ধ্রুবক বৈকল্পিক অনুমান লঙ্ঘন করা হলে কোন মডেল ব্যবহার করা যেতে পারে?


9

যেহেতু ধ্রুবক বৈকল্পিক অনুমান লঙ্ঘন করা হয় তখন আমরা আরআইএমএ মডেলটি ফিট করতে পারি না, তাই কোন মডেলটি অবিচ্ছিন্ন সময় সিরিজের সাথে ফিট করতে ব্যবহার করা যেতে পারে?


ধরে নেওয়া লাগানো যে লাগানো মডেলটিতে কোনও স্বতন্ত্র রেজিস্ট্রার নেই, অর ধ্রুবক বৈকল্পিকতা কেবল তখনই সমস্যা হয় যখন ত্রুটি শর্তটির ভিন্নতা সময় নির্ভর হয়। তারপরে: আরমা
ব্যবহারকারী 603

উত্তর:


8

অ-ধ্রুবক বৈকল্পিকতার জন্য অ্যাকাউন্টিংয়ের জন্য অনেকগুলি মডেলিং বিকল্প রয়েছে, উদাহরণস্বরূপ এআরএচ (এবং জিআরচ এবং তাদের অনেকগুলি এক্সটেনশান) বা স্টোচাস্টিক অস্থিরতা মডেল।

একটি এআরসিএইচ মডেল বর্গ ত্রুটি শর্তের জন্য অতিরিক্ত সময় সিরিজের সমীকরণ সহ এআরএমএ মডেলগুলিকে প্রসারিত করে। তারা অনুমান করা বেশ সহজ হতে থাকে (উদাহরণস্বরূপ fGRACH আর প্যাকেজ)।

এসভি মডেলগুলি সময় নির্ভর নির্ভরতাগুলির লগের জন্য অতিরিক্ত সময় সিরিজের সমীকরণ (সাধারণত একটি এআর (1)) সহ এআরএমএ মডেলগুলি প্রসারিত করে। আমি পেয়েছি যে এই মডেলগুলি বেয়েসিয়ান পদ্ধতিগুলি ব্যবহার করে সর্বোত্তমভাবে অনুমান করা হয়েছে (ওপেনবিগিজি অতীতে আমার পক্ষে ভাল কাজ করেছে)।


5

আপনি আরিমা মডেল ফিট করতে পারেন তবে প্রথমে আপনাকে উপযুক্ত রূপান্তর প্রয়োগের মাধ্যমে বৈকল্পিক স্থিতিশীল করা দরকার। আপনি বক্স-কক্স রূপান্তরও ব্যবহার করতে পারেন। এটি টাইম সিরিজ অ্যানালাইসিস বইয়ে করা হয়েছে : অ্যাপ্লিকেশন সহ আর , পৃষ্ঠা 99 এবং তারপরে তারা বক্স-কক্স রূপান্তর ব্যবহার করে। এই লিঙ্কটি বক্স-জেনকিন্স মডেলিংটি দেখুন আরেকটি উল্লেখ পৃষ্ঠা 169, টাইম সিরিজ এবং পূর্বাভাসের ভূমিকা, ব্রকওয়েল এবং ডেভিস, "একবার তথ্য রূপান্তরিত হয়ে গেছে (উদাহরণস্বরূপ, বক্স – কক্সের কিছু সংমিশ্রণে এবং রূপান্তরকরণের পরিবর্তনের মাধ্যমে বা প্রবণতা এবং মৌসুমী উপাদানগুলি মুছে ফেলার মাধ্যমে) যেখানে রূপান্তরিত সিরিজ এক্স_টি সম্ভাব্যভাবে শূন্য-ভিত্তিক এআরএমএ মডেল দ্বারা লাগানো যেতে পারে, p এবং q এর অর্ডারগুলির জন্য উপযুক্ত মানগুলি নির্বাচন করার ক্ষেত্রে আমরা সমস্যার মুখোমুখি হয়েছি। " অতএব, আরিমা মডেলটি ফিট করার আগে আপনাকে বৈকল্পিক স্থিতিশীল করতে হবে।


