আরিমার আগে বা আরিমার মধ্যে পার্থক্য সময় সিরিজ

13

আরিমা ব্যবহার করার আগে একটি সিরিজ (এটির এটির প্রয়োজন অনুমান) পার্থক্য করা ভাল কি আরিমার মধ্যে ডি প্যারামিটারটি ব্যবহার করা ভাল?

আমি অবাক হয়েছিলাম একই মডেল এবং ডেটা সহ কোন রুট নেওয়া হয় তার উপর নির্ভর করে ফিটযুক্ত মানগুলি কতটা আলাদা। নাকি আমি ভুলভাবে কিছু করছি?

install.packages("forecast")
library(forecast)

wineindT<-window(wineind, start=c(1987,1), end=c(1994,8))
wineindT_diff <-diff(wineindT)

#coefficients and other measures are similar
modA<-Arima(wineindT,order=c(1,1,0))
summary(modA)
modB<-Arima(wineindT_diff,order=c(1,0,0))
summary(modB)

#fitted values from modA
A<-forecast.Arima(modA,1)$fitted

#fitted from modB, setting initial value to the first value in the original series
B<-diffinv(forecast.Arima(modB,1)$fitted,xi=wineindT[1])


plot(A, col="red")
lines(B, col="blue")

যোগ করুন

দয়া করে নোট করুন আমি একবার সিরিজটি পৃথক করছি এবং আরিমা (1,0,0) ফিট করছি তবে আমি মূল সিরিজে আরিমা (1,1,0) ফিট করছি। আমি (আমি মনে করি) পার্থক্যযুক্ত ফাইলে অ্যারিমা (1,0,0) এর জন্য লাগানো মানগুলিতে পৃথকীকরণগুলি ঘটাচ্ছি।

আমি লাগানো মানগুলির সাথে তুলনা করছি - পূর্বাভাসগুলি নয়।

এখানে প্লটটি (লাল হ'ল অরিমা (1,1,0) এবং নীলটি মূল স্কেলে ফিরে যাওয়ার পরে পৃথক সিরিজের অনিমা (1,0,0) রয়েছে:

এখানে চিত্র বর্ণনা লিখুন

ডাঃ হ্যান্ডম্যানের জবাবের প্রতিক্রিয়া:

1) আপনি দুটি কোডযুক্ত মান (এবং সম্ভবত পূর্বাভাস) মিলিয়ে যেতে চাইলে আমার কী করা দরকার তা আপনি কোডের মাধ্যমে ব্যাখ্যা করতে পারবেন (আপনার উত্তরের প্রথম পয়েন্টের কারণে সামান্য পার্থক্যের জন্য অনুমতি দিচ্ছে) আরিমা (1,1, 0) এবং আরিমা (1,0,0) ম্যানুয়ালি পার্থক্যযুক্ত সিরিজে? আমি ধরে নিচ্ছি যে এটির সাথে মোডে অন্তর্ভুক্ত না হওয়া মানে, তবে কীভাবে এগিয়ে যেতে হবে তা সম্পর্কে আমি পুরোপুরি নিশ্চিত নই।

$\hat{X}_t = X_{t-1} + \phi(X_{t-1}-X_{t-2})$ $\hat{Y}_t = \phi (X_{t-1}-X_{t-2})$ $\hat{Y}_t$ $\hat{X}_t - X_{t-1}$ ? আপনি কি বলছেন যে আমি ভুলভাবে "আনফ্রিফারেন্সিং" করছি?

r time-series arima

— B_Miner
সূত্র

1

আপনার আপডেট সম্পর্কিত। 1) আমি এটি করার কোনও অর্থ দেখতে পাচ্ছি না। আরিমা () উপযুক্ত মান এবং পূর্বাভাস উত্পাদন করবে। আরিমা () ইতিমধ্যে যা করেছে একই কাজ করতে কেন আমি অতিরিক্ত আর কোড তৈরি করব? 2) হ্যাঁ, তবে এক্স-টুপি আলাদা করে আপনাকে ওয়াই-টুপি দেয় না। সুতরাং অনির্ধারিত ওয়াই-টুপি আপনাকে এক্স-টুপি দেয় না।

