আরিমা মৌসুমীতা এবং ট্রেন্ড নিয়ে পূর্বাভাস, অদ্ভুত ফলাফল

Question

আমি যেমন আরিমা মডেলগুলির পূর্বাভাসে পা রাখছি, আমি বুঝতে চেষ্টা করছি যে কীভাবে আমি আরিমা ফিটনেস এবং মৌসুমের উপর ভিত্তি করে একটি পূর্বাভাস উন্নত করতে পারি।

আমার ডেটা নীচের সময় সিরিজ (3 বছরেরও বেশি সময় ধরে, উপরে স্পষ্ট প্রবণতা এবং দৃশ্যমান alityতুসত্তা রয়েছে যা 12, 24, 36 ?? এ স্বতঃসংশ্লিষ্টতার দ্বারা সমর্থিত নয় বলে মনে হয়)।

    > bal2sum3years.ts
             Jan     Feb     Mar     Apr     May     Jun     Jul     Aug          
    2010 2540346 2139440 2218652 2176167 2287778 1861061 2000102 2560729 
    2011 3119573 2704986 2594432 2362869 2509506 2434504 2680088 2689888 
    2012 3619060 3204588 2800260 2973428 2737696 2744716 3043868 2867416 
             Sep     Oct     Nov     Dec
    2010 2232261 2394644 2468479 2816287
    2011 2480940 2699780 2760268 3206372
    2012 2951516 3119176 3032960 3738256

যে মডেলটি আপনাকে পরামর্শ auto.arima(bal2sum3years.ts)দিয়েছিল তা আমাকে নিম্নলিখিত মডেলটি দিয়েছে:

    Series: bal2sum3years.ts 
    ARIMA(0,0,0)(0,1,0)[12] with drift         

    Coefficients:
              drift
          31725.567
    s.e.   2651.693

    sigma^2 estimated as 2.43e+10:  log likelihood=-321.02
    AIC=646.04   AICc=646.61   BIC=648.39

তবে, acf(bal2sum3years.ts,max.lag=35)এসিফ সহগগুলি 0.3 এর চেয়ে বেশি দেখায় না। তথ্যের মৌসুমতা অবশ্য বেশ স্পষ্ট - প্রতি বছরের শুরুতে স্পাইক। গ্রাফটিতে সিরিজটি এমন দেখাচ্ছে:

fit=Arima(bal2sum3years.ts,seasonal=list(order=c(0,1,0),period=12),include.drift=TRUE)ফাংশন দ্বারা ডাকা হিসাবে পূর্বাভাস , forecast(fit)পরবর্তী 12 মাসের অর্থ ডেটা ধ্রুবক এর শেষ 12 মাসের সমান হবে। এটি কল করে দেখা যায় plot(forecast(fit)),

আমি অবশিষ্টাংশগুলিও পরীক্ষা করে দেখেছি, যা স্বতঃসংশ্লিষ্ট নয় তবে ইতিবাচক গড় (শূন্য নয়) রয়েছে।

ফিটটি মূল সময় সিরিজটিকে সঠিকভাবে মডেল করে না, আমার মতে (নীল আসল সময়ের সিরিজ, লালটি হল fitted(fit):

অনুমান হয়, মডেলটি কি ভুল? আমি কিছু অনুপস্থিত করছি? আমি কীভাবে মডেলটি উন্নত করতে পারি? দেখে মনে হচ্ছে যে মডেলটি আক্ষরিকভাবে শেষ 12 মাস নেয় এবং পরবর্তী 12 মাসগুলি অর্জনের জন্য একটি ধ্রুবক যুক্ত করে।

সময় সিরিজের পূর্বাভাস মডেল এবং পরিসংখ্যানের ক্ষেত্রে আমি তুলনামূলকভাবে প্রাথমিক।

Comments

" ফিটটি মূল সময় সিরিজটিকে সঠিকভাবে মডেল করে না, আমার মতে " - আপনি এটি কেন আশা করবেন ??

