গ্রেঞ্জার কার্যকারিতা পরীক্ষার জন্য লগ ক্রম

ধরুন আমি যে আরিম্যাক্স মডেলটি বিকাশ করছি তাতে সম্ভাব্য অন্তর্ভুক্তির জন্য আমি কয়েকটি স্বতন্ত্র ভেরিয়েবল বিবেচনা করছি। বিভিন্ন ভেরিয়েবল ফিট করার আগে, আমি গ্রেঞ্জার পরীক্ষা ব্যবহার করে বিপরীত কার্যকারিতা প্রদর্শন করে এমন ভেরিয়েবলগুলি স্ক্রিন করতে চাই (আমি আর- granger.testএর MSBVARপ্যাকেজ থেকে ফাংশনটি ব্যবহার করছি , যদিও আমি বিশ্বাস করি যে অন্যান্য ইমপ্লিমেন্টেশন একইভাবে কাজ করে)। কতগুলি ল্যাগ পরীক্ষা করা উচিত তা আমি কীভাবে নির্ধারণ করব?

আর ফাংশনটি হ'ল: granger.test(y, p)যেখানে yডেটা ফ্রেম বা ম্যাট্রিক্স রয়েছে এবং pএটি ল্যাগ।

নাল হাইপোথিসিসটি হ'ল অতীত মানগুলি এর মান পূর্বাভাস দিতে সহায়তা করে না । $p$ $X$ $Y$

এখানে খুব উচ্চ পিছনে (পর্যবেক্ষণের ক্ষতি বাদে) নির্বাচন না করার কোনও কারণ আছে কি?

দ্রষ্টব্য যে আমি ইতিমধ্যে আমার নির্ভরযোগ্য সময় সিরিজের একীকরণের ক্রমের ভিত্তিতে আমার ডেটা ফ্রেমে প্রতিবারের সিরিজটিতে পার্থক্য করেছি। (উদাহরণস্বরূপ, আমার নির্ভরশীল সময় ধারাবাহিকের আলাদা করে একবার এটি স্থির করে তুলেছিল Therefore

lags granger-causality

— CH-পাব
সূত্র

নোট করুন যে স্টেশনারিটি পেতে আলাদা করার আপনার কৌশলটি একত্রিতকরণের অভাবে সাপেক্ষে। বিস্তারিত জানার জন্য ডেভ গাইলসের দুর্দান্ত ব্লগ পোস্ট "গ্রেঞ্জার কারণের জন্য পরীক্ষা" দেখুন।

— রিচার্ড হার্ডি

বাণিজ্য বন্ধ পক্ষপাত এবং ক্ষমতা মধ্যে হয়। খুব অল্প পিছনে, অবশিষ্ট অটো-পারস্পরিক সম্পর্কের কারণে আপনার পক্ষপাতদুষ্ট পরীক্ষা রয়েছে। প্রচুর পরিমাণে, আপনি শূন্যতার সম্ভাব্য উত্সাহজনক প্রত্যাখ্যানের অনুমতি দিন - কিছু এলোমেলো পারস্পরিক সম্পর্ক এটি বোধহয় ভবিষ্যদ্বাণী করতে সহায়তা করে । এটি ব্যবহারিক উদ্বেগ আপনার ডেটার উপর নির্ভর করে বা না, আমার অনুমানটি আরও বেশি ঝোঁক হবে তবে পিছনের দৈর্ঘ্য সর্বদা নীচে নির্ধারণ করা যেতে পারে: $X$ $Y$

গ্রেঞ্জার কার্যকারিতা সর্বদা কিছু মডেলের প্রসঙ্গে পরীক্ষা করতে হয়। granger.testআরে ফাংশনের নির্দিষ্ট ক্ষেত্রে মডেলটির দ্বিবিভক্ত পরীক্ষায় দুটি ভেরিয়েবলের প্রতিটিটির অতীত মান রয়েছে। সুতরাং এটি যে মডেলটি ব্যবহার করে তা হ'ল:

y_{i, t} = α + \sum_{l = 1}^{p} β_{l} y_{i, t - l} + γ_{l} x_{i, t - l} + ϵ_{i, t}

$y_{i,t}=\alpha+\sum_{l=1}^p \beta_ly_{i,t-l} + \gamma_lx_{i,t-l}+\epsilon_{i,t}$

