আর-তে tsoutliers প্যাকেজ ব্যবহার করে টাইম সিরিজে আউটলিয়ারগুলি সনাক্তকরণ (এলএস / এও / টিসি) সমীকরণের ফর্ম্যাটে কীভাবে বহিরাগতদের প্রতিনিধিত্ব করবেন?


35

মন্তব্যসমূহ: প্রথমত আমি নতুন সসটেলিয়ার্স প্যাকেজের লেখককে একটি ধন্যবাদ জানাতে চাই যা চেন এবং লিউর সময় সিরিজের আউটলেট সনাক্তকরণ কার্যকর করে যা ১৯৯৩ সালে ওপেন সোর্স সফ্টওয়্যার আর- তে আমেরিকান স্ট্যাটিস্টিকাল অ্যাসোসিয়েশন জার্নালে প্রকাশিত হয়েছিল ।R

প্যাকেজটি টাইম সিরিজের ডেটাতে পুনরাবৃত্তভাবে 5 বিভিন্ন ধরণের আউটলিয়ার সনাক্ত করে:

  1. অ্যাডিটিভ আউটলেটর (এও)
  2. ইনোভেশন আউটলার (আইও)
  3. স্তর শিফট (এলএস)
  4. অস্থায়ী পরিবর্তন (টিসি)
  5. মৌসুমী স্তর শিফট (এসএলএস)

আরও বড় কথাটি হ'ল এই প্যাকেজটি পূর্বাভাস প্যাকেজ থেকে অটো.রিমা প্রয়োগ করে তাই বিদেশী সনাক্তকরণ বিরামবিহীন। এছাড়াও প্যাকেজ সময় সিরিজের ডেটা আরও ভাল বোঝার জন্য দুর্দান্ত প্লট তৈরি করে।

নীচে আমার প্রশ্নগুলি হল:

আমি এই প্যাকেজটি ব্যবহার করে কয়েকটি উদাহরণ চালানোর চেষ্টা করেছি এবং এটি দুর্দান্ত কাজ করেছে। সংযোজন outliers এবং স্তর শিফট স্বজ্ঞাত। যাইহোক, অস্থায়ী পরিবর্তন আউটলেট এবং ইনোভেশনাল আউটলিয়ারদের হস্তান্তর করার ক্ষেত্রে আমার কাছে দুটি প্রশ্ন ছিল যা আমি বুঝতে অক্ষম।

অস্থায়ী পরিবর্তন আউটিলারের উদাহরণ:

নিম্নলিখিত উদাহরণ বিবেচনা করুন:

library(tsoutliers)
library(expsmooth)
library(fma)

outlier.chicken <- tsoutliers::tso(chicken,types = c("AO","LS","TC"),maxit.iloop=10)
outlier.chicken
plot(outlier.chicken)

প্রোগ্রামটি সঠিকভাবে একটি নিম্ন স্তরের শিফট এবং নিম্নলিখিত স্থানে একটি অস্থায়ী পরিবর্তন সনাক্ত করে।

Outliers:
  type ind time coefhat tstat
1   LS  12 1935   37.14 3.153
2   TC  20 1943   36.38 3.350

নীচে চক্রান্ত এবং আমার প্রশ্ন রয়েছে।

  • একটি সমীকরণ বিন্যাসে অস্থায়ী পরিবর্তন কীভাবে লিখবেন? (লেভেল শিফটটি সহজেই বাইনারি ভেরিয়েবল হিসাবে লেখা যেতে পারে, 1935 এর আগে যে কোনও সময় / ওবিএস 12 হয় 0 এবং 1935 এর পরে এবং পরে 1 এর পরে যে কোনও সময়।)

প্যাকেজ ম্যানুয়ালটিতে অস্থায়ী পরিবর্তনের সমীকরণ এবং নিবন্ধটি দেওয়া হল:

L(B)=11δB

যেখানে 0.7 হয়। আমি কেবল উপরের উদাহরণটিতে এটি অনুবাদ করার জন্য লড়াই করছি।δ

  • আমার দ্বিতীয় প্রশ্নটি উদ্ভাবনী আউটলেটর সম্পর্কে, আমি
    বাস্তবে কোনও উদ্ভাবনী আউটলেটর এর আগে পাইনি । যে কোনও সংখ্যার উদাহরণ বা কেস উদাহরণ খুব সহায়ক হবে।

outliers

সম্পাদনা করুন: @ আইরিশটাত, সসুটলার্স ফাংশন আউটলিয়ারদের সনাক্তকরণ এবং একটি উপযুক্ত এআরআইএমএ মডেলের পরামর্শ দেওয়ার ক্ষেত্রে দুর্দান্ত কাজ করে। নীল ডাটাসেটের দিকে তাকিয়ে, নীচে অটো.আরিমার প্রয়োগ দেখুন এবং তারপরে সসট্লিয়ার্স প্রয়োগ করুন (ডিফল্টের সাথে অটোআরিমা অন্তর্ভুক্ত রয়েছে):

auto.arima(Nile)
Series: Nile 
ARIMA(1,1,1)                    

