ডেটাগুলির জন্য 1-3 লেগ চয়ন করা উপযুক্ত এবং নাল অনুমানটিকে প্রত্যাখ্যান করে।

নীতিগতভাবে, আমাদের সেই পরীক্ষার দ্বারা আমাদের গাইড করা উচিত যার জন্য আমরা নাল অনুমানকে প্রত্যাখ্যান করতে সক্ষম হয়েছি (বরং যে পরীক্ষার জন্য আমরা প্রত্যাখ্যান করি নি (তার চেয়ে আমরা নাল বাতিল করেছিলাম না))। তবে, রৈখিক প্রবণতায় মূল সিরিজের একটি রিগ্রেশন নির্ভরযোগ্য নয় not একদিকে, আর-বর্গক্ষেত্রটি উচ্চতর (90% এরও বেশি) যা সাহিত্যে উত্সাহী রিগ্রেশনের সূচক হিসাবে নির্দেশিত।

fit <- lm(x ~ 1 + poly(c(time(x))))
summary(fit)
#Coefficients:
#                 Estimate Std. Error t value Pr(>|t|)    
#(Intercept)       28499.3      381.6   74.69   <2e-16 ***
#poly(c(time(x)))  91387.5     2880.9   31.72   <2e-16 ***
#---
#Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1
#
#Residual standard error: 2881 on 55 degrees of freedom
#Multiple R-squared:  0.9482,   Adjusted R-squared:  0.9472 
#F-statistic:  1006 on 1 and 55 DF,  p-value: < 2.2e-16

অন্যদিকে, অবশিষ্টাংশগুলি স্বতঃসংশ্লিষ্ট:

acf(residuals(fit)) # not displayed to save space

তদুপরি, অবশিষ্টাংশগুলিতে একটি ইউনিটের মূলের নাল বাতিল করা যায় না।

adf.test(residuals(fit))
#   Augmented Dickey-Fuller Test
#Dickey-Fuller = -2.0685, Lag order = 3, p-value = 0.547
#alternative hypothesis: stationary

এই মুহুর্তে, আপনি পূর্বাভাস পেতে ব্যবহার করতে একটি মডেল চয়ন করতে পারেন। উদাহরণস্বরূপ, কাঠামোগত সময় সিরিজের মডেল এবং একটি এআরআইএমএ মডেলের উপর ভিত্তি করে পূর্বাভাসগুলি নীচে প্রাপ্ত করা যেতে পারে।

# StructTS
fit1 <- StructTS(x, type = "trend")
fit1
#Variances:
# level    slope  epsilon  
#2982955        0   487180 
# 
# forecasts
p1 <- predict(fit1, 10, main = "Local trend model")
p1$pred
# [1] 49466.53 50150.56 50834.59 51518.62 52202.65 52886.68 53570.70 54254.73
# [9] 54938.76 55622.79

# ARIMA
require(forecast)
fit2 <- auto.arima(x, ic="bic", allowdrift = TRUE)
fit2
#ARIMA(0,1,0) with drift         
#Coefficients:
#         drift
#      736.4821
#s.e.  267.0055
#sigma^2 estimated as 3992341:  log likelihood=-495.54
#AIC=995.09   AICc=995.31   BIC=999.14
#
# forecasts
p2 <- forecast(fit2, 10, main = "ARIMA model")
p2$mean
# [1] 49636.48 50372.96 51109.45 51845.93 52582.41 53318.89 54055.37 54791.86
# [9] 55528.34 56264.82

পূর্বাভাসের একটি প্লট:

par(mfrow = c(2, 1), mar = c(2.5,2.2,2,2))
plot((cbind(x, p1$pred)), plot.type = "single", type = "n", 
  ylim = range(c(x, p1$pred + 1.96 * p1$se)), main = "Local trend model")
grid()
lines(x)
lines(p1$pred, col = "blue")
lines(p1$pred + 1.96 * p1$se, col = "red", lty = 2)
lines(p1$pred - 1.96 * p1$se, col = "red", lty = 2)
legend("topleft", legend = c("forecasts", "95% confidence interval"), 
  lty = c(1,2), col = c("blue", "red"), bty = "n")
plot((cbind(x, p2$mean)), plot.type = "single", type = "n", 
  ylim = range(c(x, p2$upper)), main = "ARIMA (0,1,0) with drift")
grid()
lines(x)
lines(p2$mean, col = "blue")
lines(ts(p2$lower[,2], start = end(x)[1] + 1), col = "red", lty = 2)
lines(ts(p2$upper[,2], start = end(x)[1] + 1), col = "red", lty = 2)