এই মডেলের জন্য বেছে নেওয়ার একটি প্রচলিত উপায় হ'ল বিভিন্ন মান সহ এই রিগ্রেশনটি চেষ্টা করা এবং প্রতিটি ল্যাগ দৈর্ঘ্যের জন্য এআইসি বা বিআইসি ট্র্যাক রাখা ব্যবহার করা। তারপরে আপনার মানগুলিতে সর্বনিম্ন আইসি থাকা এর মান ব্যবহার করে আবার পরীক্ষা চালান । $p$ $p$ $p$

সাধারণভাবে মডেলটিতে ল্যাগের সংখ্যা এবং জন্য আলাদা হতে পারে এবং একটি গ্রেঞ্জার পরীক্ষা এখনও উপযুক্ত হবে। এটি উভয়ের জন্য একই সংখ্যার ল্যাগের জন্য সীমাবদ্ধ তা বাস্তবায়নের নির্দিষ্ট ক্ষেত্রে । এটি তাত্ত্বিক প্রয়োজনীয়তা নয় সুবিধার বিষয়। দুটি ভেরিয়েবল জন্য বিভিন্ন ল্যাগ লেন্থ সঙ্গে, আপনি এখনও আপনার মডেল নির্বাচন করতে এআইসি বা সাথে BIC ব্যবহার করতে পারেন, আপনি শুধু অনেক সমন্বয় তুলনা করতে হবে এর lags এবং এর lags । এই দেখুন । $x$ $y$ granger.test $n$ $x$ $m$ $y$

কেবল একটি অতিরিক্ত শব্দ - কারণ গ্রেঞ্জার পরীক্ষাটি মডেল নির্ভর, বাদ দেওয়া ভেরিয়েবল বায়াস গ্র্যাঞ্জার কার্যকারিতার জন্য সমস্যা হতে পারে। আপনি আপনার মডেলটিতে সমস্ত ভেরিয়েবলগুলি অন্তর্ভুক্ত করতে চাইতে পারেন এবং তারপরে ব্লকগুলি বাদ দেওয়ার জন্য গ্রেঞ্জার কার্যকারিতাটি ব্যবহার করুন granger.testযা কেবল জোড়া ভিত্তিক পরীক্ষা করে।

— jayk
সূত্র

আমি এটি সঠিকভাবে বুঝতে পারছি কিনা তা আমাকে দেখতে দিন ... সুতরাং, আমি যদি x x1-এ পরিবর্তিত হয় কিনা তা যদি আমি যাচাই করি তবে আমি বেশ কয়েকটি ফিট করে: x1 ~ এল (y, 1), x1 ~ এল (y, 1) + এল (y, 2), x1 ~ L (y, 1) + L (y, 2) + L (y, 3) ... তারপরে, গ্র্যান্ডার পরীক্ষার জন্য আমি যে ল্যাগটি বেছে নিই তা সেরা আইসি রয়েছে?

— ch-pub

হ্যাঁ, যদিও এক্স এর পিছনে থাকা মানগুলিও অন্তর্ভুক্ত করা উচিত।

— জয়ক

আমি নিশ্চিত যে আমি সে অংশটি বুঝতে পারি না। তুমি এরকম কিছু বোঝাতে চাও? x1 ~ এল (y, 1) + এল (x1,1) বনাম x1 ~ এল (y, 1) + এল (x1,1) + এল (y, 2) + এল (x1,2) বনাম ...

— ch-pub

হ্যাঁ. সাধারণভাবে আপনাকে এইভাবে এটি করতে হবে না কারণ ল্যাগ দৈর্ঘ্যটি x এবং y এর জন্য এক হতে হবে না। দেখুন: en.wikipedia.org/wiki/Granger_causality#Mathematical_statement তবে আর কমান্ড granger.test ব্যবহারসমূহ গত x এবং y এর মান পি। পরীক্ষার অন্তর্নিহিত এই স্পেসিফিকেশনটির সাথে আপনার x এবং y এর বিগত মানগুলির সাথে x এবং y এর পূর্ববর্তী মানগুলি +1 এবং x এর y ব্যবহার করতে হবে।

— জয়ক

সমস্যা নেই! আমি আমার আসল প্রতিক্রিয়াটি এটিকে কিছুটা অস্বচ্ছ করার জন্য সম্পাদনা করেছি।

— জয়ক