Coefficients:
         ar1      ma1
      0.2544  -0.8741
s.e.  0.1194   0.0605

sigma^2 estimated as 19769:  log likelihood=-630.63
AIC=1267.25   AICc=1267.51   BIC=1275.04

Tsoutliers ফাংশন প্রয়োগ করার পরে, এটি একটি এলএস আউটলেট এবং অ্যাডেটিভ আউটলেটর সনাক্ত করে এবং একটি এআরআইএমএ অর্ডার (0,0,0) প্রস্তাব দেয়।

nile.outliers <- tso(Nile,types = c("AO","LS","TC"))
nile.outliers
Series: Nile 
ARIMA(0,0,0) with non-zero mean 

Coefficients:
      intercept       LS29       AO43
      1097.7500  -242.2289  -399.5211
s.e.    22.6783    26.7793   120.8446

sigma^2 estimated as 14401:  log likelihood=-620.65
AIC=1249.29   AICc=1249.71   BIC=1259.71

Outliers:
  type ind time coefhat  tstat
1   LS  29 1899  -242.2 -9.045
2   AO  43 1913  -399.5 -3.306

এখানে চিত্র বর্ণনা লিখুন


8
আপনি প্যাকেজটি দরকারী হিসাবে পেয়েছি তা দেখে আনন্দিত, ধন্যবাদ! বিটিডাব্লু আমি ফাংশনে একটি টাইপো স্থির করেছি যা ফলাফলগুলি প্লট করে যাতে প্যাকেজের পরবর্তী প্রকাশে ওয়াই-অক্ষটি মূল এবং সামঞ্জস্যীকৃত সিরিজের উভয়ই সীমাবদ্ধ করে দেয়।
javlacalle

2
প্যাকেজের শেষ সংস্করণে, প্যাকেজের একই নামের কোনও ক্রিয়াকলাপের সাথে দ্বন্দ্ব এড়াতে ফাংশনটির tsoutliersনামকরণ করা হয়েছে । tsoforecast
javlacalle

1
@ জাভালাকাল আমি সর্বশেষ tsoutliers প্যাকেজটি ডাউনলোড করেছি এটিতে এখনও tsoutliers নেই not আমি নিশ্চিত না কখন প্যাকেজ আপডেট হবে। আমি আনন্দিত যে আমাদের আলাদা ফান্টের নাম রয়েছে।
পূর্বাভাসকারী

আমি আপডেটটি সম্পর্কে কিছুটা জানাতে ছুটে গেলাম। এটি CRAN- এ আপডেট হওয়া পর্যন্ত কিছুটা সময় নেয়। আমি সবেমাত্র দেখেছি যে সর্বশেষতম সংস্করণ 0.4 সিআরএন থেকে ডাউনলোড করা যেতে পারে।
জাভালাকলে

@ জাভালাক্যালে আমি আমার ম্যাকে ইনস্টল করা সত্যিই কঠিন সাউথলিয়াকে পেয়েছি। আমি gsl ইনস্টল চোলাই, আমি ব্যবহার কম্পাইল করার চেষ্টা করে clangএবং gccএবং তন্ন তন্ন কাজ করে। আমি মনে করি এটি একটি দুর্দান্ত প্যাকেজ তবে ইনস্টলেশন সত্যিই আমার হৃদয় ভেঙে দিয়েছে।
বিএমআরডাব্লু।

উত্তর:


19

filterδ=0δ=1 , টিসি একটি স্তর শিফটের মতো।

tc <- rep(0, 50)
tc[20] <- 1
tc1 <- filter(tc, filter = 0, method = "recursive")
tc2 <- filter(tc, filter = 0.3, method = "recursive")
tc3 <- filter(tc, filter = 0.7, method = "recursive")
tc4 <- filter(tc, filter = 1, method = "recursive")
par(mfrow = c(2,2))
plot(tc1, main = "TC delta = 0")
plot(tc2, main = "TC delta = 0.3")
plot(tc3, main = "TC delta = 0.7")
plot(tc4, main = "TC delta = 1", type = "s")

