লিনিয়ার রিগ্রেশন মডেলগুলিতে আমি লাসো, রিজ এবং ইলাস্টিক-নেট ধরণের নিয়মিতকরণ সম্পর্কে সচেতন।

প্রশ্ন:

এটি (বা অনুরূপ) ধরণের প্রাক্কলিত প্রাক্কলনটি আরিমা মডেলিংয়ে (একটি খালি এমএ অংশবিহীন) প্রয়োগ করা যেতে পারে?

Arima মডেলের ভবনে, এটি একটি পূর্ব-নির্বাচিত সর্বাধিক ল্যাগ অর্ডার (বিবেচনা স্বাভাবিক বলে মনে হয় , ) এবং তারপর কিছু অনুকূল অর্ডার চয়ন এবং যেমন কমানোর দ্বারা এআইসি বা এআইসিসি। তবে কি এর পরিবর্তে নিয়মিত ব্যবহার করা যাবে? $p_{max}$ $q_{max}$ $p \leqslant p_{max}$ $q \leqslant q_{max}$

আমার আরও প্রশ্নগুলি হ'ল:

আমরা কী ( , ) অবধি সমস্ত পদকে অন্তর্ভুক্ত করতে পারব তবে সহগের আকারটিকে (সম্ভাব্যভাবে শূন্যের সমস্ত উপায়ে) শাস্তি দিতে পারি? তা কি বোঝা যাবে? $p_{max}$ $q_{max}$
যদি এটি হয়, এটি কি আর বা অন্য সফ্টওয়্যার প্রয়োগ করা হয়েছে? তা না হলে ঝামেলা কী ছিল?

কিছুটা সম্পর্কিত পোস্ট এখানে পাওয়া যাবে ।

— রিচার্ড হার্ডি
সূত্র

একটি খুব ভাল প্রশ্নের জন্য +1। যেহেতু পি, কিউ পৃথক মান, এটি পি, কিউয়ের সর্বোত্তম ক্রম সন্ধানের জন্য গ্রিড অনুসন্ধান করা আরও দক্ষ হতে পারে?

— পূর্বাভাসকারী

আপনি খুশি খুশি! হ্যাঁ, গ্রিড অনুসন্ধান হ'ল ফ্রেমওয়ার্কের অন্যতম একটি বিকল্প যা আমি "স্বাভাবিকের মতো" হিসাবে উল্লেখ করি। সেখানে এক সম্ভাব্য সমাহার একটি গ্রিড ও অনুসন্ধান করতে পারে

থেকে

(p, q)

$(p,q)$

(0, 0)

$(0,0)$

(p_{m a x}, q_{m a x})

$(p_{max},q_{max})$ । তবে এটি এখনও "স্বাভাবিক কাঠামোর" অংশ। বিকল্প হিসাবে, আমি সমস্ত ল্যাগগুলি রাখার বিষয়ে আগ্রহী কিন্তু সহগের আকারটি দণ্ডিত করি।

— রিচার্ড হার্ডি

কলম্বিয়া.ইডু / এসএন २२৯৪ / পেপারস / ফরেস্টকাস্ট.পিডিএফ মনে হয় লাসো আরও ভাল কাজ করে যেহেতু আপনি সর্বাধিক লাগানোর পরিবর্তে কিছু ল্যাগ এড়িয়ে যেতে পারেন। এআইসি দ্বারা একই কাজ করা যেতে পারে তবে এটি গণনা ব্যয়বহুল হয়ে যায়।

— ক্যাগডাস ওজজেঙ্ক

@ ক্যাগডাস ওজেনসিঙ্ক, আমি কাগজটি দিয়ে স্কিম করেছিলাম তবে এটি আরিমা মডেলগুলিতে প্রয়োগিত নিয়মিতকরণ নিয়ে কাজ করছে বলে মনে হচ্ছে না (যদিও এটি তথ্যের মানদণ্ডের প্রসঙ্গে আরআরএমএ মডেলগুলি উল্লেখ করেছে)। আপনি কি দয়া করে নির্দেশ করতে পারেন কাগজের কোন অংশটি আমার প্রশ্নের জন্য প্রাসঙ্গিক?

— রিচার্ড হার্ডি

5.3 সারণীতে এআরএমএক্স মডেল রয়েছে। ফলাফলগুলি এআরএমএ মডেলগুলির জন্য প্রযোজ্য।

— ক্যাগডাস ওজজেঙ্ক

উত্তর 1।

চেন অ্যান্ড চ্যান "অ্যাডাপটিভ লাসোর মাধ্যমে সাবসেট এআরএমএ নির্বাচন" (২০১১) * গণনার ক্ষেত্রে সর্বোচ্চ সম্ভাবনার প্রাক্কলনের দাবি নির্ণয় করার জন্য একটি কার্যপ্রণালী ব্যবহার করুন। কাগজ উদ্ধৃত করে, তারা