— গ্লেন_বি -রিনস্টেট মনিকা

@ গ্লেেন_ বি, এই মতামতটি আমি যখন প্লটটি দেখি তখন যে পার্থক্যগুলি দেখি তার ভিত্তিতে ছিল। যদি আমি পূর্বাভাস দেওয়ার চেষ্টা করি, উদাহরণস্বরূপ, অ্যাকাউন্টিংয়ের উদ্দেশ্যে মাসিক বিক্রয়, ত্রুটিটি উল্লেখযোগ্য হতে পারে ...

— জিমা

" আমি প্লটের দিকে তাকানোর সময় আমি যে পার্থক্যগুলি দেখি " হ'ল বলার আরেকটি উপায় " সময় ধারাবাহিকভাবে সুনির্দিষ্টভাবে মডেল করে না "। এটি কোনও বিরোধে নয়। আরও ভাল পূর্বাভাসের জন্য আপনার আকাঙ্ক্ষার প্রকাশটি প্রতিটি পূর্বাভাসীর একই কামনা। অনেক ক্ষেত্রে এটি খুব গুরুত্বপূর্ণ হতে পারে। তবুও, এই ইচ্ছা ডেটাতে আরও তথ্য রাখে না। প্রতিটি আরিমা মডেল - প্রকৃতপক্ষে, এই টাস্কের সাথে প্রাসঙ্গিকতার যে কোনও সময় সিরিজের মডেল - এর একটি ননজারো ত্রুটি রয়েছে। সেখানে হবে সবসময় ডেটা এবং হইয়া এত অমিল হতে। এমন কিছু আছে যা আপনাকে ভাবতে বাধ্য করে যে আপনার মডেল এমন কোনও কিছু মিস করেছেন যা মডেল করা যায়?

— গ্লেন_বি -রিনস্টেট মনিকা

আমি কেবল কিছু সম্পর্কে চিন্তাভাবনা করেছি ..আরআইএমএ মডেলটি ডেটা প্রকৃতি - ওয়েবসাইটে ব্যবহারকারীর ক্রিয়াকলাপ বিবেচনায় না নেওয়ায় প্রকৃতপক্ষে ডেটা প্রতিফলিত করতে সক্ষম নয়। আমি মনে করি অন্যান্য ইভেন্টগুলি সংখ্যার উপর প্রভাব ফেলতে পারে, কেবলমাত্র মৌসুমী নয় - যেমন বিশেষ ইভেন্টগুলি, প্রচারগুলি .. সম্ভবত অন্যান্য ভবিষ্যদ্বাণী পদ্ধতি (এআরআইএমএ নয়), তবে মেশিন লার্নিং কৌশলগুলির সাথে জড়িত আরও জটিলগুলি মানগুলি আরও ভালভাবে অনুধাবন করতে সক্ষম হয়। আমি এটি খতিয়ে দেখব।

— জিমা

বেশ প্রশংসনীয়। যদি তা হয়, আপনার অবশিষ্টাংশগুলিতে এই জাতীয় ব্যর্থতা সনাক্ত করতে সক্ষম হওয়া উচিত। নোট করুন যে উভয়ই আরিমা মডেল এবং কাঠামোগত সময় সিরিজের মডেলগুলি রিগ্রেশন শর্তাদির মাধ্যমে বিশেষ ইভেন্ট এবং প্রচারের মতো জিনিসগুলিকে অন্তর্ভুক্ত করতে পারে; সময় সিরিজের রিগ্রেশন মডেলগুলি মোটামুটি সাধারণ।

— গ্লেন_বি -রিনস্টেট মনিকা 25'13

Answer 1

আপনার ডেটার উপস্থিতি থেকে, মরসুমে পৃথক হওয়ার পরে, আর কোনও ভাল মরসুম থাকতে পারে না be প্রতি বছরের শুরুতে এই শীর্ষটি এবং বছরের পরের অংশটি পরবর্তী আইটেমটি মডেল দ্বারা বেশ ভালভাবে তুলেছে$I_{[12]}$ ; মডেলটি "সুস্পষ্ট মৌসুমতা" অন্তর্ভুক্ত করেছে ।