প্রবণতা পরিবর্তন

আপনার উদাহরণে, আপনি outliers.effectsপর্যবেক্ষণ করা সিরিজের সনাক্ত করা আউটলিয়ারের প্রভাবগুলি উপস্থাপন করতে ফাংশনটি ব্যবহার করতে পারেন :

# unit impulse
m1 <- ts(outliers.effects(outlier.chicken$outliers, n = length(chicken), weights = FALSE))
tsp(m1) <- tsp(chicken)
# weighted by the estimated coefficients
m2 <- ts(outliers.effects(outlier.chicken$outliers, n = length(chicken), weights = TRUE))
tsp(m2) <- tsp(chicken)

উদ্ভাবনী বাহিনী, আইও, আরও অদ্ভুত is বিবেচিত অন্যান্য ধরণের আউটলিয়ারের বিপরীতে, আইওর tsoutliersপ্রভাব নির্বাচিত মডেল এবং পরামিতি অনুমানের উপর নির্ভর করে। এই সত্যটি অনেক বিদেশিদের সাথে সিরিজটিতে ঝামেলা হতে পারে। অ্যালগরিদমের প্রথম পুনরাবৃত্তিতে (যেখানে কিছু আউটলিয়ারের প্রভাব সনাক্ত এবং সামঞ্জস্য করা হয়নি) এআরআইএমএ মডেলের অনুমানের গুণমান সঠিকভাবে আইও সংজ্ঞায়িত করার জন্য যথেষ্ট ভাল নাও হতে পারে। তদুপরি, অ্যালগরিদম অগ্রগতি হিসাবে একটি নতুন আরিমা মডেল নির্বাচন করা যেতে পারে। সুতরাং, এটি একটি আরিমা মডেল সহ প্রাথমিক পর্যায়ে আইও সনাক্ত করা সম্ভব তবে শেষ পর্যন্ত এর গতিশীলটি শেষ পর্যায়ে নির্বাচিত অন্য একটি আরিমা মডেল দ্বারা সংজ্ঞায়িত করা হয়।

মধ্যে এই দস্তাবেজটি এটা দেখানো হয় যে, কিছু কিছু ক্ষেত্রে, একটি আই প্রভাবে তার সংঘটন তারিখ বৃদ্ধি হতে পারে অতীত, যা ব্যাখ্যা করা বা অনুমান করা কঠিন কিছু আরও বেশি দূরবর্তী হয়ে যায়।

আইওর একটি আকর্ষণীয় সম্ভাবনা রয়েছে কারণ এটি মরসুমের বিদেশীদের ধরে নিতে পারে। বিবেচিত অন্যান্য ধরণের আউটলিয়াররা alতু tsoutliersনিদর্শনগুলি ক্যাপচার করতে পারে না। তবুও, কিছু ক্ষেত্রে আইওয়ের পরিবর্তে সম্ভাব্য মৌসুমী স্তরের শিফট, এসএলএস অনুসন্ধান করা ভাল হতে পারে (পূর্বে উল্লিখিত নথিতে দেখানো হয়েছে)।

আইওর কাছে আবেদনমূলক ব্যাখ্যা রয়েছে। এটি কখনও কখনও অ্যাডিটিভ আউটলেট হিসাবে বোঝা যায় যা ব্যাঘাতের শব্দটিকে প্রভাবিত করে এবং এরপরে এটি আরিমা মডেলের গতিশীল অনুযায়ী সিরিজে প্রচার করে। এই অর্থে, আইও একটি অ্যাডিটিভ আউটলেটারের মতো, উভয়ই একটি একক পর্যবেক্ষণকে প্রভাবিত করে তবে অ্যারোমা মডেল বা ডেটা উত্পন্নকরণের প্রক্রিয়া দ্বারা উত্পন্ন মানগুলিতে সরাসরি যুক্ত হওয়া আওতা হ'ল আইও ব্যাঘাতের মেয়াদে একটি আবেগ is । আউটলিয়াররা উদ্ভাবনের উপর প্রভাব ফেলুক বা অশান্তির শব্দটির বাইরে থাকুক না কেন এটি আলোচনার বিষয় হতে পারে।

পূর্ববর্তী রেফারেন্সে আপনি রিয়েল ডেটার কয়েকটি উদাহরণ পেতে পারেন যেখানে আইও সনাক্ত হয়।


