এআরএমএ / এআরআইএমএ কীভাবে মিশ্র প্রভাবগুলির মডেলিংয়ের সাথে সম্পর্কিত?


14

প্যানেল ডেটা বিশ্লেষণে, অটো-রিলেশন সম্পর্কিত সমস্যাগুলি (যেমন, পর্যবেক্ষণগুলি সময়ের সাথে সাথে ব্যক্তিদের মধ্যে ক্লাস্টার করা হয়) সাথে সময় এবং আগ্রহের ঝাঁকুনির কিছু নির্দিষ্টকরণের জন্য সামঞ্জস্য করার জন্য আমি এলোমেলো / মিশ্র প্রভাব সহ বহু স্তরের মডেলগুলি ব্যবহার করেছি । এআরএমএ / এআরআইএমএ অনুরূপ সমস্যাগুলি সমাধান করার জন্য ডিজাইন করা মনে হয়েছে।

আমি যে সংস্থানগুলি অনলাইনে পেয়েছি সেগুলি টাইম সিরিজ (এআরএমএ / এআরআইএমএ) বা মিক্সড এফেক্ট মডেলগুলি নিয়ে আলোচনা করে তবে রিগ্রেশন গঠনের বাইরে, আমি দুজনের মধ্যে সম্পর্ক বুঝতে পারি না। মাল্টিলেভেল মডেলের মধ্যে থেকে কি আরআরএমএ / এআরআইএমএ ব্যবহার করতে চান? এমন কোনও ধারণা আছে যেখানে দুটি সমান বা অপ্রয়োজনীয়?

এইগুলি নিয়ে আলোচনা করা সংস্থাগুলির উত্তর বা পয়েন্টার দুর্দান্ত হবে।

উত্তর:


11

আমি মনে করি এটি দেখার সহজতম উপায় হ'ল এআরএমএ এবং অনুরূপ মডেলগুলি বহু-স্তরের মডেলের চেয়ে আলাদা কিছু করার জন্য ডিজাইন করা হয়েছে এবং বিভিন্ন ডেটা ব্যবহার করা হয়েছে।

টাইম সিরিজ বিশ্লেষণে সাধারণত দীর্ঘ সময়ের সিরিজ থাকে (সম্ভবত কয়েকশো এমনকি হাজার হাজার সময় পয়েন্টগুলির মধ্যেও) এবং প্রাথমিক লক্ষ্যটি কীভাবে সময়ের সাথে একক পরিবর্তনশীল পরিবর্তন হয় তা সন্ধান করা। অনেক সমস্যার মোকাবিলা করার জন্য অত্যাধুনিক পদ্ধতি রয়েছে - কেবল স্বতঃসংশ্লিষ্ট নয়, seasonতু এবং অন্যান্য পর্যায়ক্রমিক পরিবর্তন ইত্যাদি।

মাল্টিলেভেল মডেলগুলি রিগ্রেশন থেকে এক্সটেনশন। তাদের সাধারণত তুলনামূলকভাবে কয়েকটি সময় পয়েন্ট থাকে (যদিও তাদের অনেকগুলি থাকতে পারে) এবং প্রাথমিক লক্ষ্যটি নির্ভরশীল ভেরিয়েবল এবং বেশ কয়েকটি স্বতন্ত্র ভেরিয়েবলের মধ্যে সম্পর্ক পরীক্ষা করা। এই মডেলগুলি একটি পরিবর্তনশীল এবং সময়ের মধ্যে জটিল সম্পর্কের সাথে কাজ করার ক্ষেত্রে তেমন ভাল নয়, আংশিক কারণ তাদের সাধারণত কম সময় পয়েন্ট থাকে (প্রতিটি মৌসুমের জন্য আপনার কাছে একাধিক ডেটা না থাকলে seasonতুর দিকে নজর দেওয়া শক্ত)।


1
: পিটার খুব সুন্দর সংক্ষিপ্তসার। আমি কেবল যুক্ত করব যে টাইম সিরিজের ডেটা সাধারণত "দীর্ঘ" হয় না যখন সাপ্তাহিক / মাসিক / বার্ষিক ডেটা নিয়ে কাজ করা হয় তবে প্রতিদিন / ঘন্টা / দ্বিতীয় সেকেন্ডের ডেটা নিয়ে কাজ করার সময় কিন্তু লম্বা হতে পারে।
আইরিশস্ট্যাট

3
আপনার ব্যাখ্যাটি বেশ ভাল, অনুশীলনে, যদিও আমি সামান্য সতর্কতা যুক্ত করব। আরিমা মডেলগুলি স্টেট স্পেস মডেল হিসাবে প্রয়োগ করা যেতে পারে ( arimaএটি হুডের নীচে এটি করে), ডায়নামিক লিনিয়ার মডেল (ডিএলএম) নামেও পরিচিত। ডিএলএমগুলিও রিগ্রেশন থেকে বিস্তৃত হয় (মিশ্রিত প্রভাবগুলির চেয়ে আলাদাভাবে), সুতরাং আমি অনুমান করতে পারি যে আরিমা এবং মিশ্র-প্রভাব মডেলের মধ্যে গভীর-ডাউন সম্পর্ক রয়েছে। এটি অনুশীলনের পার্থক্যগুলিকে পরিবর্তন করে না , যা আপনি ভালভাবে সংক্ষেপে বলছেন ।
ওয়েইন

