একটি সময়ের সিরিজের লাজং-বক্স পরীক্ষায় কয়টি ল্যাগ ব্যবহার করতে হবে?

20

একটি এআরএমএ মডেল কোনও সময়ের সিরিজের সাথে মানানসই হওয়ার পরে, লজং-বক্স পোর্টম্যানট্যু পরীক্ষার (অন্যান্য পরীক্ষার মধ্যে) অবশিষ্টাংশগুলি পরীক্ষা করা সাধারণ। লাজং-বক্স পরীক্ষাটি এপি মান দেয়। এটিতে একটি প্যারামিটার, এইচ রয়েছে যা পরীক্ষার জন্য ল্যাগের সংখ্যা। কিছু পাঠ্য h = 20 ব্যবহার করার পরামর্শ দেয় ; অন্যরা h = ln (n) ব্যবহার করার পরামর্শ দেয় ; বেশিরভাগ কী এইচ ব্যবহার করতে হবে তা বলে না ।

H এর জন্য একটি একক মান ব্যবহার করার পরিবর্তে , মনে করুন যে আমি সমস্ত এইচ <50 এর জন্য ল্জুং-বাক্স পরীক্ষা করি এবং তারপরে ন্যূনতম পি মান দেয় এমন h টি চয়ন করি । এটা কি যুক্তিসঙ্গত? সুবিধা এবং অসুবিধা সমূহ কি কি? (একটি স্পষ্ট অসুবিধা হ'ল গণনার সময় বাড়ানো, তবে এটি এখানে কোনও সমস্যা নয়)) এখানে কি সাহিত্য আছে?

সামান্য বিস্তৃত করার জন্য .... যদি পরীক্ষাটি সমস্ত h এর জন্য p> 0.05 দেয় তবে স্পষ্টতই সময় সিরিজ (অবশিষ্টগুলি) পরীক্ষায় উত্তীর্ণ হয়। আমার প্রশ্নটি পরীক্ষার ব্যাখ্যা কীভাবে দিতে হবে যদি p <0.05 h এর কিছু মানের জন্য এবং অন্য মানের জন্য না হয়।

time-series

— user2875
সূত্র

1

@ ব্যবহারকারী 2875, আমি আমার উত্তরটি মুছে ফেলেছি। ঘটনাটি হ'ল বড়

h

$h$ জন্য পরীক্ষাটি নির্ভরযোগ্য নয়। সুতরাং উত্তরটি সত্যিই নির্ভর করে কোন

h

$h$ ,

p < 0.05

$p<0.05$ । এছাড়াও

সঠিক মান কি

p

$p$ ? যদি আমরা প্রান্তিকতা

হ্রাস করি

0.01

$0.01$ তবে পরীক্ষার ফলাফল কি পরিবর্তন হয়? ব্যক্তিগতভাবে দ্বন্দ্বমূলক অনুমানের ক্ষেত্রে আমি অন্যান্য সূচকগুলির সন্ধান করি যা মডেল ভাল কিনা। মডেল কতটা ফিট? বিকল্প মডেলগুলির সাথে মডেলটি কীভাবে তুলনা করে? বিকল্প মডেল একই সমস্যা আছে? অন্য কোন লঙ্ঘনের জন্য পরীক্ষা নালকে প্রত্যাখ্যান করে?

— এমপিক্টাস

1

@ এমপিক্টাস, ল্যাং-বক্স পরীক্ষাটি এমন একটি পরিসংখ্যানের উপর ভিত্তি করে যার বিতরণটি asympotically (এইচ বৃহত্তর হয়ে ওঠে) চি-স্কোয়ার হয়। যেহেতু এন এর তুলনায় বড় আকারের হয়, যদিও পরীক্ষার শক্তি কমে যায় 0 Hence সুতরাং যথেষ্ট পরিমাণে এইচটি বেছে নেওয়ার আকাঙ্ক্ষা বন্টন চি-স্কোয়ারের কাছাকাছি হলেও দরকারী ক্ষমতার পক্ষে যথেষ্ট ছোট। (এইচ ছোট হলে মিথ্যা নেগেটিভের ঝুঁকি কী তা আমি জানি না))

— ব্যবহারকারী 2875

@ ব্যবহারকারী ২৮75৫, আপনি এই তৃতীয় বার প্রশ্ন পরিবর্তন করেছেন। প্রথমে অবচয় কৌশল সম্পর্কে জিজ্ঞাসা

h

$h$ ক্ষুদ্রতম মান সঙ্গে, তারপর কিভাবে পরীক্ষা ব্যাখ্যা করা যদি

p < 0.05

$p<0.05$ কিছু মানের জন্য

h

$h$ , এবং এখন অনুকূল কি

h

$h$ পছন্দ করে নিন। তিনটি প্রশ্নেরই আলাদা আলাদা উত্তর রয়েছে এবং নির্দিষ্ট সমস্যার প্রেক্ষাপটের উপর নির্ভর করে আলাদা আলাদা উত্তরও থাকতে পারে।