— রব হ্যান্ডম্যান

2

ধন্যবাদ। 1) আমার জন্য একটি শেখার অনুশীলন ছিল। ২) আমার আসল প্রশ্নে (ডিফিনভ ব্যবহার করে) গণনায় আমার ত্রুটিটি উপযুক্ত মানগুলি ব্যবহার করার ক্ষেত্রে ছিল এবং মূলটি আমার কাছে মনে হয় না যে আমি এটি থেকে পাচ্ছি?? ডেফিকেটেড আমি জানি আরিমা এটি করবে, কেবল সমীকরণগুলি ব্যবহার করে কোনও বইয়ের উদাহরণ অনুসরণ করার চেষ্টা করছে।

— বি_মিনার

14

এখানে বেশ কয়েকটি সমস্যা রয়েছে।

আপনি যদি প্রথমে পার্থক্য Arima()করেন তবে ডিফারেন্সড ডেটার সাথে একটি মডেল ফিট করে। আপনি যদি Arima()অনুমান পদ্ধতির অংশ হিসাবে পৃথক্করণ করতে দেন তবে এটি সূচনা করার আগে একটি বিচ্ছুরণ ব্যবহার করবে। এটি হেল্প ফাইলের জন্য ব্যাখ্যা করা হয়েছে arima()। তাই প্রাথমিক পর্যবেক্ষণ পরিচালিত হওয়ার বিভিন্ন উপায়ে ফলাফল আলাদা হবে। আমি অনুমান করি না যে এটি অনুমানের মানের ক্ষেত্রে খুব বেশি পার্থক্য করে। যাইহোক, Arima()আপনি যদি পূর্ব (পূর্বাভাস) ডেটাতে পূর্বাভাস বা লাগানো মান চান তবে ডিফারেন্সিং হ্যান্ডেল করা অনেক সহজ ।
অনুমানের পার্থক্য ছাড়াও, আপনার দুটি মডেল সমতুল্য নয় কারণ modBএকটি ধ্রুবক অন্তর্ভুক্ত modAথাকে না। ডিফল্টরূপে, Arima()যখন একটি ধ্রুবক থাকে তখন এবং যখন । আপনি যুক্তি দিয়ে এই ডিফল্টগুলিকে অতিরিক্ত চালাতে পারেন । $d=0$ $d>0$ include.mean
মূল ডেটার জন্য লাগানো মানগুলি পার্থক্যযুক্ত উপাত্তগুলিতে স্বতন্ত্র্য ফিটেড মানগুলির সমতুল্য নয়। এটি দেখতে, নোট করুন যে মূল ডেটাতে লাগানো মানগুলি প্রদত্ত হয়েছে পার্থক্যযুক্ত ডেটাতে মানগুলি যেখানে the মূল সময় সিরিজ এবং হয় পার্থক্যযুক্ত সিরিজ। সুতরাং
${\hat{X}}_{t} = X_{t - 1} + ϕ (X_{t - 1} - X_{t - 2})$ $\hat{X}_t = X_{t-1} + \phi(X_{t-1}-X_{t-2})$ ${\hat{Y}}_{t} = ϕ (X_{t - 1} - X_{t - 2})$ $\hat{Y}_t = \phi (X_{t-1}-X_{t-2})$ $\{X_t\}$ $\{Y_t\}$ ${\hat{X}}_{t} - {\hat{X}}_{t - 1} \neq {\hat{Y}}_{t} .$ $\hat{X}_t - \hat{X}_{t-1} \ne \hat{Y}_t.$

— রব হ্যান্ডম্যান
সূত্র

1

+1, আমি উত্তর হিসাবে 2 পয়েন্ট দিতে যাচ্ছি। অন্যান্য 2 সহ

— কুদোস

ডাঃ হেন্ডম্যান, প্রতিক্রিয়াটির জন্য আপনাকে ধন্যবাদ! সময় সিরিজ বিশ্লেষণ সম্পর্কে আমার কাছে অনেক কিছু জানার আছে। আমি কি ফলো-আপ জিজ্ঞাসা করতে পারি? আমি নিশ্চিত নই যে এই তথ্যটি দিয়ে আমি কী করব ঠিক তাই আমি আমার মূল প্রশ্নটিতে একটি অ্যাড পোস্ট করছি।

— বি_মিনার

2

কখনও কখনও সিরিজটি নিশ্চল করার জন্য আপনাকে স্থানীয় উপায়গুলি সরিয়ে ফেলতে হবে। যদি মূল সিরিজটিতে এমন একটি এসিফ থাকে যা মারা যায় না তবে এটি সিরিজের স্তর / ধাপে স্থানান্তরিত হতে পারে। প্রতিকারটি হল সিরিজটিকে ডি-মিন করা।