1
টি-1

বেনজামিন: পরিসংখ্যানের সম্পূর্ণ ধারণাটি স্বতন্ত্র স্ট্রাকচারটি ধরে নেওয়া উচিত নয়।
আইরিশস্ট্যাট

আমি মনে করি একটি সম্পূর্ণ উত্তর সময় সিরিজ এবং প্যানেল ডেটার মধ্যে পার্থক্য উল্লেখ করতে পারে। যদি আমি সঠিকভাবে বুঝতে পারি তবে আরিমা এবং অনুরূপগুলি প্রাথমিকভাবে ডেটার জন্য ব্যবহৃত হয় যেখানে প্রতিটি পর্যবেক্ষণ সময়ের সাথে একই পরিবর্তনশীল হয়। পরিবর্তনের জন্য মাল্টিলেভেল মডেলটিতে আমরা সাধারণত প্যানেল ডেটার উপর দৃষ্টি নিবদ্ধ করি এবং সময়ের সাথে সাথে আমরা বিভিন্ন ব্যক্তির, গোষ্ঠী, দেশগুলি ইত্যাদির মধ্যে পরিমাপ করা একটি পরিবর্তনশীল মডেলিং করছি। রাইট?
বেনিয়ামিন মাকো হিল

7

এআরএমএ / এআরআইএমএ হ'ল অবিচ্ছিন্ন মডেল যা সেই একক সিরিজের পূর্বাভাস দেওয়ার জন্য কীভাবে একটি একক সিরিজের অতীতকে ব্যবহার করতে পারে ize ডাল, স্তর স্তর, মৌসুমী ডাল এবং স্থানীয় সময়ের প্রবণতাগুলির মতো অভিজ্ঞতার সাথে চিহ্নিত ইন্টারভেনশন ভেরিয়েবলগুলি দিয়ে এই মডেলগুলিকে বাড়ানো যেতে পারে তবে কোনও ব্যবহারকারী-প্রস্তাবিত ইনপুট সিরিজ না থাকায় তারা এখনও মৌলিকভাবে অ-কার্যকারী। এই মডেলগুলির মাল্টিভিয়ারেট এক্সটেনশানটি কল করা হয় এক্সআরএমএক্স বা আরও সাধারণভাবে স্থানান্তর ফাংশন মডেলগুলি যা ইনপুটগুলিতে পিডিএল / এডিএল কাঠামো ব্যবহার করে এবং বাকিগুলিতে কোনও প্রয়োজনীয় এআরএমএ / আরিমা কাঠামো নিয়োগ করে। এই মডেলগুলি বোধগম্যভাবে সনাক্তযোগ্য ডিটারিস্টোনিক ইনপুটগুলিকে অন্তর্ভুক্ত করে শক্তিশালী করা যায়। সুতরাং এই উভয় মডেল অনুদায়ী (পুনরাবৃত্তি ব্যবস্থা) ডেটা অ্যাপ্লিকেশন হিসাবে বিবেচনা করা যেতে পারে। এখন বহু-স্তরের মডেলের উইকিপিডিয়া নিবন্ধ নির্দিষ্ট আদিম / তুচ্ছ অর্থাত্ অ-বিশ্লেষণাত্মক কাঠামো ধরে রেখে তাদের সিরিজ / দ্রাঘিমাংশ তথ্যতে তাদের প্রয়োগকে বোঝায় "সর্বাধিক মডেলগুলি ধরে নেয় যে সময়ের প্রভাবটি রৈখিক। বহুপদী মডেলগুলি চতুষ্কোণ বা ঘনকালের প্রভাবের জন্য নির্দিষ্ট করার জন্য নির্দিষ্ট করা যেতে পারে" ।

একসাথে একাধিক গ্রুপকে কভার করার জন্য ট্রান্সফার ফাংশন মডেলটি বাড়ানো যেতে পারে যাতে পুলড ক্রস-বিভাগ সময় সিরিজের বিশ্লেষণে বিকশিত হয় যেখানে স্থানীয় কাঠামো এবং সামগ্রিক মডেল উভয় গঠনের জন্য উপযুক্ত কাঠামো (ল্যাগ / লিডস) এআরআইএমএ কাঠামোর সাথে ব্যবহার করা যেতে পারে।


মাল্টি-লেভেল মডেলগুলি সময়ের জন্য একটি সাধারণ স্পেসিফিকেশনও ব্যবহার করতে পারে যা প্রতিটি সময়ের জন্য ডামি যুক্ত করে যা সেই সময়ের জন্য গড় প্রভাবকে ক্যাপচার করবে।
বেনিয়ামিন মাকো হিল

1
: বেনজামিন রাহাতের সমস্যাটি আপনি ধরে নিচ্ছেন যে deterতুপরিষেটি হতাশাবোধক এবং এটি শীর্ষে বলতে গেলে মৌসুমী গুণাগুণগুলি সময়ের সাথে সাথে আক্রমণাত্মক হয় আইএসআই -১ ডামির মধ্যে একটি মৌসুমী ডালের তুলনায় যা প্রথম কে সময়ের জন্য কোনও প্রভাব ফেলেনি k পিরিয়ডস কিন্তু পরে তাই না। আরেকটি সমানভাবে সম্ভব মৌসুমী কাঠামো হ'ল মৌসুমী আরিমা উপাদান যা আপনার প্রস্তাবিত ফিক্সড প্রতিক্রিয়ার তুলনায় পূর্বের মরসুমগুলিতে অভিযোজিত প্রতিক্রিয়া ব্যবহার করে।
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.