— এমপিক্টাস

@ এমপিক্টাস, প্রশ্নগুলি সব একই, এটি দেখার বিভিন্ন উপায়। (যেমনটি উল্লেখ করা হয়েছে, যদি p> সকল h এর জন্য 0.05 হয়, তবে আমরা ক্ষুদ্রতম পি কীভাবে ব্যাখ্যা করতে জানি; যদি আমরা সর্বোত্তম এইচটি জানতাম - তবে না - তবে আমরা ক্ষুদ্রতম পি বাছাইয়ের বিষয়ে উদ্বিগ্ন হব না))

— ব্যবহারকারী 2875

9

উত্তরটি অবশ্যই নির্ভর করে: পরীক্ষার জন্য আসলে কী চেষ্টা করা হচ্ছে ? $Q$

সাধারণ কারণটি হ'ল ল্যাগ অবধি কোনও স্ব-সংশ্লেষণের নাল অনুমানের যৌথ পরিসংখ্যানগত তাত্পর্য সম্পর্কে কম-বেশি আত্মবিশ্বাসী হওয়া বা (বিকল্পভাবে ধরে নেওয়া যে আপনার কোনও দুর্বল সাদা আওয়াজের কাছাকাছি কিছু রয়েছে ) এবং একটি পার্সিমোনিয়াস মডেল তৈরি করা, যত কম সম্ভব প্যারামিটার সংখ্যা। $h$

সাধারণত সময় সিরিজ তথ্য এত ব্যবহারিক নিয়ম-অফ-থাম্ব সেট হবে, প্রাকৃতিক মৌসুমি প্যাটার্ন রয়েছে দুইবার এই মানে। অন্যটি হ'ল পূর্বাভাস দিগন্ত, যদি আপনি পূর্বাভাসের প্রয়োজনগুলির জন্য মডেলটি ব্যবহার করেন। শেষ অবধি যদি আপনি পরবর্তী ল্যাগগুলিতে কিছু উল্লেখযোগ্য প্রস্থান খুঁজে পান তবে সংশোধনগুলি সম্পর্কে চিন্তা করার চেষ্টা করুন (এটি কিছু মৌসুমী প্রভাবের কারণে হতে পারে, বা ডেটা বিদেশীদের জন্য সংশোধন করা হয়নি)। $h$

H এর জন্য একটি একক মান ব্যবহার করার পরিবর্তে, মনে করুন যে আমি সমস্ত এইচ <50 এর জন্য ল্জুং-বাক্স পরীক্ষা করি এবং তারপরে ন্যূনতম পি মান দেয় এমন h টি চয়ন করি।

এটি একটি যৌথ তাত্পর্য পরীক্ষা, সুতরাং এর পছন্দটি যদি ডেটা-চালিত হয় তবে আমি কেন চেয়ে কম কোনও ল্যাগে কিছু ছোট (মাঝে মধ্যে?) যাত্রা সম্পর্কে যত্ন নেব , মনে করি এটি অবশ্যই এর চেয়ে কম (শক্তি) আপনি উল্লিখিত পরীক্ষার)। একটি সাধারণ তবুও প্রাসঙ্গিক মডেল সন্ধানের জন্য আমি নীচে বর্ণিত তথ্যের মানদণ্ডটি প্রস্তাব করছি। $h$ $h$ $n$

আমার প্রশ্নটি পরীক্ষার ব্যাখ্যা কীভাবে দিতে হবে যদি কিছু মানের জন্য এবং অন্য মানের জন্য না হয়। $p<0.05$ $h$

সুতরাং এটি বর্তমান থেকে কতটা ঘটে তার উপর নির্ভর করবে। সুদূর প্রস্থানের অসুবিধাগুলি: অনুমান করার জন্য আরও বেশি পরামিতি, স্বাধীনতার কম ডিগ্রি, মডেলের আরও খারাপ ভবিষ্যদ্বাণীপূর্ণ শক্তি।

যেখানে প্রস্থান ঘটে সেই ব্যবস্থায় এমএ এবং \ বা এআর অংশগুলি সহ মডেলটি অনুমান করার চেষ্টা করুন এবং অতিরিক্ত তথ্যের মানদণ্ডগুলির মধ্যে একটিও দেখুন (নমুনা আকারের উপর নির্ভর করে এআইসি বা বিআইসি হয়) এটি আপনাকে কী মডেলটি আরও বেশি তা সম্পর্কে আরও অন্তর্দৃষ্টি এনে দেবে মিতব্যায়ী। কোনও নমুনা পূর্বাভাস অনুশীলন এখানে স্বাগত।

— দিমিত্রিজ সেলভ
সূত্র

+1, এটি আমি প্রকাশ করার চেষ্টা করছিলাম কিন্তু সক্ষম হইনি :)