অনুদানের জবাব দিন:

একই ফলাফল / ফিটেড মানগুলি পাওয়ার উপায়টি হল প্রথম পার্থক্য (ডিলি) পাওয়ার জন্য অরিজিনাল (ওয়াই (টি) সিরিজটি শারীরিকভাবে আলাদা করার পরে, একটি ধ্রুবক ছাড়াই একটি এআর (1) অনুমান করুন his এটি কোনও ওএলএস মডেলের সাথে মানানসই is ফর্ম দেলি (টি) = বি 1 * দেলি (টি -1) + এ (টি) একটি ইন্টারসেপ্ট ব্যতীত this এই মডেলটির উপযুক্ত মানগুলি, আদেশ 1 এর যথাযথভাবে সংহত হবে (আমি বিশ্বাস করি) আপনাকে একটি মডেলের উপযুক্ত মান দেয়; [ 1-বি] [এআর (1)] ওয়াই (টি) = ক (টি)। অটোবক্সের উল্লেখযোগ্য ব্যতিক্রম সহ বেশিরভাগ সফটওয়্যার আপনাকে একটি ধ্রুবক ছাড়া একটি এআর (1) মডেলটি অনুমান করতে দেয় না। এখানে ডিলির জন্য সমীকরণ = + [[(1- .675 বি * 1)] ** - 1 [এ (টি)] যখন ওয়াইয়ের সমীকরণ ছিল

[(1-বি * 1)] ওয়াই (টি) = + [(1- .676 বি * 1)] ** - 1 [এ (টি)]। ওয়াইয়ের শারীরিক পৃথকীকরণের কারণে গোলাকার ত্রুটিটি লক্ষ্য করুন Note নোট করুন যে যখন ভিন্নতা কার্যকর হয় (মডেলটিতে) বা ব্যবহারকারী ধ্রুবককে অন্তর্ভুক্ত করা বা বাদ দিতে নির্বাচন করতে পারে না। সাধারণ প্রক্রিয়াটি হ'ল স্থির (যেমন অনির্দিষ্ট) আরিমা মডেলটির জন্য একটি ধ্রুবক অন্তর্ভুক্ত করা এবং মডেলটিতে ডিফারেন্স করার সময় optionচ্ছিকভাবে একটি ধ্রুবক অন্তর্ভুক্ত করা। এটি প্রদর্শিত হয় যে বিকল্প পদ্ধতির (আরিমা) স্থির মডেলটির উপর একটি ধ্রুবককে বাধ্য করে যা আমার মতে আপনার দ্বিধা সৃষ্টি করেছে।

— IrishStat
সূত্র

ডেল্টা-ওয়ায় আরিমা (1,0,0) এবং y এর উপর আরিমা (1,1,0) এর মধ্যে এই ক্ষেত্রে উপযুক্ত মানগুলিকে কী প্রভাব ফেলতে হবে?

— বি_মিনার

উভয় ক্ষেত্রেই আপনি টাইম সিরিজের প্রথম ফারাকের সাথে একটি এআর (1) ফিট করছেন? যদি এটি হয় এবং ফিটের পদ্ধতিগুলি একই হয় তবে তাদের ঠিক একই জিনিস করা উচিত। অপারেশন ক্রম এমনকি একটি পার্থক্য আছে।

— মাইকেল আর চেরনিক

এখানে কেস বলে মনে হচ্ছে না। সম্ভবত @ রব_হাইন্ডম্যান চেক ইন করবেন

— বি_মিনার

1

আমি জানি না কেন ফলাফলগুলির মধ্যে পার্থক্য থাকবে যদি না আপনি কোনওভাবে অন্যের চেয়ে একগুণ বেশি আলাদা হন। একটি আরিমা (পি, ডি, কিউ) এর জন্য ডি পার্থক্যগুলি কোনও মডেল ফিটিংয়ের আগে প্রথমে করা হয়। তারপরে স্টেশনারি এআরএমএ (পি, কিউ) মডেলটি পার্থক্যযুক্ত সিরিজের সাথে খাপ খায়। ধারনাটি হ'ল সিরিজটিতে বহুপদী ট্রেন্ডস অপসারণের পরে বাকি সিরিজগুলি স্থির। পার্থক্যগুলির সংখ্যাটি আপনি বহিষ্কার করতে চান বহুত্বের ক্রমের সাথে মিলে যায়। লিনিয়ার ট্রেন্ডের জন্য আপনি কেবল একটি পার্থক্য নেন, চতুর্ভুজ ট্রেন্ডের জন্য আপনি দুটি পার্থক্য নেন take জন এর উত্তরে যা বলা হয়েছিল তার বেশিরভাগের সাথে আমি একমত নই।