প্রবণতা পূর্বাভাস

পূর্বাভাস উভয় ক্ষেত্রেই একই রকম এবং যুক্তিসঙ্গত দেখাচ্ছে। লক্ষ করুন যে পূর্বাভাসগুলি একটি লিনিয়ার প্রবণতার তুলনায় অপেক্ষাকৃত নির্জনবাদী প্যাটার্ন অনুসরণ করে, তবে আমরা স্পষ্টতই একটি রৈখিক প্রবণতা মডেল করি নি। কারণটি নিম্নরূপ: i) স্থানীয় প্রবণতা মডেলটিতে, opeালের উপাদানটির বৈচিত্রটি শূন্য হিসাবে অনুমান করা হয়। এটি ট্রেন্ডের উপাদানটিকে একটি প্রবাহে পরিণত করবে যা রৈখিক প্রবণতার প্রভাব ফেলে। ii) আরিমা (0,1,1), একটি ড্রিফ্ট সহ একটি মডেলকে পৃথক সিরিজের জন্য একটি মডেল নির্বাচিত করা হয় difference একটি পৃথক সিরিজের ধ্রুবক শব্দটির প্রভাব একটি রৈখিক প্রবণতা। এটি এই পোস্টে আলোচনা করা হয় ।

আপনি পরীক্ষা করতে পারেন যে যদি কোনও স্থানীয় মডেল বা অরিমা (0,1,0) বামন ছাড়াই বেছে নেওয়া হয়, তবে পূর্বাভাসগুলি একটি সরল অনুভূমিক রেখা এবং সুতরাং, ডেটাটির পর্যবেক্ষিত গতিশীলতার সাথে কোনও মিল নেই। ঠিক আছে, এটি ইউনিট রুট টেস্ট এবং ডিটারমিনিস্টিক উপাদানগুলির ধাঁধার একটি অংশ।

সম্পাদনা 1 (অবশিষ্টাংশের পরিদর্শন): স্বতঃসিদ্ধকরণ এবং আংশিক এসিএফ অবশিষ্টাংশগুলিতে কোনও কাঠামোর পরামর্শ দেয় না।

resid1 <- residuals(fit1)
resid2 <- residuals(fit2)
par(mfrow = c(2, 2))
acf(resid1, lag.max = 20, main = "ACF residuals. Local trend model")
pacf(resid1, lag.max = 20, main = "PACF residuals. Local trend model")
acf(resid2, lag.max = 20, main = "ACF residuals. ARIMA(0,1,0) with drift")
pacf(resid2, lag.max = 20, main = "PACF residuals. ARIMA(0,1,0) with drift")

ACF-PACF

আইরিশস্ট্যাট যেমন পরামর্শ দিয়েছেন, আউটলিয়ারদের উপস্থিতি যাচাই করাও বাঞ্ছনীয়। প্যাকেজটি ব্যবহার করে দুটি অ্যাডিটিভ আউটলিয়ার সনাক্ত করা হয়েছে tsoutliers

require(tsoutliers)
resol <- tsoutliers(x, types = c("AO", "LS", "TC"), 
  remove.method = "bottom-up", 
  args.tsmethod = list(ic="bic", allowdrift=TRUE))
resol
#ARIMA(0,1,0) with drift         
#Coefficients:
#         drift        AO2       AO51
#      736.4821  -3819.000  -4500.000
#s.e.  220.6171   1167.396   1167.397
#sigma^2 estimated as 2725622:  log likelihood=-485.05
#AIC=978.09   AICc=978.88   BIC=986.2
#Outliers:
#  type ind time coefhat  tstat
#1   AO   2    2   -3819 -3.271
#2   AO  51   51   -4500 -3.855

এসিএফটির দিকে তাকালে, আমরা বলতে পারি যে, 5% তাত্পর্য পর্যায়ে, অবশিষ্টাংশগুলিও এই মডেলটিতে এলোমেলো।

par(mfrow = c(2, 1))
acf(residuals(resol$fit), lag.max = 20, main = "ACF residuals. ARIMA with additive outliers")
pacf(residuals(resol$fit), lag.max = 20, main = "PACF residuals. ARIMA with additive outliers")