সময় সিরিজের একটি অভিযোজিত, Lasso রিগ্রেশন ঝুলানো দ্বারা একটি অনুকূল উপসেট Arma মডেল এটি উত্থাপন করা নিজস্ব lags এবং অবশিষ্টাংশ যে একটি দীর্ঘ autoregression ঝুলানো থেকে পাওয়া যায় যারা $y_t$ গুলি। <...> [ইউ] আরও হালকা নিয়মিততার শর্তাবলী, প্রস্তাবিত পদ্ধতিটি ওরাকল বৈশিষ্ট্যগুলি অর্জন করে, যথা, এটি নমুনার আকারটি অনন্ততায় বেড়ে যাওয়ার কারণে সম্ভাব্যতার জন্য একটি সঠিক সাবসেট এআরএমএ মডেল সনাক্ত করে এবং <...> ননজারো সহগের অনুমানকগুলি সীমিত বন্টনের সাথে অসম্পূর্ণভাবে স্বাভাবিক যখন শূন্য সহগগুলি একটি অগ্রাধিকার হিসাবে পরিচিত হয়। $y_t$

Allyচ্ছিকভাবে, তারা নির্বাচিত উপসেট এআরএমএ মডেল (গুলি) এর সর্বাধিক সম্ভাবনা অনুমান এবং মডেল ডায়াগোনস্টিকের পরামর্শ দেয়।

উইলমস এট আল। "হাই-ডাইমেনশনাল ভেক্টর অটোরেগ্রেসিভ মুভিং এভারেজের স্পারস আইডেন্টিফিকেশন এবং অনুমান" (2017) আমি যা চেয়েছিলাম তার থেকেও বেশি করে। অবিচ্ছিন্ন এআরআইএমএ মডেলের পরিবর্তে তারা উচ্চ মাত্রায় ভেক্টর এআরএমএ (ভার্মা) নেয় এবং অনুমান এবং পিছনে অর্ডার নির্বাচনের জন্য তারা জরিমানা ব্যবহার করে। তারা অনুমানের অ্যালগরিদম উপস্থাপন করে এবং কিছু অ্যাসিম্পোটিক ফলাফল বিকাশ করে। $L_1$

বিশেষত, তারা একটি দ্বি-পর্যায়ে পদ্ধতি নিয়োগ করে। একটি ভার্মা মডেল বিবেচনা করুন যা অনুমান করা দরকার তবে ল্যাগ অর্ডার এবং

y_{t} = \sum_{l = 1}^{p} Φ_{l} y_{t - l} + \sum_{m = 1}^{q} Θ_{m} ε_{t - m} + ε_{t}

$y_t = \sum_{l=1}^p \Phi_l y_{t-l} + \sum_{m=1}^q \Theta_m \varepsilon_{t-m} + \varepsilon_t$

p

$p$

q

$q$

$\lfloor 1.5\sqrt{T} \rfloor$ $||y-\hat y||_2^F$
$\hat\varepsilon := y - \hat y$ পর্যায় 2 সত্য ত্রুটির জন্য প্রক্সি হিসাবে ব্যবহার করা হয়।
$y_{t} = \sum_{l = 1}^{\hat{p}} Φ_{l} y_{t - l} + \sum_{m = 1}^{\hat{q}} Θ_{m} {\hat{ε}}_{t - m} + u_{t},$ $y_t = \sum_{l=1}^{\hat p} \Phi_l y_{t-l} + \sum_{m=1}^{\hat q} \Theta_m \hat\varepsilon_{t-m} + u_t,$
$\hat p$ $\hat q$ $\lfloor 1.5\sqrt{T} \rfloor$

উইলমস এট আল এর পদ্ধতির। আর প্যাকেজ "বিগটাইম" এ প্রয়োগ করা হয়েছে ।

তথ্যসূত্র

চেন, কে।, এবং চ্যান, কেএস (২০১১)। অভিযোজিত লাসোর মাধ্যমে এআরএমএ নির্বাচন সাবসেট করুন। পরিসংখ্যান এবং এর ইন্টারফেস , 4 (2), 197-205।
উইলমস, আই।, বসু, এস।, বিয়ান, জে, এবং ম্যাটসন, ডিএস (2017)। উচ্চ মাত্রিক ভেক্টর অটোরেগ্রেসিভ চলন্ত গড়ের স্পার্স সনাক্তকরণ এবং অনুমান। আরএক্সিভ প্রিপ্রিন্ট আরএক্সিভ: 1707.09208।

^{* লিঙ্কটির জন্য @ শেজেবকে ধন্যবাদ}

— রিচার্ড হার্ডি
সূত্র

এই ওয়ার্কিং পেপারটি খুব তাজা, ঠিক গতকাল আরএক্সভিতে পোস্ট করা হয়েছিল।

— রিচার্ড হার্ডি

অজগর বা আর এর কোন প্রয়োগ আছে কি?

— ডেভিড মাসিপ

@ ডেভিডম্যাসিপ, একটি আর বাস্তবায়নের জন্য আপডেট হওয়া পোস্টটি দেখুন।

— রিচার্ড হার্ডি

আরিমা মডেলগুলির জন্য নিয়মিতকরণ

উত্তর 1।