যখন একটি আরিমা মডেল ফিট করার আগে কোনও সময় সিরিজের রূপান্তর করতে লগ ইন করতে হয়

Question

আমি পূর্বে ব্যবহার করেছেন পূর্বাভাস প্রো univariate সময় সিরিজ পূর্বাভাস, কিন্তু সুইচিং করছি আমার কর্মপ্রবাহ আর হাতে আর জন্য পূর্বাভাস প্যাকেজ দরকারী ফাংশন অনেক রয়েছে, কিন্তু এক জিনিস তা করে না স্বয়ংক্রিয় চালানোর আগে ডেটা রূপান্তরের কোন ধরনের .arima ()। কিছু ক্ষেত্রে পূর্বাভাস প্রো পূর্বাভাস করার আগে লগ রূপান্তর তথ্য লগ করার সিদ্ধান্ত নিয়েছে, তবে কেন তা এখনও বের করতে পারিনি।

সুতরাং আমার প্রশ্নটি হল: আমার আরিমা পদ্ধতিগুলি চেষ্টা করার আগে আমার সময় সিরিজটি কখন লগ-রূপান্তর করা উচিত?

/ সম্পাদনা: আপনার উত্তরগুলি পড়ার পরে, আমি এই জাতীয় কিছু ব্যবহার করতে যাচ্ছি, যেখানে এক্স আমার সময় সিরিজ:

library(lmtest)
if ((gqtest(x~1)$p.value < 0.10) {
    x<-log(x)
}

এটা কোনো কিছু হলো?

Answer 1

এগিয়ে যাওয়ার আগে কিছু সাবধানতা অবলম্বন। আমি প্রায়শই আমার ছাত্রদের পরামর্শ দিই, auto.arima()কেবলমাত্র আপনার চূড়ান্ত ফলাফলের প্রথম অনুমান হিসাবে জিনিসগুলি ব্যবহার করুন বা আপনি যখন আপনার প্রতিদ্বন্দ্বী তত্ত্ব-ভিত্তিক মডেলটি আরও ভাল করছেন তা পরীক্ষা করার সময় পার্সিমোনিয়াস মডেল রাখতে চান।

উপাত্ত

আপনি যে টাইম সিরিজের ডেটা নিয়ে কাজ করছেন তা বর্ণনা থেকে স্পষ্টভাবে শুরু করতে হবে। ম্যাক্রো-একনোমেট্রিক্সে আপনি সাধারণত সমষ্টিযুক্ত ডেটা নিয়ে কাজ করেন এবং জ্যামিতিক উপায়ে (আশ্চর্যরূপে) ম্যাক্রো সময় সিরিজের ডেটার জন্য আরও অভিজ্ঞতামূলক প্রমাণ রয়েছে, সম্ভবত তাদের বেশিরভাগই ক্ষতিকারক ক্রমবর্ধমান প্রবণতায় ক্ষয়যোগ্য ।

যেভাবে রবের পরামর্শ "দৃষ্টিভঙ্গি" স্পষ্ট মৌসুমী অংশের সাথে সময় সিরিজের জন্য কাজ করে , ধীরে ধীরে পরিবর্তিত বার্ষিক ডেটা পরিবর্তনের বৃদ্ধির জন্য কম স্পষ্ট। ভাগ্যক্রমে তাত্পর্যপূর্ণভাবে ক্রমবর্ধমান প্রবণতা সাধারণত দেখা যায় (যদি এটি লিনিয়ার বলে মনে হয় তবে লগের প্রয়োজন নেই)।

মডেল

$Y(t) = X_1^{\alpha_1}(t)...X_k^{\alpha_k}(t)\varepsilon(t)$

আর্থিক একনোমেট্রিক্সে লগগুলি লগ-রিটার্নের জনপ্রিয়তার কারণে একটি সাধারণ বিষয়, কারণ ...