এখানে চিত্র বর্ণনা লিখুন

এই ক্ষেত্রে, সম্ভাব্য outliers উপস্থিতি মডেলগুলির কর্মক্ষমতা বিকৃত বলে মনে হয় না। এটি স্বাভাবিকতার জন্য জার্কে-বেরা পরীক্ষার দ্বারা সমর্থিত; প্রাথমিক মডেলগুলি ( fit1, fit2) থেকে অবশিষ্টাংশগুলিতে স্বাভাবিকতার নালাকে 5% তাত্পর্য পর্যায়ে প্রত্যাখ্যান করা হয় না।

jarque.bera.test(resid1)[[1]]
# X-squared = 0.3221, df = 2, p-value = 0.8513
jarque.bera.test(resid2)[[1]]
#X-squared = 0.426, df = 2, p-value = 0.8082

2 সম্পাদনা করুন (অবশিষ্টাংশ এবং তাদের মানগুলির প্লট) অবশিষ্টাংশগুলি এইভাবে দেখায়:

অবশিষ্টাংশ

এবং এগুলি সিএসভি ফর্ম্যাটে তাদের মানগুলি:

0;6.9205
-0.9571;-2942.4821
2.6108;4695.5179
-0.5453;-2065.4821
-0.2026;-771.4821
0.1242;-208.4821
0.1909;-120.4821
-0.0179;-535.4821
0.1449;-153.4821
0.484;526.5179
1.0748;1722.5179
0.3818;299.5179
-1.061;-2434.4821
0.0996;156.5179
0.4805;663.5179
0.8969;1463.5179
0.4111;461.5179
-1.0595;-2361.4821
0.0098;65.5179
0.5605;920.5179
0.8835;1481.5179
0.7669;1232.5179
1.4024;2593.5179
0.3785;473.5179
-1.1032;-2233.4821
-0.3813;-492.4821
2.2745;4642.5179
0.2935;154.5179
-0.1138;-165.4821
-0.8035;-1455.4821
-1.2982;-2321.4821
-1.9463;-3565.4821
-0.1648;62.5179
-0.1022;-253.4821
0.9755;1882.5179
-0.5662;-1418.4821
-0.0176;28.5179
0.5;928.5179
0.6831;1189.5179
-1.8889;-3964.4821
0.3896;1136.5179
-1.3113;-2799.4821
-0.9934;-1800.4821
-0.4085;-748.4821
1.2902;2482.5179
-0.0996;-657.4821
0.5539;981.5179
2.0007;3725.5179
1.0227;1490.5179
0.27;263.5179
-2.336;-4736.4821
1.8994;4263.5179
0.1301;-236.4821
-0.0892;-236.4821
-0.1148;-236.4821
-1.1207;-2236.4821
0.4801;1163.5179

1
আপনি কি যাচাই করেছেন যে আপনার মডেলগুলির অবশিষ্টাংশগুলি এলোমেলো ছিল অর্থাত্ কোনও আউটলিয়ার বা এআরআইএমএ কাঠামো যা অনুমানযুক্ত গুণাগুণগুলি অর্থবহ হতে পারে তা পরীক্ষার জন্য প্রয়োজনীয়। মনে রাখবেন যে আপনার যদি অবশিষ্টাংশগুলিতে আউটলিয়ার থাকে তবে এসিএফ অর্থহীন কারণ স্ফীত ত্রুটির বৈচিত্রটি একটি কম মূল্যায়িত এসিএফ বাড়ে। আপনি কি দয়া করে ত্রুটিগুলির প্লটগুলি সরবরাহ করতে পারেন যা এলোমেলোতার প্রমাণ / প্রস্তাব দেয় অন্যথায় অবশিষ্টাংশগুলি অনিয়ন্ত্রিত হওয়ার বিষয়ে আপনার সিদ্ধান্তগুলি ভুল হতে পারে।
আইরিশস্ট্যাট

অবশ্যই একটি সম্পূর্ণ বিশ্লেষণের অবশিষ্টাংশ পরিদর্শন করা প্রয়োজন। "ফোরকাস্টার" যে প্রশ্নগুলির বিষয়ে জিজ্ঞাসা করছিল এবং সেগুলির ব্যবহারের চিত্র তুলে ধরেছিল সেগুলি প্রয়োগ করার জন্য কিছু সরঞ্জামের নাম দেওয়ার জন্য আমি আমার উত্তরকে সীমাবদ্ধ রেখেছি আপনি আরও বিশদে আগ্রহী তা দেখে আমি আনন্দিত, আমি আমার প্রশ্নটি সম্পাদনা করেছি।
জাভালাকলে