— মাইকেল আর চেরনিক
সূত্র

0

আই (1) সিরিজের পার্থক্যের একটি কারণ এটিকে স্থির করে তোলা। অরিমা মডেলটির জন্য আপনার কাছে সঠিক স্পেসিফিকেশন রয়েছে বলে মনে করে, মডেলের অবশিষ্টাংশগুলিতে অটোরিগ্রেসিভ এবং চলমান গড়ের উপাদানগুলি সরানো হবে এবং এটি স্থির থাকতে হবে। এই সম্মানের ক্ষেত্রে এটি আলাদা করার পরিবর্তে মডেলের অবশিষ্টাংশগুলি ব্যবহার করার জন্য অর্থবোধ করতে পারে। তবে এমন পরিস্থিতিতে যেখানে আপনার কাছে প্রচুর ডেটা রয়েছে যা আপনি প্রায় 1 (1) বলে মনে করেন, কিছু লোক পুরোপুরি আরিমা মডেলটি অনুমান করার পরিবর্তে কেবলমাত্র ডেটাগুলিকে আলাদা করবে। আরিমা মডেলটি টাইম সিরিজ সমস্যার পুরো হোস্টে ফিট করতে পারে যেখানে এটি কোনও তাত্পর্যপূর্ণ হতে পারে না। উদাহরণস্বরূপ, যদি ডেটাটির অর্থ-বিপরীত অভিজ্ঞতা হয় তবে এটি সর্বদা পার্থক্য করার পক্ষে উপযুক্ত না কারণ এটি আমি (1) নাও পারি।

— জন
সূত্র

আপনি কি এই বড় পার্থক্য আশা করতে পারেন? এটি আমাকে ভাবতে বাধ্য করেছিল যে আমি পার্থক্য থেকে আসলটিতে কীভাবে ফিরে যাচ্ছি তাতে ভুলভাবে কিছু করছি।

— বি_মিনার

আপনি কি ঠিক কি ব্যাখ্যা করতে পারেন? আমি আর কোড পড়তে ভাল নই। যদি আপনি উভয় উপায়ে একই সংখ্যক পার্থক্য গ্রহণ করেন এবং ভিন্নতার পরে একই এআরএমএ মডেলটি ফিট করেন তবে যতক্ষণ না ফিটিং কৌশলগুলি একই রকম হয় (সাধারণত শর্তাধীন সর্বনিম্ন স্কোয়ারগুলি ব্যবহৃত হয়) you

— মাইকেল আর চেরনিক

তিনি কিছু ডেটা নেন, একটি এআরআইএমএ (1,1,0) ফিট করেন, তারপরে পার্থক্যগুলি গ্রহণ করেন এবং একটি এআরআইএমএ (1,0,0) ফিট করে। অবশেষে, তিনি নমুনা পূর্বাভাসের মধ্যে একটি সময়কে একে অপরের সাথে তুলনা করেন। সম্ভবত তারা পৃথক, তবে আমরা পোস্টে গ্রাফগুলি দেখতে পাচ্ছি না।

— জন

y_{t} = β y_{t - 1} + ϵ_{t}

$y_{t}=\beta y_{t-1}+\epsilon_{t}$

△ y_{t} = (β - 1) y_{t - 1} + ϵ_{t}

$\triangle y_{t}=\left(\beta-1\right)y_{t-1}+\epsilon_{t}$

ϵ_{t}

$\epsilon_{t}$

△ y_{t} = β △ y_{t - 1} + ϵ_{t}

$\triangle y_{t}=\beta\triangle y_{t-1}+\epsilon_{t}$

— জন

1

শেষ পর্যন্ত ঠিক। আমি 5 মিনিটে লাটেক্স করতে পারি না! উপরের সমীকরণটি উভয় উপায়েই আমি বলতে পারি সর্বোত্তম হিসাবে।

— মাইকেল আর চেরনিক