বক্স-জেনকিন্স মডেল নির্বাচন


14

টাইম সিরিজ বিশ্লেষণে বক্স-জেনকিন্স মডেল নির্বাচন পদ্ধতিটি সিরিজের স্বতঃসংশ্লিষ্টতা এবং আংশিক স্বতঃসংশোধনের কাজগুলি দেখে শুরু হয়। এই প্লটগুলি একটি এআরএমএ ( পি , কিউ ) মডেলের উপযুক্ত এবং কিউ প্রস্তাব করতে পারে । পদ্ধতিটি শ্বেত শব্দের ত্রুটি শর্তযুক্ত একটি মডেল উত্পাদনকারীদের মধ্যে সবচেয়ে পার্সামোনিয়াস মডেল বাছাই করতে এআইসি / বিআইসির মানদণ্ড প্রয়োগ করার জন্য ব্যবহারকারীকে অনুরোধ করে এই প্রক্রিয়াটি অব্যাহত রয়েছে।পিকুই(পি,কুই)

আমি ভাবছিলাম যে ভিজ্যুয়াল ইন্সপেকশন এবং মানদণ্ড ভিত্তিক মডেল নির্বাচনের এই পদক্ষেপগুলি চূড়ান্ত মডেলের আনুমানিক মানক ত্রুটিগুলিকে কীভাবে প্রভাবিত করে। আমি জানি যে ক্রস-বিভাগীয় ডোমেনের অনেক অনুসন্ধান পদ্ধতি মানক ত্রুটিগুলি নীচের দিকে পক্ষপাত করতে পারে।

প্রথম পদক্ষেপে, ডেটা (এসিএফ / পিএসিএফ) দেখে যথাযথ সংখ্যাসমূহ নির্বাচন করা কীভাবে সময় সিরিজের মডেলগুলির মানক ত্রুটিগুলিকে প্রভাবিত করে?

আমি অনুমান করব যে এআইসি / বিআইসির স্কোরের উপর ভিত্তি করে মডেলটি নির্বাচন করা ক্রস-বিভাগীয় পদ্ধতিগুলির সাথে একইভাবে প্রভাব ফেলবে। আমি আসলে এই অঞ্চলটি সম্পর্কে খুব বেশি জানি না, সুতরাং এই মন্তব্যে কোনও মন্তব্য প্রশংসা করা হবে।

সবশেষে, আপনি যদি প্রতিটি পদক্ষেপের জন্য যথাযথ মানদণ্ডটি লিখে রাখেন, আপনি কি স্ট্যান্ডার্ড ত্রুটিগুলি অনুমান করতে এবং এই উদ্বেগগুলি দূর করতে পুরো প্রক্রিয়াটি বুটস্ট্র্যাপ করতে পারেন?


একটি তাত্ত্বিক এআরএমএ মডেলগুলিতে স্ট্যান্ডার্ড ত্রুটিগুলিতে (পরামিতিগুলির?) কি এত গুরুত্বপূর্ণ? এআরএমএ মডেলগুলি ASFAIK বেশিরভাগ ক্ষেত্রে স্বল্প-রান পূর্বাভাসের জন্য ব্যবহৃত হয়। প্যারামিটারের ব্যাখ্যা এবং তাদের বৈশিষ্ট্যগুলির সাথে সমস্যাগুলি কম (কমপক্ষে?) গুরুত্বপূর্ণ। অবশ্যই যদি আপনি কোনও উদ্ভাবনী প্রক্রিয়া (ত্রুটি শর্ত) এর বৈশিষ্ট্যগুলি বোঝাচ্ছেন না, তবে প্রাসঙ্গিক পূর্বাভাস অন্তর অন্তর্ভুক্ত করার পরিকল্পনা করছেন।
দিমিত্রিজ সেলভ

@ দিমিত্রিজ, আমি সহগের স্ট্যান্ডার্ড ত্রুটির ক্ষেত্রে পক্ষপাত সম্পর্কে উদ্বিগ্ন হওয়ার দুটি মূল কারণ রয়েছে। প্রথমটি, যেমন আপনি চিহ্নিত করেছেন, হ'ল পূর্বাভাস অন্তর সৃষ্টি। দ্বিতীয়টি হ'ল মডেলের কাঠামোগত বিরতির জন্য পরীক্ষা করা, একটি সাধারণ প্রশ্ন যা একজন অর্থনীতিবিদ উত্তর দিতে আগ্রহী। একটি নির্বাচন পদ্ধতি ব্যবহার করে উত্পন্ন স্ট্যান্ডার্ড ত্রুটিগুলি খুব ছোট হওয়া উচিত, পূর্বাভাস অন্তরগুলি খুব সংকীর্ণ এবং টেস্টের পরিসংখ্যান যা খুব বড়।
চার্লি