— এমপিটকাস

8

ধরে নিন যে আমরা একটি সাধারণ এআর (1) মডেল নির্দিষ্ট করে রেখেছি সমস্ত সাধারণ বৈশিষ্ট্য সহ,

y_{t} = β y_{t - 1} + u_{t}

$y_t = \beta y_{t-1} + u_t$

ত্রুটি শর্ত হিসাবে তাত্ত্বিক covariance হিসাবে চিহ্নিত করুন

γ_{j} \equiv E (u_{t} u_{t - j})

$\gamma_j \equiv E(u_tu_{t-j})$

আমরা যদি ত্রুটি শর্তটি পর্যবেক্ষণ করতে পারি তবে ত্রুটি শর্তের নমুনা স্বতঃসংশ্লিষ্ট হিসাবে সংজ্ঞায়িত করা হয়

{\tilde{ρ}}_{j} \equiv \frac{{\tilde{γ}}_{j}}{{\tilde{γ}}_{0}}

$\tilde \rho_j \equiv \frac {\tilde \gamma_j}{\tilde \gamma_0}$

কোথায়

{\tilde{γ}}_{j} \equiv \frac{1}{n} \sum_{t = j + 1}^{n} u_{t} u_{t - j}, j = 0, 1, 2...

$\tilde\gamma_j \equiv \frac 1n \sum_{t=j+1}^nu_tu_{t-j},\;\;\; j=0,1,2...$

তবে বাস্তবে, আমরা ত্রুটি শব্দটি পালন করি না। সুতরাং ত্রুটি শব্দটির সাথে সম্পর্কিত নমুনা স্বতঃসংশ্লিষ্টতা হিসাবে অনুমান থেকে অবশিষ্টাংশগুলি ব্যবহার করে অনুমান করা হবে

{\hat{γ}}_{j} \equiv \frac{1}{n} \sum_{t = j + 1}^{n} {\hat{u}}_{t} {\hat{u}}_{t - j}, j = 0, 1, 2...

$\hat\gamma_j \equiv \frac 1n \sum_{t=j+1}^n\hat u_t\hat u_{t-j},\;\;\; j=0,1,2...$

বক্স-পিয়ার্স কিউ-স্ট্যাটিস্টিক (ল্যাং-বক্স কিউ এর কেবল একটি তাত্পর্যপূর্ণ নিরপেক্ষ আকারযুক্ত সংস্করণ)

Q_{B P} = n \sum_{j = 1}^{p} {\hat{ρ}}_{j}^{2} = \sum_{j = 1}^{p} [\sqrt{n} {\hat{ρ}}_{j}]^{2} \overset{d}{\to} ? ? ? χ^{2} (p)

$Q_{BP} = n \sum_{j=1}^p\hat\rho^2_j = \sum_{j=1}^p[\sqrt n\hat\rho_j]^2\xrightarrow{d} \;???\;\chi^2(p)$

আমাদের সমস্যাটি হ'ল এই মডেলটিতে asympototically একটি চি-বর্গ বিতরণ (ত্রুটির শর্তে নো-স্ব-সংক্রান্তির শূন্যের নীচে) বলা যেতে পারে। এটি হওয়ার জন্য, প্রত্যেকে এবং everyone এর প্রত্যেককে $Q_{BP}$
এসিম্পটোটিকভাবে আদর্শ স্বাভাবিক হতে হবে। এটি যাচাইয়ের একটি উপায় examine কিনা তা পরীক্ষা করা $\sqrt n \hat\rho_j$ হিসাবে একই asymptotic ডিস্ট্রিবিউশন আছে $\sqrt n \hat\rho$ (যা সত্য ত্রুটিগুলি ব্যবহার করে নির্মিত হয়েছে, এবং তাই শূন্যের নীচে কাঙ্ক্ষিত অ্যাসিম্পোটোটিক আচরণ রয়েছে)। $\sqrt n \tilde\rho$

আমাদের তা আছে

{\hat{u}}_{t} = y_{t} - \hat{β} y_{t - 1} = u_{t} - (\hat{β} - β) y_{t - 1}

$\hat u_t = y_t - \hat \beta y_{t-1} = u_t - (\hat \beta - \beta)y_{t-1}$

যেখানে সঙ্গতিপূর্ণ মূল্নির্ধারক হয়। সুতরাং $\hat \beta$

{\hat{γ}}_{j} \equiv \frac{1}{n} \sum_{t = j + 1}^{n} [u_{t} - (\hat{β} - β) y_{t - 1}] [u_{t - j} - (\hat{β} - β) y_{t - j - 1}]

$\hat\gamma_j \equiv \frac 1n \sum_{t=j+1}^n[u_t - (\hat \beta - \beta)y_{t-1}][u_{t-j} - (\hat \beta - \beta)y_{t-j-1}]$