বিস্তারিত প্রতিক্রিয়া জন্য ধন্যবাদ। আমি সত্যিই এটার প্রশংসা করছি. আমার কাছে অতিরিক্ত কিছু প্রশ্ন আছে। অটো.রিমা ব্যবহার করার, পি, ডি, কি এবং সনাক্ত করার পরে অ্যাসিমা ব্যবহার করে অরিমা ব্যবহার করে কি সস্মাদবাদী?
পূর্বাভাসকারী

1
forecast::auto.arimaপাশাপাশি ব্যবহারের প্রধান সুবিধা tsoutliersহ'ল সবকিছু স্বয়ংক্রিয় হয়। তবে বিকল্প বিকল্প সহ স্বয়ংক্রিয় পদ্ধতিগুলি চালনার পরামর্শ দেওয়া হচ্ছে। আপনি উদাহরণস্বরূপ প্রথমে এসিএফ বা ইউনিট রুট পরীক্ষাগুলি দেখুন এবং তারপরে পাস করতে একটি আরিমা মডেল চয়ন করতে পারেন tsoutliers। যদি আপনার প্রস্তাবিত মডেলের জন্য কোনও আউটলিয়ার পাওয়া যায় তবে আপনি আবার অ্যাডজাস্ট করা সিরিজের বিশ্লেষণটি পুনরাবৃত্তি করতে পারেন। এটি একটি পুনরাবৃত্তি প্রক্রিয়া। স্বয়ংক্রিয় পদ্ধতি একটি সহায়ক গাইড সরবরাহ করে তবে এটি চূড়ান্ত বা অনন্য সমাধান দিতে পারে না arily
javlacalle

1
বহিরাগতদের সনাক্ত করার পদ্ধতিটি পুনরাবৃত্ত হয়। সুরক্ষার জন্য অনুমতিযোগ্য পুনরাবৃত্তির সংখ্যার উপর একটি সীমা সেট করা হয়। আপনি যখন সতর্কতাটি পর্যবেক্ষণ করেন আপনি যুক্তিটি maxit.iloop5-6-তে বাড়িয়ে অ্যালগরিদম চালানোর চেষ্টা করতে পারেন এবং ফলাফল পরিবর্তন হয় কিনা তা দেখতে পারেন। সতর্কতাটি যদি কোনও বৃহত maxit.iloop(উদাহরণস্বরূপ 20 বা ততোধিক) দিয়ে ফিরে আসে তবে এটি লক্ষণ হতে পারে যে কোনও কিছু সঠিকভাবে মডেল করা হচ্ছে না। বিবেচিত হওয়ার মতো ধরণের আউটলিয়ার থেকে আইও সরিয়ে ফেলা কিছু ক্ষেত্রে ভাল বিকল্প হতে পারে। বেশিরভাগ ক্ষেত্রে আপনি সতর্কতা উপেক্ষা করতে পারেন। suppressWarningsএগুলি এড়াতে আপনি ব্যবহার করতে পারেন ।
javlacalle

2
@ মজগেন আমি এই বিষয়টিকে পুরোপুরিভাবে কভার করার কোনও পাঠ্যপুস্তক জানি না। যেহেতু এই পোস্টে আলোচিত পদ্ধতির হস্তক্ষেপ বিশ্লেষণের সাথে সম্পর্কিত, এই সমস্যা সম্পর্কিত একটি অধ্যায় সহ যে কোনও পাঠ্যপুস্তক (একনোমেট্রিক্স বা টাইম সিরিজে) সহায়ক হবে; উদাহরণস্বরূপ, টাইম সিরিজ বিশ্লেষণ। আর-তে অ্যাপ্লিকেশন সহ । বিশদগুলির জন্য, আপনার এই সমস্যাটি নিয়ে কাজ করে এমন অনেক জার্নাল নিবন্ধগুলির কয়েকটি পর্যালোচনা করা উচিত, উদাহরণস্বরূপ চেন এবং লিউ (1993) দ্বারা শুরু হওয়া এবং এর উল্লেখগুলি।
javlacalle

2
@ মজগেন, আমি সাইয়ের নিবন্ধটিও পরীক্ষা করে দেখব । এছাড়াও, আমি পঙ্ক্রাটজের ক্লাসিক বইটি যাচাই করতাম যা বিদেশীদের পক্ষে ভাল কভারেজ রয়েছে।
পূর্বাভাসকারী
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.