আমি অবশিষ্টাংশের একটি সময় প্লট চেয়েছিলাম। আপনি কি তাদের দয়া করে সরবরাহ করতে পারেন এবং অবশিষ্টাংশগুলি নিজেই সরবরাহ করতে পারেন যাতে আমি তাদের প্রমাণের কাঠামোমুক্ত কিনা তা নিশ্চিত করার জন্য তাদেরকে আউটবক্স দিয়ে প্রক্রিয়া করতে পারি। ডাল, স্তর স্তর, মৌসুমী ডাল এবং / অথবা স্থানীয় সময় ট্রেন্ডগুলির জন্য কোনও ডেটা সেটে পরীক্ষা করার সময় জেবি পরীক্ষার অগ্রাধিকার দেওয়া হয় না যদিও এই ধরণের কাঠামোর উপস্থিতি স্বাভাবিকতা অনুমানের প্রত্যাখ্যানকে উদ্বুদ্ধ করতে পারে। নাল বাতিল না হলে এটি গ্রহণযোগ্যতার প্রমাণ, এটি বিপজ্জনক হতে পারে The দয়া করে unc.edu/~jbhill/tsay.pdf দেখুন
আইরিশস্ট্যাট

1
ধন্যবাদ। আমি 57 টি অবশিষ্টাংশ জমা দিয়েছিলাম এবং তাদের মধ্যে 5 টি অস্থায়ীভাবে ব্যতিক্রমী হিসাবে চিহ্নিত করা হয়েছে। গুরুত্বের ক্রমে (51,3,27,52 এবং 48)। আপনার গ্রাফ দৃশ্যত এই পয়েন্ট সমর্থন করে। ফলস্বরূপ ত্রুটিগুলি এলোমেলোভাবে লঙ্ঘন করে না এবং পরবর্তীকালে কোনও উল্লেখযোগ্য এসিএফ প্রদর্শন করে না। অসঙ্গত সনাক্তকরণের জন্য আপনার পর্যবেক্ষণ করা মানগুলি সমন্বয় করতে দয়া করে নিম্নলিখিতটি ব্যবহার করুন: + [এক্স 1 (টি)] [(- 4494.5)]: পুলস ৫১ + [এক্স 2 (টি)] [(+ 4937.5)]: পুলস 3 + [এক্স 3 (টি)] [(+ 4884.5)]: পুলস 27 + [এক্স 4 (টি)] [(+4505.5)]: পুলস 52 + [এক্স 5 (টি)] [(+ 3967.5)]:
পুলস

1
@ বি_মিনার সাধারণত আপনি অবশিষ্টাংশের স্বতঃসংশোধনের কাজটি দেখে শুরু করবেন। যদি স্বতঃসিদ্ধকরণগুলি বড় অর্ডারগুলির জন্য তাত্পর্যপূর্ণ এবং বৃহত্তর হয় (যেমন এসিএফটি দ্রুত শূন্যে ক্ষয় হয় না) তবে আপনি অবশিষ্টগুলিতে ইউনিট রুট পরীক্ষা প্রয়োগের বিষয়টি বিবেচনা করতে পারেন। যদি অবশিষ্টাংশগুলির বিশ্লেষণটি পরামর্শ দেয় যে ইউনিট মূল রয়েছে, তবে এর অর্থ হ'ল সম্ভবত প্রথমবারের প্রথম মতভেদগুলি মূল ডেটাতে নেওয়া উচিত (অর্থাত্ পার্থক্যযুক্ত সিরিজের মধ্যে আবার পার্থক্য গ্রহণ করুন)।
জাভালাকলে

4

আপনার অ-মৌসুমী ডেটা সম্পর্কে শ্রদ্ধা ... ট্রেন্ডস দুটি রূপ হতে পারে y (t) = y (t − 1) + θ0 (A) স্টোকাস্টিক ট্রেন্ড বা Y (টি) = a + bx1 + cx2 (B) নির্ধারক প্রবণতা ইত্যাদি যেখানে x1 = 1,2,3,4 .... টি এবং x2 = 0,0,0,0,0,1,2,3,4 এইভাবে একটি প্রবণতা পর্যবেক্ষণে 1 − t এবং দ্বিতীয় প্রবণতায় প্রযোজ্য পর্যবেক্ষণ 6 থেকে প্রযোজ্য।