= {\tilde{γ}}_{j} - \frac{1}{n} \sum_{t = j + 1}^{n} (\hat{β} - β) [u_{t} y_{t - j - 1} + u_{t - j} y_{t - 1}] + \frac{1}{n} \sum_{t = j + 1}^{n} (\hat{β} - β)^{2} y_{t - 1} y_{t - j - 1}

$=\tilde \gamma _j -\frac 1n \sum_{t=j+1}^n (\hat \beta - \beta)\big[u_ty_{t-j-1} +u_{t-j}y_{t-1}\big] + \frac 1n \sum_{t=j+1}^n(\hat \beta - \beta)^2y_{t-1}y_{t-j-1}$

নমুনাটি স্থিতিশীল এবং এরগোডিক হিসাবে ধরে নেওয়া হয় এবং মুহুর্তগুলি পছন্দসই অর্ডার না হওয়া অবধি বিদ্যমান বলে ধরে নেওয়া হয়। যেহেতু মূল্নির্ধারক সামঞ্জস্যপূর্ণ, এই যথেষ্ট দুই অঙ্কের শূন্য যেতে হয়। সুতরাং আমরা উপসংহার $\hat \beta$

{\hat{γ}}_{j} \overset{p}{\to} {\tilde{γ}}_{j}

$\hat \gamma_j \xrightarrow{p} \tilde \gamma_j$

এটা ব্যাখ্যা করে যে

{\hat{ρ}}_{j} \overset{p}{\to} {\tilde{ρ}}_{j} \overset{p}{\to} ρ_{j}

$\hat \rho_j \xrightarrow{p} \tilde \rho_j \xrightarrow{p} \rho_j$

তবে এটি স্বয়ংক্রিয়ভাবে গ্যারান্টি দেয় না -র দিকে এগোয় $\sqrt n \hat \rho_j$ $\sqrt n\tilde \rho_j$ (বিতরণে) (মনে করুন যে এখানে অবিচ্ছিন্ন ম্যাপিং উপপাদ্য প্রযোজ্য নয় কারণ এলোমেলো ভেরিয়েবলগুলিতে প্রয়োগ করা রূপান্তরউপর নির্ভর করে)। এটি হওয়ার জন্য, আমাদের প্রয়োজন $n$

\sqrt{n} {\hat{γ}}_{j} \overset{d}{\to} \sqrt{n} {\tilde{γ}}_{j}

$\sqrt n \hat \gamma_j \xrightarrow{d} \sqrt n \tilde \gamma_j$

(ডিনোমিনেটর -াল্ডি বা টুপি- উভয় ক্ষেত্রে ত্রুটির শর্তের পরিবর্তনে রূপান্তরিত হবে, সুতরাং এটি আমাদের ইস্যুতে নিরপেক্ষ)। $\gamma_0$

আমাদের আছে

\sqrt{n} {\hat{γ}}_{j} = \sqrt{n} {\tilde{γ}}_{j} - \frac{1}{n} \sum_{t = j + 1}^{n} \sqrt{n} (\hat{β} - β) [u_{t} y_{t - j - 1} + u_{t - j} y_{t - 1}] + \frac{1}{n} \sum_{t = j + 1}^{n} \sqrt{n} (\hat{β} - β)^{2} y_{t - 1} y_{t - j - 1}

$\sqrt n \hat \gamma_j =\sqrt n\tilde \gamma _j -\frac 1n \sum_{t=j+1}^n \sqrt n(\hat \beta - \beta)\big[u_ty_{t-j-1} +u_{t-j}y_{t-1}\big] \\+ \frac 1n \sum_{t=j+1}^n\sqrt n(\hat \beta - \beta)^2y_{t-1}y_{t-j-1}$

সুতরাং প্রশ্নটি হ'ল: এই দুটি যোগফলটি এখন দ্বারা গুণিত করুন , সম্ভাবনার শূন্যে যান যাতে আমাদের with দিয়ে যায় $\sqrt n$ asyptotically? $\sqrt n \hat \gamma_j =\sqrt n\tilde \gamma _j$

দ্বিতীয় যোগফলের জন্য আমাদের আছে

\frac{1}{এন} Σ_{টি = ঞ + + 1}^{এন} \sqrt{এন} (\hat{β} - β)^{2} Y_{টি - 1} Y_{টি - ঞ - 1} = \frac{1}{এন} Σ_{টি = ঞ + + 1}^{এন} [\sqrt{এন} (\hat{β} - β)] [(\hat{β} - β) Y_{টি - 1} Y_{টি - ঞ - 1}]

$\frac 1n \sum_{t=j+1}^n\sqrt n(\hat \beta - \beta)^2y_{t-1}y_{t-j-1} = \frac 1n \sum_{t=j+1}^n\big[\sqrt n(\hat \beta - \beta)][(\hat \beta - \beta)y_{t-1}y_{t-j-1}]$