1
আমি দেখতে পাই না যে প্রথমে বৈকল্পিক স্থিতিশীলতা কীভাবে করা যায়। সময়ের সাথে অবশেষ পরিবর্তন হয় কিনা তা দেখতে আপনাকে প্রথমে মডেল থেকে অবশিষ্টাংশগুলি দেখতে হবে। তারপরে অবশিষ্টাংশগুলির দিকে তাকানো পরামর্শ দিতে পারে কীভাবে মডেলটি পরিবর্তন করতে হবে বা বৈকল্পিকটি স্থিতিশীল করা যায়।
মাইকেল আর চেরনিক

কেবল সময়ের সিরিজ প্লট করে আপনি জানতে পারবেন যে বৈকল্পিক স্থিতিশীল ব্যবহার করা উচিত কিনা। এটি "টাইম সিরিজ অ্যানালাইসিস উইথ অ্যাপ্লিকেশন ইন আর" বইয়ের 99 পৃষ্ঠায় করা হয়েছে এবং তারপরে তারা বক্স-কক্স রূপান্তর ব্যবহার করে। আপনি নিজের দ্বারা এটি পরীক্ষা করতে পারেন। যদি আপনি বৈকল্পিকতা স্থিতিশীল না করে ফিট করেন তবে তা অবশিষ্টাংশের প্লটে প্রদর্শিত হবে। জিনিসটি হ'ল এরিমা মডেলটিকে ধরে রাখার আগে আমাদের কোনও লঙ্ঘনের সমাধান করার চেষ্টা করা উচিত। আমি উত্তরের জন্য নেতিবাচক পয়েন্ট দেওয়ার সময় আপনাকে আরও যত্নবান হওয়ার দৃ careful় পরামর্শ দিচ্ছি! শুভকামনা।
তাত্ক্ষণিকবাজার

হ্যাঁ, আমিই সে ছিলাম যে আপনার উত্তরটিকে অগ্রাহ্য করেছিল। আমি সম্মত হলাম যে আপনি সিরিজের একটি প্লট থেকে বৈচিত্র্যর অহংকারের উপলব্ধি পেতে পারেন। তবে আমি এখনও মনে করি না মডেলগুলি চেষ্টা করার আগে একটি বৈকল্পিক স্থিতিশীল রূপান্তর প্রয়োগ করা ভাল ধারণা। মডেলগুলি সমস্ত অস্থায়ী হয়। আপনি ফিট করুন, অবশিষ্টাংশগুলি দেখুন এবং প্রয়োজনীয় হিসাবে সংশোধন করুন। এটি তিন ধাপের বক্স-জেনকিন্সের পদ্ধতির। প্রাথমিক মডেল শনাক্তকরণ, তারপরে ফিটিং এবং তারপরে চক্রটি পুনরায় ডায়াগনস্টিক চেক করা যদি মডেলটি পর্যাপ্ত পরিমাণে দেখা যায় না।
মাইকেল আর চেরনিক

এর অর্থ হল আপনি বাক্স-জেনকিনস মনোযোগ সহকারে পড়েন নি। এই লিঙ্কটি দেখুন robjhyndman.com / কাগজগুলি / বক্সজেনকিনস.পিডিএফ আরেকটি রেফারেন্স, পৃষ্ঠা 169, টাইম সিরিজ এবং পূর্বাভাসের পরিচিতি, ব্রকওয়েল এবং ডেভিস, "একবার তথ্য রূপান্তরিত হয়ে গেছে (উদাহরণস্বরূপ, বাক্স x কক্সের কিছু সংমিশ্রণে এবং পরিবর্তিত রূপান্তরগুলি বা প্রবণতা এবং মৌসুমী উপাদানগুলি সরিয়ে) এমন বিন্দুতে যেখানে রূপান্তরিত সিরিজ এক্স_টি সম্ভাব্যভাবে শূন্য-ভিত্তিক এআরএমএ মডেল দ্বারা লাগানো যেতে পারে, p এবং q এর অর্ডারগুলির জন্য উপযুক্ত মান নির্বাচন করার ক্ষেত্রে আমরা সমস্যার মুখোমুখি হয়েছি। " আপনি কেবল স্বীকার করতে পারেন যে আপনি একটি ভুল করেছেন।
তাত্ক্ষণিকবাজার

