অটো.রিমা স্ট্যান্ড ত্রুটিতে উত্পাদিত NaN- কে সতর্ক করে

Question

আমার ডেটা হ'ল নিয়োগকৃত জনসংখ্যার একটি সময় ধারা, এল এবং সময়কাল, বছর।

n.auto=auto.arima(log(L),xreg=year)
summary(n.auto)
Series: log(L) 
ARIMA(2,0,2) with non-zero mean 

Coefficients:
         ar1      ar2      ma1     ma2  intercept    year
      1.9122  -0.9567  -0.3082  0.0254    -3.5904  0.0074
s.e.     NaN      NaN      NaN     NaN     1.6058  0.0008

sigma^2 estimated as 1.503e-06:  log likelihood=107.55
AIC=-201.1   AICc=-192.49   BIC=-193.79

In-sample error measures:
           ME          RMSE           MAE           MPE          MAPE 
-7.285102e-06  1.225907e-03  9.234378e-04 -6.836173e-05  8.277295e-03 
         MASE 
 1.142899e-01 
Warning message:
In sqrt(diag(x$var.coef)) : NaNs produced

কেন এমন হয়? অটো.রিমা কেন এই আর মায়া * সহগের সংখ্যাটি নয় এর সেরা ত্রুটি সহ সেরা মডেলটি নির্বাচন করবে? এই নির্বাচিত মডেল সর্বোপরি বৈধ?

আমার লক্ষ্য হল L = L_0 * এক্সপ্রেস (এন * বছর) মডেলের প্যারামিটার এন অনুমান করা। আরও ভাল পদ্ধতির কোনও পরামর্শ?

টিয়া।

ডেটা:

L <- structure(c(64749, 65491, 66152, 66808, 67455, 68065, 68950, 
69820, 70637, 71394, 72085, 72797, 73280, 73736, 74264, 74647, 
74978, 75321, 75564, 75828, 76105), .Tsp = c(1990, 2010, 1), class = "ts")
year <- structure(1990:2010, .Tsp = c(1990, 2010, 1), class = "ts")
L
Time Series:
Start = 1990 
End = 2010 
Frequency = 1 
 [1] 64749 65491 66152 66808 67455 68065 68950 69820 70637 71394 72085 72797
[13] 73280 73736 74264 74647 74978 75321 75564 75828 76105

Comments

আমরা কি কিছু তথ্য পোস্ট করতে পারি যাতে আমরা সমস্যার প্রতিলিপি তৈরি করতে পারি?

— রব হ্যান্ডম্যান

@ রবহাইন্ডম্যান আপডেট করেছেন ডেটা

— আইভি লি

dput(L)আউটপুট টাইপ এবং পেস্ট করুন। এটি প্রতিলিপি খুব সহজ করে তোলে।

— জ্যাচ

Answer 1

এআর সহগের যোগফল 1 এর কাছাকাছি যা দেখায় যে প্যারামিটারগুলি স্টেশনারিটি অঞ্চলের প্রান্তের নিকটে রয়েছে। এটি স্ট্যান্ডার্ড ত্রুটিগুলি গণনা করার চেষ্টা করতে অসুবিধা সৃষ্টি করবে। যাইহোক, অনুমানগুলির সাথে কোনও ভুল নেই, সুতরাং আপনার যদি প্রয়োজনীয় সমস্ত কিছু এর মান হয় তবে আপনি এটি পেয়ে ।$L_0$

auto.arima()গণনার গতি বাড়ানোর চেষ্টা করার জন্য কয়েকটি শর্ট-কাট নেয় এবং যখন এটি এমন মডেল দেয় যা সন্দেহজনক মনে হয়, তখন সেই শর্ট-কাটগুলি বন্ধ করে দেওয়া এবং আপনি কী পান তা দেখার পক্ষে ভাল ধারণা। এক্ষেত্রে:

> n.auto <- auto.arima(log(L),xreg=year,stepwise=FALSE,approx=FALSE)
> 
> n.auto
Series: log(L) 
ARIMA(2,0,0) with non-zero mean 

Coefficients:
         ar1      ar2  intercept    year
      1.8544  -0.9061    11.0776  0.0081
s.e.  0.0721   0.0714     0.0102  0.0008

sigma^2 estimated as 1.594e-06:  log likelihood=107.19
AIC=-204.38   AICc=-200.38   BIC=-199.15