যেহেতু একটি এলোপাতাড়ি ভেরিয়েবলের-র দিকে এগোয়, এবং সামঞ্জস্যপূর্ণ, এই শূন্য যাবে। $[\sqrt n(\hat \beta - \beta)]$ $\hat \beta$

প্রথম অঙ্কের জন্য, এখানেও আমাদের কাছে এটি একটি এলোপাতাড়ি ভেরিয়েবলের-র দিকে এগোয়, এবং তাই আমরা যে আছে $[\sqrt n(\hat \beta - \beta)]$

\frac{1}{এন} Σ_{টি = ঞ + + 1}^{এন} [{তোমার দর্শন লগ করা}_{টি} Y_{টি - ঞ - 1} + + {তোমার দর্শন লগ করা}_{টি - ঞ} Y_{টি - 1}] \overset{পি}{\to} ই [{তোমার দর্শন লগ করা}_{টি} Y_{টি - ঞ - 1}] + + ই [{তোমার দর্শন লগ করা}_{টি - ঞ} Y_{টি - 1}]

$\frac 1n \sum_{t=j+1}^n \big[u_ty_{t-j-1} +u_{t-j}y_{t-1}\big] \xrightarrow{p} E[u_ty_{t-j-1}] + E[u_{t-j}y_{t-1}]$

প্রথম প্রত্যাশিত মান, স্ট্যান্ডার্ড এআর (1) মডেলের অনুমান দ্বারা শূন্য। তবে দ্বিতীয় প্রত্যাশিত মানটি হয় না , যেহেতু নির্ভরশীল চলকটি অতীতের ত্রুটির উপর নির্ভর করে। $E[u_ty_{t-j-1}]$

সুতরাং হিসাবে একই asymptotic বন্টন হবে না $\sqrt n\hat \rho_j$ । তবে পরবর্তীটির অ্যাসিম্পটোটিক বিতরণ স্ট্যান্ডার্ড নরমাল, যা আরভি স্কোয়ার করার সময় চি-স্কোয়ার ডিস্ট্রিবিউশনের দিকে নিয়ে যায় $\sqrt n\tilde \rho_j$

সুতরাং আমরা উপসংহারে পৌঁছেছি যে খাঁটি সময়ের সিরিজের মডেলটিতে বক্স-পিয়ার্স কিউ এবং ল্যাং-বক্স কিউ পরিসংখ্যানকে অ্যাসিম্পটোটিক চি-স্কোয়ার বিতরণ বলা যায় না, তাই পরীক্ষাটি তার অ্যাসিম্পটোটিক ন্যায়সঙ্গততা হারায়।

এটি ঘটে কারণ নকশার দ্বারা ডান-হাত পার্শ্বের চলক (এখানে নির্ভরশীল পরিবর্তনশীলের ব্যবধানটি ) ত্রুটি শর্তের জন্য কঠোরভাবে বহিরাগত নয় এবং আমরা খুঁজে পেয়েছি যে বিপি / এলবি কিউ-স্ট্যাটিস্টিকের জন্য এই জাতীয় কঠোর বহিরাগততা প্রয়োজন পোস্টুলেটেড অ্যাসিপটোটিক বিতরণ।

এখানে ডান পাশের ভেরিয়েবলটি কেবলমাত্র "পূর্বনির্ধারিত" এবং ব্রুশ-পৌত্তলিক পরীক্ষাটি তখন বৈধ। (অ্যাসেম্পোটোটিক্যালি বৈধ পরীক্ষার জন্য প্রয়োজনীয় শর্তাদির সম্পূর্ণ সেটগুলির জন্য হায়াশি 2000, পৃষ্ঠা 146-149 দেখুন)।

— আলেকোস পাপাদোপ্লোস
সূত্র

1

আপনি লিখেছেন "তবে দ্বিতীয় প্রত্যাশিত মানটি হয় না, যেহেতু নির্ভরশীল চলকটি পূর্ববর্তী ত্রুটির উপর নির্ভর করে।" এটাকে বলা হয় কঠোর প্রসূততা । আমি সম্মত হই যে এটি একটি শক্তিশালী অনুমান, এবং আপনি এটি ছাড়া এআর (পি) কাঠামোটি তৈরি করতে পারেন, কেবল দুর্বল এক্সোজেনটি ব্যবহার করে । এই কারণেই ব্রুশ-গডফ্রে পরীক্ষাটি কোনও অর্থে আরও ভাল : যদি নালটি সত্য না হয়, তবে বিএল শক্তি হারাবে। বিজি দুর্বল বহিরাগততার উপর ভিত্তি করে। উভয় পরীক্ষা কিছু সাধারণ একনোমেট্রিক, অ্যাপ্লিকেশনগুলির জন্য ভাল নয়, উদাহরণস্বরূপ দেখুন এই স্টাতার উপস্থাপনা, পৃষ্ঠা। 4/44।