লগ রূপান্তরগুলির দুর্দান্ত বৈশিষ্ট্য রয়েছে

$\alpha_i$$Y(t)$$X_i(t)$

ত্রুটি-সংশোধনকারী মডেলগুলিতে আমাদের একটি অনুগতভাবে দৃ stronger় ধারণা রয়েছে যে পরিপূর্ণ পার্থক্যগুলির তুলনায় অনুপাতগুলি আরও স্থিতিশীল ( স্থির )।

আর্থিক একনোমেট্রিক্সে সময়ের সাথে লগ-রিটার্নগুলিকে একত্রিত করা সহজ ।

এখানে উল্লেখ করা হয়নি এমন আরও অনেক কারণ রয়েছে।

পরিশেষে

নোট করুন যে লগ-ট্রান্সফর্মেশনটি সাধারণত অ-নেতিবাচক (স্তর) ভেরিয়েবলগুলিতে প্রয়োগ করা হয়। আপনি যদি দুটি সময়ের সিরিজের পার্থক্য পর্যবেক্ষণ করেন (উদাহরণস্বরূপ, নেট রফতানি) লগ নেওয়া এমনকি সম্ভব না হয়, আপনি হয় স্তরের মূল ডেটা অনুসন্ধান করতে হবে বা বিয়োগ করা সাধারণ ট্রেন্ডের রূপটি ধরে নিতে হবে।

[ সম্পাদনার পরে সংযোজন ] আপনি এখনও লগ রূপান্তর করার জন্য একটি পরিসংখ্যানগত মানদণ্ড চান তবে একটি সহজ সমাধান হেটেরোসেসটাস্টিকটির জন্য কোনও পরীক্ষা হবে। বৈচিত্র্য বাড়ানোর ক্ষেত্রে আমি গোল্ডফিল্ড-কোয়ান্ড্ট টেস্ট বা এর অনুরূপ প্রস্তাব করব। আর এ এটি অবস্থিত এবং ফাংশন library(lmtest)দ্বারা চিহ্নিত করা gqtest(y~1)হয়। আপনার যদি কোনও রিগ্রেশন মডেল না থাকে তবে কেবল ইন্টারসেপ্ট টার্মে রিগ্রেশন করুন yআপনার নির্ভরশীল পরিবর্তনশীল।

Comments

তথ্যের জন্য ধন্যবাদ জিকিউ পরীক্ষার সাথে, পি মানটি যত কম হবে, বিতরণ হেটেরোস্কেস্টিকের সম্ভাবনা তত বেশি?

— জাচ

@ জ্যাচ: হুবহু, 5% উদাহরণস্বরূপ নিন, অবশ্যই যদি আপনি ডেটা মাইনিংয়ের জন্য যাওয়ার পরিকল্পনা না করেন। আমি ব্যক্তিগতভাবে মডেল অনুমানগুলি থেকে শুরু করি।

— দিমিত্রিজ সেলভ

@Dmitrij। ধন্যবাদ. আমি কেবলমাত্র নিশ্চিত করতে চাই যে আমি আউটপুটটি সঠিকভাবে ব্যাখ্যা করছি।

— Zach

Answer 2

সময়ের বিপরীতে ডেটার একটি গ্রাফ প্লট করুন। যদি মনে হয় সিরিজের স্তরটির সাথে তারতম্য বাড়তে থাকে তবে লগগুলি নিন। অন্যথায় আসল ডেটা মডেল করুন।

Comments

এখানে একটি প্রশ্ন রয়েছে: আপনি লগগুলি গ্রহণ করেন এবং তাদের জন্য ডাকা না হলে কী প্রভাব পড়বে? টাইম সিরিজের সাথে কাজ করার সময় আমি এটি পছন্দ করেছি যাতে লগ ট্রান্সফর্মের প্রয়োজন হয়, কারণ (আমি এটি বুঝতে পারি) সহগগুলি অনুপাত এবং ছোট মানগুলিতে প্রায় শতকরা ভাগ। (উদাঃ এক্সপ্রেস (0.05) = 1.051।)