হ্যাঁ, প্রকৃতপক্ষে, প্রস্তাবিত মডেলটি হ'ল "এই জুন = শেষ জুনে + ধ্রুবক + ত্রুটি", এবং একইভাবে অন্যান্য মাসের জন্য।

এর সাথে ঠিক কী হয়েছে? এটি আপনার ডেটার একটি দুর্দান্ত বর্ণনা বলে মনে হচ্ছে।

আপনি একটি সময়-সিরিজের পচনকে আরও স্বজ্ঞাত এবং সহজে ব্যাখ্যা করতে পারেন, সম্ভবত কোনও মৌলিক স্ট্রাকচারাল মডেল - মৌসুমতা সহ এমন কোনও একটি ভিত্তিক কিছু রয়েছে but তবে এটি অবশ্যই আপনার মডেলের চেয়ে ভাল কাজ করে এমন একটি মডেল বোঝায় না । এখনও এক বা একাধিক স্ট্যান্ডার্ড পচন কৌশলগুলি চেষ্টা করার মতো হতে পারে - এমন একটি মডেল যা আপনাকে ভাল করে বোঝে তার জন্য অনেক কিছুই বলা যায়।

Answer 2

আমি বিশ্বাস করি যে আমাদের সমস্যাটি হ'ল আমরা চিরাচরিত মডেলগুলি ব্যবহার না করে সরাসরি আরিমা মডেলটিতে ঝাঁপিয়ে পড়ছি। এই কারণে, আপনি আবিষ্কার করতে পারেন মডেল প্রয়োজনীয় ফলাফল দিচ্ছে না। আপনার ক্ষেত্রে, আমি আপনার ডেটা পরীক্ষা করেছি, আমি জানতে পেরেছি যে প্রতি 12 মাস অন্তর একটি seasonতু রয়েছে যা আপনার পক্ষে স্পষ্ট, তবে আমি এটিও দেখতে পেয়েছি যে একটি সহজ চলন্ত গড় 3 টার্মের মৌসুমী সমন্বয়: গুণকটি সেরা মডেল। আমার মতে, যে কোনও উন্নত প্রযুক্তিতে ঝাঁপ দেওয়ার আগে আমাদের traditionalতিহ্যবাহী পূর্বাভাসের আলগোরিদিমগুলি ব্যবহার করতে হবে।

Comments

আপনি যে মডেলটির পরামর্শ দিচ্ছেন তা হ'ল ফর্মের একটি আরিমা মডেল (3,0,0) (0,0,0) যেখানে আপনি তিনটি সহগকে .৩৩৩, .৩৩৩ এবং .৩৩৩ এবং হার্ডকডিং করছেন 0.0 এর ধ্রুবক। সুতরাং কেবলমাত্র আরিমা মডেলই নয় তবে আপনি সহগের মানগুলি ধরে নিচ্ছেন এবং সিরিজের কোনও বহিরাগতের উপস্থিতি নেই। মডেলটির ফর্ম এবং পরামিতিগুলির সর্বোত্তম মানগুলির ক্ষেত্রে ডেটাটিকে নিজের জন্য কথা বলার অনুমতি দিন ... আপনার কাছে হারাতে হবে না এবং অর্জন করার মতো অনেক কিছুই নেই। যদি সত্যিই আপনার মডেলটি সঠিক হয় তবে এটি পাওয়া যাবে .. সমস্ত অরিমা মডেলগুলি অতীতের ভারী ফাংশন।

— আইরিশস্ট্যাট

stats.stackexchange.com/questions/40905/… ওয়েট মডেলিং এবং অরিমা কীভাবে সম্পর্কিত তা বানান করে। এইভাবে একটি আরিমা মডেলকে প্রশ্নের উত্তর হিসাবে ব্যাখ্যা করা যেতে পারে যে কতগুলি historicalতিহাসিক মূল্যবোধের একটি ভারী যোগফল গণনা করতে হবে? গত? এই মানগুলি অবিকল কি?

— আইরিশস্ট্যাট