— আকসকল

3

@ আকসাল রেফারেন্সের জন্য ধন্যবাদ। মুল বক্তব্যটি হ'ল কঠোর অযৌক্তিকতা ছাড়াই বক্স-পিয়ার্স / লজুং-বাক্সে অ্যাসিম্পোটিক চি-স্কোয়ার বিতরণ নেই, উপরের গণিত এটি দেখায়। দুর্বলতা বৃদ্ধির জন্য (যা উপরোক্ত মডেল ধারণ করে) তাদের পক্ষে যথেষ্ট নয়। আপনি যা উপস্থাপনাটির সাথে লিঙ্ক করেছেন এটি হ'ল পি। 3/44।

— অ্যালেকোস পাপাদোপল্লোস

2

@ আলেকোসপ্যাডাপোলোস, একটি আশ্চর্যজনক পোস্ট !!! ক্রস যাচাইকরণে আমি এখানে সেরা কয়েকজনের মুখোমুখি হয়েছি। আমি কেবল এই দীর্ঘ থ্রেডে অদৃশ্য হয়ে যেতে না চাই এবং অনেক ব্যবহারকারী ভবিষ্যতে এটির দ্বারা এটি খুঁজে পেতে এবং উপকৃত হতে চান wish

— রিচার্ড হার্ডি

3

"ডান" এইচটিতে শূন্য-ইন করার আগে (যা একটি শক্ত নিয়মের চেয়ে মতামত হিসাবে বেশি প্রদর্শিত হয়), নিশ্চিত করুন যে "ল্যাগ" সঠিকভাবে সংজ্ঞায়িত হয়েছে।

http://www.stat.pitt.edu/stoffer/tsa2/Rissues.htm

উপরের লিঙ্কে 4 ইস্যু নীচের অংশটি উদ্ধৃত:

".... লুং-বক্স পরিসংখ্যানের প্লটের জন্য দেখানো পি-মানগুলি ভুল কারণ প-মানগুলি গণনা করতে ব্যবহৃত স্বাধীনতার ডিগ্রিগুলি ল্যাগ - (পি + কিউ) এর পরিবর্তে পিছিয়ে থাকে That অর্থাৎ, প্রক্রিয়াটি ব্যবহৃত হচ্ছে অবশিষ্টাংশগুলি কোনও লাগানো মডেল থেকে আসে তা গ্রাহ্য করে না। এবং হ্যাঁ, কমপক্ষে একজন আর কোর বিকাশকারী এটি জানেন ... "

সম্পাদনা (01/23/2011): এখানে বার্নসের একটি নিবন্ধ যা সহায়তা করতে পারে:

http://lib.stat.cmu.edu/S/Spoetry/Working/ljungbox.pdf

— bill_080
সূত্র

@ বিলি ৮০৮০, ওপিতে আর-এর উল্লেখ করা হয়নি, এবং বক্সেস্টের জন্য সহায়তার পৃষ্ঠাটিতে আর-এর সংশোধনের উল্লেখ রয়েছে এবং সংশোধনের অনুমতি দেওয়ার পক্ষে যুক্তি রয়েছে, যদিও আপনাকে এটি ম্যানুয়ালি সরবরাহ করতে হবে।

— এমপিটিকাস

@ এমপিক্টাস, উফ, আপনি ঠিক বলেছেন আমি ধরে নিয়েছিলাম এটি একটি আর প্রশ্ন। আপনার মন্তব্যের দ্বিতীয় অংশ হিসাবে, বেশ কয়েকটি আর প্যাকেজ রয়েছে যা লাজং-বক্সের পরিসংখ্যান ব্যবহার করে। সুতরাং, ব্যবহারকারী প্যাকেজের "ল্যাগ" এর অর্থ কী তা বোঝে তা নিশ্চিত করে নেওয়া একটি ভাল ধারণা।

— বিল 8080

ধন্যবাদ - আমি আর ব্যবহার করছি, তবে প্রশ্নটি একটি সাধারণ। কেবল নিরাপদে থাকার জন্য, আমি পোর্টস প্যাকেজে লজংবক্স ফাংশন, পাশাপাশি বক্স.স্টেস্ট পরীক্ষা করছিলাম।

— ব্যবহারকারী 2875

2

"স্বতঃসংশ্লিষ্টকরণের জন্য টেস্টিং: লাজং-বক্স বনাম ব্রুশ-গডফ্রে" থ্রেডটি দেখায় যে লজং-বাক্স পরীক্ষাটি একটি স্বতঃসংশ্লিষ্ট মডেলের ক্ষেত্রে মূলত প্রয়োগযোগ্য নয়। এটি আরও দেখায় যে পরিবর্তে ব্রুশ-গডফ্রে পরীক্ষা ব্যবহার করা উচিত। এটি আপনার প্রশ্নের প্রাসঙ্গিকতা এবং উত্তরগুলিকে সীমাবদ্ধ করে (যদিও উত্তরগুলিতে সাধারণত কিছু ভাল পয়েন্ট থাকতে পারে)।