তবে একটি তাত্ত্বিক মডেলগুলিতে (যার অর্থ কোনও তত্ত্ব নেই, কোনও কাঠামো নেই), কাঠামোগত বিরতিগুলি পরামিতিগুলির সাথে সামান্য কিছু নয়, এটি মডেলের অবশিষ্টাংশের আচরণ সম্পর্কে কিছু সাধারণ পরীক্ষা হবে। ভাল এই ক্ষেত্রে মডেলগুলির পরামিতিগুলির নিরপেক্ষ অনুমান কম গুরুত্বপূর্ণ, এআরএমএ কেবল কাঠামোগত মডেলের ব্যাখ্যা নেই। সুতরাং পার্সিমোনিয়াস মডেলগুলি প্রকৃতপক্ষে আরও ভাল ভবিষ্যদ্বাণীকারী, যেহেতু তারা সাধারণত ছোট নমুনা অনুমানকারীর দুর্বল বৈশিষ্ট্য এবং ভবিষ্যদ্বাণীটির নির্ভুলতার সাথে ভারসাম্য বজায় রাখে।
দিমিত্রিজ সেলভ

দ্রষ্টব্য, এমনকি যদি আপনি তথ্য তৈরির প্রক্রিয়াটি জানেন যা অনেকগুলি পরামিতি রয়েছে তবে ছোট নমুনায় সরল মডেল সম্ভবত আরও ভাল ভবিষ্যদ্বাণী করবে তবে কাঠামোগত প্রেক্ষাপটে এ জাতীয় মডেলের পরামিতিগুলি খুব পক্ষপাতদুষ্ট হবে (বাদ দেওয়া ভেরিয়েবল বায়াস)!
দিমিত্রিজ সেলভ

উত্তর:


5

যে কোনও মডেল নির্বাচন পদ্ধতি স্ট্যান্ডার্ড ত্রুটিগুলিকে প্রভাবিত করবে এবং এটির জন্য খুব কমই দায়বদ্ধ। উদাহরণস্বরূপ, পূর্বাভাস অন্তরগুলি আনুমানিক মডেলের উপর শর্তাধীন হিসাবে গণনা করা হয় এবং পরামিতি অনুমান এবং মডেল নির্বাচন সাধারণত উপেক্ষা করা হয়।

মডেল নির্বাচন প্রক্রিয়াটির প্রভাবটি অনুমান করার জন্য পুরো প্রক্রিয়াটি বুটস্ট্র্যাপ করা সম্ভব উচিত। তবে মনে রাখবেন যে টাইম সিরিজের বুটস্ট্র্যাপিং স্বাভাবিক বুটস্ট্র্যাপিংয়ের চেয়ে জটিল কারণ কারণ আপনাকে সিরিয়াল সম্পর্কিত সম্পর্ক সংরক্ষণ করতে হবে। ব্লক বুটস্ট্র্যাপটি একটি সম্ভাব্য পন্থা যদিও এটি ব্লক কাঠামোর কারণে কিছু সিরিয়াল সম্পর্ক হারায় l


6

আমার মতে ল্যাগগুলির উপযুক্ত সংখ্যা নির্বাচন করা ধাপে ধাপে এগিয়ে থাকা পদ্ধতিতে ইনপুট সিরিজের সংখ্যা নির্বাচন করার চেয়ে আলাদা নয়। ল্যাগগুলির ক্রমবর্ধমান গুরুত্ব বা একটি নির্দিষ্ট ইনপুট সিরিজটি অস্থায়ী মডেলের নির্দিষ্টকরণের ভিত্তি।