এই মডেলটি আরও ভাল (উদাহরণস্বরূপ একটি ছোট এআইসি)।

Comments

যদি স্ট্যান্ডার্ড ত্রুটিগুলি গণনা করা যায় না এবং মডেলটি পূর্বাভাসের জন্য ব্যবহার করা প্রয়োজন? এটি কি পূর্বাভাসে অবৈধ, অবাস্তবভাবে ছোট আত্মবিশ্বাসের অন্তর ঘটাবে? আমার ক্ষেত্রে (দৈর্ঘ্যের 35 টির একটি টাইম-সিরিজ) ব্যবহার করে approximation=FALSEএবং stepwise=FALSEএখনও এসএসএ কোফিফিটগুলির জন্য NaN তৈরি করে।

— মিহেল

Answer 2

আপনার সমস্যা একটি ওভার-স্পেসিফিকেশন থেকে উদ্ভূত। একটি এআর (1) সহ একটি সাধারণ প্রথম পার্থক্য মডেল যথেষ্ট যথেষ্ট। কোনও এমএ কাঠামো বা পাওয়ার ট্রান্সফর্মের প্রয়োজন নেই। এআর (1) সহগ 1.0 এর কাছাকাছি হওয়ায় আপনি এটি দ্বিতীয় পার্থক্যের মডেল হিসাবে সহজেই মডেল করতে পারেন। প্রকৃত / ফিট / পূর্বাভাসের একটি প্লট এবং সমীকরণ সহ একটি অবশিষ্ট প্লট ! এখানে চিত্র বর্ণনা লিখুন.সংশ্লিষ্টভাবে অনুমান মডেল স্পেসিফিকেশনের সাপেক্ষে যা এক্ষেত্রে ["mene mene tekel upharsin"] চাওয়া পাওয়া গেছে। গুরুতরভাবে, আমি আপনাকে মডেল শনাক্তকরণ কৌশলগুলির সাথে নিজেকে পরিচয় করিয়ে দেওয়ার এবং অনিয়ন্ত্রিত কাঠামোর সাহায্যে আপনার মডেলগুলি রান্নাঘর-ডুবিয়ে দেখার চেষ্টা করবেন না বলে পরামর্শ দিচ্ছি। মাঝে মাঝে কম বেশি হয়! পার্সিমনি একটি উদ্দেশ্য! আশাকরি এটা সাহায্য করবে ! আপনার প্রশ্নের উত্তর দেওয়ার জন্য "অটো.আরারিমা কেন এই আর-এমএ * সহগের সংখ্যার নয় এসটিডি ত্রুটি সহ সেরা মডেলটি নির্বাচন করবে? সম্ভাব্য উত্তরটি হ'ল রাজ্য-স্থান সমাধানটি যেহেতু তা হতে পারে তা নয় অনুমানমূলক মডেলগুলি এটি চেষ্টা করে। তবে এটি কেবল আমার অনুমান the ব্যর্থতার আসল কারণ হতে পারে আপনার লগ এক্সফর্মের ধারণা। রূপান্তরগুলি ড্রাগগুলির মতো ..... কিছু আপনার পক্ষে ভাল এবং কিছু আপনার পক্ষে ভাল নয়। পাওয়ার ট্রান্সফর্মেশনগুলি কেবলমাত্র অবশিষ্টাংশের স্ট্যান্ডার্ড বিচ্যুতি থেকে প্রত্যাশিত মানটিকে দ্বিগুণ করতে ব্যবহার করা উচিত। যদি লিঙ্কেজ থাকে তবে একটি বক্স-কক্স ট্রান্সফর্ম (যার লগগুলি অন্তর্ভুক্ত) তখন উপযুক্ত হতে পারে। আপনার কানের পিছন থেকে একটি রূপান্তর টান ভাল ধারণা নাও হতে পারে।

এই নির্বাচিত মডেল সর্বোপরি বৈধ? অবশ্যই না !

Answer 3

আমি একই রকম সমস্যার মুখোমুখি হয়েছি। দয়া করে, সেরা কন্ট্রোল এবং অপটিম.মোথডের সাথে খেলতে চেষ্টা করুন। এই NAN হেসি ম্যাট্রিক্সের তির্যক উপাদানগুলির নেতিবাচক মানগুলির বর্গক্ষেত্র। আরিমা ফিটিং (২,০,২) ননলাইনার সমস্যা এবং আশাবাদ সর্বাধিকের পরিবর্তে স্যাডল পয়েন্টে রূপান্তরিত বলে মনে হয়েছে (যেখানে গ্রেডিয়েন্ট শূন্য, তবে হেসি ম্যাট্রিক্স ইতিবাচক-সংজ্ঞায়িত নয়)।