— রিচার্ড হার্ডি
সূত্র

এলবি পরীক্ষার ঝামেলাটি যখন অটোরিগ্রেসিভ মডেলগুলিতে অন্যান্য রেজিস্ট্রার থাকে, যেমন এআরএমএক্স এআরএম মডেলগুলি না। ওপি স্পষ্টভাবে প্রশ্নের মধ্যে ARMAX নয় আর্মাকে বলে X সুতরাং, আমি মনে করি যে আপনার উত্তরটি ভুল।

— আকসকল

@ আকসাকাল, আমি উপরে বর্ণিত থ্রেডে আলেকোস পাপাদোপল্লোসের উত্তর (এবং এর অধীনে মন্তব্যগুলি) থেকে স্পষ্ট দেখতে পাচ্ছি যে লজং-বক্স পরীক্ষা উভয় ক্ষেত্রেই প্রয়োগযোগ্য নয়, যেমন খাঁটি এআর / এআরএমএ এবং এআরএক্স / এআরএমএক্স X সুতরাং, আমি আপনার সাথে একমত হতে পারে না।

— রিচার্ড হার্ডি

আলেকোস পাপাদোপল্লোসের উত্তর ভাল তবে অসম্পূর্ণ। এটি লাজং-বক্স টেস্টের কঠোর অযৌক্তিকতা অনুমানের দিকে ইঙ্গিত করে তবে এটি উল্লেখ করতে ব্যর্থ হয় যে আপনি যদি অনুমানের সাথে ভাল থাকেন তবে এলবি পরীক্ষাটি ব্যবহার করা ঠিক। বিজি টেস্ট, যা তিনি এবং আমি এলবির চেয়ে বেশি পছন্দ করি, দুর্বল অজস্রতার উপর নির্ভর করে। অবশ্যই দুর্বল অনুমান নিয়ে পরীক্ষাগুলি ব্যবহার করা অবশ্যই ভাল। যাইহোক, এমনকি বিজি পরীক্ষার অনুমানগুলি অনেক ক্ষেত্রে খুব শক্তিশালী।

— আকসকল

@ আকসকল, এই প্রশ্নের সেটিংটি বেশ সুনির্দিষ্ট - এটি একটি এআরএমএ মডেলের অবশিষ্টাংশকে বিবেচনা করে। এখানে গুরুত্বপূর্ণ বিষয়টি হ'ল, এলজি কাজ করে না (যেমন এলেকোসের পোস্টে স্পষ্টরূপে দেখানো হয়েছে পাশাপাশি উপরোক্ত উদ্ধৃত থ্রেড) যখন বিজি পরীক্ষাটি কাজ করে। অবশ্যই, অন্যান্য সেটিংসে জিনিসগুলি ঘটতে পারে ( এমনকি বিজি পরীক্ষার অনুমানগুলি অনেক ক্ষেত্রে খুব শক্তিশালী ) - তবে এটি এই থ্রেডের উদ্বেগ নয়। এছাড়াও, আপনার বক্তব্যটিতে অনুমানটি কী তা আমি পাইনি যদি আপনি অনুমানের সাথে ঠিক থাকেন তবে এলবি পরীক্ষাটি ব্যবহার করা ঠিক । এটি কি আলেকোস পয়েন্টকে অবৈধ করার কথা?

— রিচার্ড হার্ডি

1

এস্কানসিয়ানো এবং লোবাটো পিয়ার্স-বক্স পরীক্ষা এবং এর পরিশোধনগুলির (যার মধ্যে লজং-বাক্স পরীক্ষার অন্তর্ভুক্ত) উপর ভিত্তি করে স্বয়ংক্রিয়, ডেটা-চালিত ল্যাগ নির্বাচন সহ একটি পোর্টম্যানট্যো পরীক্ষা তৈরি করেছিলেন।

তাদের পদ্ধতির সূত্রটি হ'ল এআইসি এবং বিআইসির মানদণ্ডগুলি সমন্বিত করা - এটিআরএমএ মডেলগুলির সনাক্তকরণ এবং অনুমানের মধ্যে সাধারণ --- ব্যবহারের জন্য উপযুক্ত সংখ্যা নির্বাচন করতে। তাদের প্রবর্তনের মধ্যে সুপারিশ করে যে, স্বজ্ঞাতভাবে, `B বিআইসির মানদণ্ড ব্যবহার করে পরিচালিত পরীক্ষাটি টাইপ আই ত্রুটির জন্য সঠিকভাবে নিয়ন্ত্রণ করতে সক্ষম হয় এবং সিরিয়াল পারস্পরিক সম্পর্ক প্রথম ক্রমে উপস্থিত থাকলে আরও শক্তিশালী হয় ''। পরিবর্তে, এআইসির উপর ভিত্তি করে পরীক্ষাগুলি হাই অর্ডার সিরিয়াল সম্পর্কের বিরুদ্ধে আরও শক্তিশালী। তাদের পদ্ধতিটি এমনভাবে একটি বিআইসি-টাইপ লেগ নির্বাচন বেছে নিয়েছিল যে স্বতঃসংশ্লিষ্টতা কেবলমাত্র কম ক্রমে ছোট এবং উপস্থিত রয়েছে এবং অন্যথায় এআইসির ধরণের ল্যাগ বিভাগ।