যেহেতু আপনি জোর দিয়েছিলেন যে এসিফ / প্যাকফটি বক্স-জেনকিন্স মডেল নির্বাচনের একমাত্র ভিত্তি, তাই আমাকে কিছু অভিজ্ঞতা আমাকে কী শিখিয়েছে তা বলি। যদি কোনও সিরিজ কোনও এসিফের প্রদর্শিত হয় যা ক্ষয় হয় না, বক্স-জেনকিন্স পদ্ধতির (1965 সালের প্রায়) ডেটা আলাদা করার পরামর্শ দেয়। তবে যদি নীল নথির মতো একটি সিরিজের স্তরের শিফট থাকে তবে "দৃশ্যমানভাবে আপাত" অ-স্থিতিস্থাপকতা প্রয়োজনীয় কাঠামোর লক্ষণ তবে আলাদা হওয়া প্রতিকার নয়। এই নীল ডেটাসেটটি প্রথমে প্রথমে স্তর পরিবর্তনের প্রয়োজনীয়তা চিহ্নিত করে আলাদা না করে মডেল করা যায়। অনুরূপ শিরাতে আমাদের 1960 ধারণাটি ব্যবহার করে শিখানো হয় যে যদি এসিফ একটি মৌসুমী কাঠামো প্রদর্শন করে ( যেমনs, 2s, 3s, ...) এর উল্লেখযোগ্য মানগুলি তখন আমাদের একটি মৌসুমী আরিমা উপাদান অন্তর্ভুক্ত করা উচিত। আলোচনার উদ্দেশ্যে, এমন একটি সিরিজ বিবেচনা করুন যা একটি গড় এবং স্থির বিরতিতে স্থিতিশীল থাকে, প্রতি জুনে বলে "একটি উচ্চ মান" রয়েছে। এই সিরিজটি মৌসুমী কাঠামোর চিকিত্সার জন্য 0 এবং 1 এর (জুনে) একটি "পুরাতন ধরণের" ডামি সিরিজকে অন্তর্ভুক্ত করে সঠিকভাবে চিকিত্সা করা হয়। একটি মৌসুমী আরিমা মডেলটি অনির্ধারিত তবে ওয়েটিং-টু-বি-ভেরিয়েবলের পরিবর্তে মেমরিটি ভুলভাবে ব্যবহার করবে। হস্তক্ষেপ সনাক্তকরণের সাধারণ ধারণার অধীনে আই চ্যাং, উইলিয়াম বেল, জর্জ টিয়াও, আর। টি , চেন এট-এর (1978 সালে শুরু হওয়া) কাজ সরাসরি প্রয়োগ করার জন্য এই দু'টি ধারণাকে অনির্দিষ্টকৃত নির্জনবাদী কাঠামো সনাক্তকরণ / সংযুক্তকরণের অন্তর্ভুক্ত

আজও কিছু বিশ্লেষক নির্বোধভাবে মেমরি সর্বাধিকীকরণ কৌশলগুলি সম্পাদন করছেন, তাদেরকে অটোমেটিক এআরআইএমএ বলে না ধরে, "মাইনলেস মেমরি মডেলিং" ধরে নিয়েছে যে ডাল, স্তর বদল, মৌসুমী ডাল এবং স্থানীয় সময়ের প্রবণতাগুলির মতো নির্বোধ কাঠামো অস্তিত্বহীন বা আরও খারাপ এখনও খেলছে না মডেল সনাক্তকরণে ভূমিকা। আইএমএইচও, এটি বালির মধ্যে মাথা রেখে দেওয়ার মতো।


মডেল নির্বাচনের বিষয়ে দুর্দান্ত পরামর্শের জন্য ধন্যবাদ, তবে পরে এই প্রক্রিয়াটি কীভাবে আমাদের অনুক্রমকে প্রভাবিত করে তা সম্পর্কে আমি আগ্রহী ছিলাম।
চার্লি

চার্লি: আমি বিশ্বাস করি না যে স্বতঃসংশ্লিষ্ট বা ক্রস-পারস্পরিক সম্পর্ক বা গ্রাফিকাল উপস্থাপনার মতো অন্য কোনও মডেল সনাক্তকরণ পদ্ধতি পর্যালোচনা করার মতো আপ-ফ্রন্ট ডেটা ডায়াগনসিসের কোনও অনুমিত পরামিতির পরিসংখ্যানগত তাত্পর্যতে কোনও প্রভাব রয়েছে। এটি আমার মতামত এবং "আমি এখানে দাঁড়িয়ে আমি অন্য কোনও কাজ করতে পারি না"। কুদোদের জন্য ধন্যবাদ এবং যদি আমি তরুণ চার্লিকে যে কোনও উপায়ে সহায়তা করতে পারি তবে দয়া করে আমার সাথে যোগাযোগ করুন কারণ আমি পিএইচডি গবেষণামূলক প্রবন্ধে সহায়তার (অবৈতনিক!) সংস্থান হিসাবে তালিকাভুক্ত হতে পছন্দ করি।
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.