— ওয়েইন

Answer 3

তাদের ফলের দ্বারা তোমরা তাদের জানবে

অনুমান (পরীক্ষা করার জন্য) হ'ল মডেল থেকে ত্রুটিগুলির স্থির বৈচিত্র রয়েছে। দ্রষ্টব্য এটির একটি অনুমান করা মডেল থেকে ত্রুটিগুলি বোঝায় না। আপনি যখন একটি সাধারণ গ্রাফিকাল বিশ্লেষণ ব্যবহার করেন আপনি প্রয়োজনীয় সময়ে সময়ে একটি রৈখিক মডেল ধরে নিচ্ছেন।

সুতরাং আপনার যদি অপর্যাপ্ত মডেল থাকে যেমন সময়ের সাথে সম্পর্কিত ডেটাগুলির নৈমিত্তিক প্লট দ্বারা প্রস্তাবিত হতে পারে আপনি কোনও পাওয়ার ট্রান্সফর্মের প্রয়োজনীয়তা সম্পর্কে ভুলভাবে সিদ্ধান্ত নিতে পারেন। বক্স এবং জেনকিনস তাদের এয়ারলাইনের ডেটা উদাহরণ দিয়ে তা করেছিলেন। তারা অতি সাম্প্রতিক ডেটাতে 3 টি অস্বাভাবিক মানের জন্য জবাবদিহি করে নি তারা এইভাবে ভুলভাবে সিদ্ধান্ত নিয়েছে যে সিরিজের সর্বোচ্চ স্তরের অবশিষ্টাংশগুলিতে উচ্চতর পার্থক্য রয়েছে।

এই বিষয়ে আরও তথ্যের জন্য দয়া করে http://www.autobox.com/pdfs/vegas_ibf_09a.pdf দেখুন

Answer 4

আপনি হয়ত সিরিজ লগ-ট্রান্সফর্ম করতে চাইতে পারেন যখন তারা কোনওভাবে প্রাকৃতিকভাবে জ্যামিতিক হয় বা যেখানে কোনও বিনিয়োগের সময় মূল্য বোঝায় যে আপনি একটি সর্বনিম্ন ঝুঁকিযুক্ত বন্ডের সাথে তুলনা করবেন যা ইতিবাচক প্রত্যাবর্তন রয়েছে। এটি এগুলিকে আরও "লিনিয়ারাইজেবল" করে তুলবে এবং অতএব একটি সাধারণ বিচিত্র পুনরাবৃত্ত সম্পর্কের জন্য উপযুক্ত।

Comments

রূপান্তরগুলি ওষুধের মতো: কিছু আপনার পক্ষে ভাল এবং কিছু না। যদি পরিসংখ্যান অনুমানের পরীক্ষা করতে আগ্রহী না হন তবে আপনি নিজের পছন্দ মতো কিছু ধরে নিতে পারেন ass হাইপোথিসিসের প্যারামিটারিক পরীক্ষায় ত্রুটির সম্ভাবনা সম্পর্কে অনুমান রয়েছে, এগুলি আপনার বিপদে উপেক্ষা করুন।

— আইরিশস্ট্যাট

আসলেই সত্য. আমি বলেছিলাম যে প্রক্রিয়াটি জ্যামিতিক হওয়া দরকার। রূপান্তর করতে ব্যর্থতা পাশাপাশি ত্রুটিগুলিও ডেকে আনতে পারে। আমি দেখতে পাচ্ছি না যে আমি বৈধ অনুমানের শর্তাবলী সম্পর্কিত অনুমানগুলি অগ্রাহ্য করার পরামর্শ দিচ্ছিলাম।

— DWin

stats.stackexchange.com/questions/6498/… কখন এবং কেন রূপান্তর করতে হবে তার একটি আলোচনা অন্তর্ভুক্ত করে। আসল উপমাটি "জ্যামিতিক" যে "সত্য" তা অনুমান করে না যে পর্যাপ্ত মডেলের অবশিষ্টাংশগুলির একটি মানক বিচ্যুতি রয়েছে যা গড়ের সাথে আনুপাতিক। তবে এটি অভিজ্ঞতার সাথে প্রমাণিত বা অন্তত পরীক্ষিত হতে পারে।

— আইরিশস্ট্যাট