আপনার অ-মৌসুমী সিরিজটিতে 29 টি মান রয়েছে। আমি অটোবক্সকে এমন একটি সফটওয়্যার ব্যবহার করেছি যা আমি সম্পূর্ণ স্বয়ংক্রিয় ফ্যাশনে বিকাশ করতে সহায়তা করেছিলাম। মডেলিং প্রক্রিয়াটির প্রতিটি পদক্ষেপের বিবরণ হিসাবে অটবক্স একটি স্বচ্ছ পদ্ধতি। সিরিজের একটি মানচিত্র / মানযুক্ত মান / পূর্বাভাস এখানে উপস্থাপন করা হয়েছে এখানে চিত্র বর্ণনা লিখুন। একটি ধরণের একটি মডেল গঠনের জন্য অটোবক্স ব্যবহার করা নিম্নলিখিতগুলির দিকে পরিচালিত করে এখানে চিত্র বর্ণনা লিখুন। সমীকরণটি এখানে আবার উপস্থাপন করা হয়েছে এখানে চিত্র বর্ণনা লিখুন, মডেলের পরিসংখ্যানগুলি হ'ল এখানে চিত্র বর্ণনা লিখুনএখানে চিত্র বর্ণনা লিখুনপূর্বাভাসকৃত মানগুলির টেবিলটি এখানে রয়েছে যখন অবশিষ্টাংশের একটি প্লট রয়েছে এখানে চিত্র বর্ণনা লিখুন। টাইপ বি মডেলটিতে অটোবক্সকে সীমাবদ্ধ রাখার ফলে 14: পিরিয়ডে AUTOBOX একটি বর্ধিত প্রবণতা সনাক্ত করেছে led এখানে চিত্র বর্ণনা লিখুন এখানে চিত্র বর্ণনা লিখুনএখানে চিত্র বর্ণনা লিখুন!এখানে চিত্র বর্ণনা লিখুনএখানে চিত্র বর্ণনা লিখুনএখানে চিত্র বর্ণনা লিখুন

মডেলগুলির সাথে তুলনা করার ক্ষেত্রে: যেহেতু লাগানো পর্যবেক্ষণের সংখ্যা পৃথক (২ 26 এবং ২৯ যথাক্রমে) আধিপত্য নির্ধারণের জন্য স্ট্যান্ডার্ড মেট্রিকগুলি (অর্থাত্ r-বর্গক্ষেত্র, ত্রুটি স্ট্যান্ডার্ড দেব, AIC ইত্যাদি) ব্যবহার করা সম্ভব নয় যদিও এই ক্ষেত্রে নোড হবে এ যান। এ থেকে অবশিষ্টাংশগুলি এআর (2) কাঠামোর কারণে আরও ভাল better বি এর পূর্বাভাসগুলি একটি বাচ্চাদের আক্রমণাত্মক এবং এ-এর পূর্বাভাসের ধরণটি আরও স্বজ্ঞাত। কেউ 4 টি পর্যবেক্ষণ বলার অপেক্ষা রাখে না এবং 4 টি স্বতন্ত্র উত্স (25,26,27 এবং 28) থেকে 1 পর্বের পূর্বাভাসের পূর্বাভাসের নির্ভুলতার মূল্যায়ন করতে পারে।


2 ইরিশ স্ট্যাটেল উত্তম প্রতিক্রিয়ার জন্য স্ট্যাঙ্কস। আমি কিছু পড়েছি যে আমরা অন্য স্টোকাস্টিক এবং ডিটারমিনিস্টিক ট্রেন্ডগুলি একত্রিত করব যা yt = y (টি -1) + এ + বিটি = সিটি? এটি কি সহায়ক হবে
পূর্বাভাসকারী

Y (t) = B0 + B1 * t + a (t) [theth / phi] মডেল ফর্মটি ভেঙে যায় যদি phi বলা হয় [1-B] যেহেতু ভগ্নাংশের ক্লিয়ারিং মূলত বি ভেরিয়েবলের সাথে ধ্রুবক সংঘর্ষের ফলস্বরূপ আলাদা হয়। অন্য কথায় আরিমা কাঠামো সময়ের সূচকের সাথে যোগ দিয়ে বিপর্যয় সৃষ্টি করতে পারে। আপনি যে মডেলটি নির্দিষ্ট করেছেন তা অনুমানযোগ্য তবে অবশ্যই পছন্দসই পদ্ধতির নয় (সম্ভবত দীর্ঘায়ুতার অভাব!)। এটি পড়ার মতো অন্য কেউ মন্তব্য করতে পারে। এটি স্থানান্তর ফাংশন i.imgur.com/dv4bAts.png
আইরিশস্ট্যাট
আমাদের সাইট ব্যবহার করে, আপনি স্বীকার করেছেন যে আপনি আমাদের কুকি নীতি এবং গোপনীয়তা নীতিটি পড়েছেন এবং বুঝতে পেরেছেন ।
Licensed under cc by-sa 3.0 with attribution required.