স্ট্যাটাস এবং @ মিশেল, আপনার উভয়েরই বৈধ পয়েন্ট রয়েছে: স্ট্যাট কারণ প্রায়শই প্রাথমিকভাবে বক্স-কক্স রূপান্তরকে স্পষ্টভাবে নির্দেশ করা হয় - তবে কেন সেই পরিবর্তনটি ক্ষণস্থায়ীভাবে প্রয়োগ করে পুনরাবৃত্ত মডেলিং প্রক্রিয়া শুরু করবেন না? - তবুও মাইকেলও এ কথাটি বলার মতো সঠিক? কাঁচা নির্ভর মূল্যবোধের পরিবর্তে মডেলের অবশিষ্টাংশগুলিতে ফোকাস হওয়া উচিত (এখানে প্রশ্নগুলির ক্ষেত্রে প্রায়শই ভুল বোঝাবুঝি)। এই আলোচনা চালিয়ে যাওয়ার জন্য না কোনও ডাউনভোটস বা ভুল করার অভিযোগের প্রয়োজন নেই। আপনি যদি তর্ক করতে চলেছেন তবে এমন কিছু সম্পর্কে এটি করুন যা সম্পর্কে আপনি উভয়ই সত্যই একমত নন!
শুশুক

2

আমি প্রথমে জিজ্ঞাসা করব যে এআরআইএমএ মডেলের অবশিষ্টাংশগুলি কেন এই পদ্ধতিকে ত্যাগ করার আগে ধ্রুব বৈকল্পিকতা রাখে না। অবশিষ্টাংশগুলি কী তাদের সম্পর্কের কোনও কাঠামো প্রদর্শন করে? যদি তারা করে তবে কিছু চলমান গড় পদকে মডেলটিতে অন্তর্ভুক্ত করা দরকার।

তবে এখন ধরা যাক যে অবশিষ্টাংশগুলির কোনও স্বতঃসংশ্লিষ্ট কাঠামো নেই বলে মনে হচ্ছে। তাহলে সময়ের সাথে কীভাবে পরিবর্তিত হচ্ছে (বাড়ছে, কমছে, বা ওঠানামা করছে)? ভেরিয়েন্সটি যেভাবে পরিবর্তিত হচ্ছে তা বিদ্যমান মডেলটির সাথে কী ভুল তা একটি চিহ্ন হতে পারে। সম্ভবত এই সময় সিরিজের সাথে সংবিধানযুক্ত কোভেরিয়েট রয়েছে। সেক্ষেত্রে কোভেরিয়েটগুলি মডেলটিতে যুক্ত হতে পারে। অবশিষ্টাংশগুলি এরপরে আর কোনও দীর্ঘস্থায়ী নন-কনস্ট্যান্ট বৈকল্পিকতা প্রদর্শন করতে পারে না।

আপনি বলতে পারেন যে সিরিজটি যদি কোনও কোভেরিয়েটের সাথে ক্রস পারস্পরিক সম্পর্কযুক্ত হয় যা অবশিষ্টাংশের স্বতঃসংশ্লিষ্টতায় প্রদর্শিত হয়। পারস্পরিক সম্পর্ক বেশিরভাগ পিছনে 0 থাকলে এই ক্ষেত্রে হবে না।

যদি চলমান গড় পদকে যোগ না করা বা কোওরিয়্যাটগুলির প্রবর্তন সমস্যার সমাধান না করে তবে আপনি কয়েকটি পরামিতিগুলির উপর ভিত্তি করে অবশিষ্ট সময়গুলির জন্য সময় পরিবর্তিত ফাংশন সনাক্তকরণ বিবেচনা করতে পারেন। তারপরে সেই সম্পর্কটি মডেল অনুমানগুলিকে সংশোধন করার জন্য সম্ভাবনা ফাংশনে অন্তর্ভুক্ত করা যেতে পারে।

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.