পরীক্ষাটি Rপ্যাকেজে কার্যকর করা হয় vrtest(ফাংশন দেখুন Auto.Q)।

— Ryogi
সূত্র

1

$\min(20,T-1)$ $\ln T$ $T$

প্রথমটি বাক্স, জেনকিনস এবং রিনসেলের রচয়িতা বইয়ের বলে মনে করা হচ্ছে। সময় সিরিজ বিশ্লেষণ: পূর্বাভাস এবং নিয়ন্ত্রণ। তৃতীয় সংস্করণ এনগলউড ক্লিফস, এনজে: প্রিন্টাইস হল, 1994 .. তবে, এখানে পৃষ্ঠাগুলি সম্পর্কে তারা যা বলছেন এখানে 33.3।

এটি কোনও উপায়ে দৃ strong় তর্ক বা পরামর্শ নয়, তবুও লোকেরা এটি এক জায়গা থেকে অন্য জায়গায় পুনরাবৃত্তি করে চলেছে।

পিছিয়ে পড়ার জন্য দ্বিতীয় সেটিং হ'ল ফিনান্সিয়াল টাইম সিরিজের আরএস অ্যানালাইসিস স্যাসে। ২ য় এড। হোবোকেন, এনজে: জন উইলি অ্যান্ড সন্স, ইনক। ২০০৫, পৃষ্ঠা ৩৩ এ তিনি এখানে লিখেছেন:

মিটার বিভিন্ন মান প্রায়শই ব্যবহৃত হয়। সিমুলেশন অধ্যয়নের পরামর্শ দেয় যে মাইল (টি) এর পছন্দটি আরও ভাল পারফরম্যান্স সরবরাহ করে।

এটি কিছুটা দৃ stronger় যুক্তি, তবে কী ধরণের গবেষণা করা হয়েছিল তার কোনও বিবরণ নেই। সুতরাং, আমি এটি একটি মূল্যের মান নেব না। তিনি মৌসুমী সম্পর্কেও সতর্ক করেছেন:

এই সাধারণ নিয়মের seasonতুকালীন সিরিজের বিশ্লেষণে সংশোধন প্রয়োজন যার জন্য seasonতুপর্ণের বহুগুণে ল্যাগ সহ স্বতঃসংশ্লিষ্টতা আরও গুরুত্বপূর্ণ are

সংক্ষিপ্তসার, আপনি যদি পরীক্ষায় কিছুটা পিছিয়ে পড়ার দরকার পড়ে এবং এগিয়ে যান, তবে আপনি এই সেটিংগুলির মধ্যে যে কোনওটি ব্যবহার করতে পারেন এবং এটি দুর্দান্ত, কারণ বেশিরভাগ অনুশীলনকারীরা তাই করেন। আমরা হয় অলস বা সম্ভবত, এই স্টাফ জন্য সময় নেই। অন্যথায়, আপনি যে সিরিজের সাথে লেনদেন করেছেন তার পরিসংখ্যানগুলির শক্তি এবং বৈশিষ্ট্যগুলি সম্পর্কে আপনার নিজের গবেষণা পরিচালনা করতে হবে।

হালনাগাদ.

রিচার্ড হার্ডির মন্তব্য এবং তার উত্তরের এখানে আমার উত্তর, যা সিভিতে শুরু হওয়া অন্য থ্রেডকে বোঝায় । আপনি দেখতে পাচ্ছেন যে সেই থ্রেডে গৃহীত (রিচার্ড হার্ডি নিজেই) উত্তরে বর্ণিত বিবরণ স্পষ্টতই এআরএমএক্স মডেলের উপর ভিত্তি করে, অর্থাৎ এক্সওজেনাস রেজিস্ট্রার্স সহ মডেল $x_t$

y_{t} = x_{t}^{'} β + ϕ (L) y_{t} + u_{t}

$y_t = \mathbf x_t'\beta + \phi(L)y_t + u_t$

তবে ওপি ইঙ্গিত দেয়নি যে তিনি আর্মাক্স করছেন, বিপরীতে, তিনি স্পষ্টতই এআরএমএ উল্লেখ করেছেন:

একটি এআরএমএ মডেল কোনও সময়ের সিরিজের সাথে মানানসই হওয়ার পরে, লজং-বক্স পোর্টম্যানট্যু পরীক্ষার মাধ্যমে অবশিষ্টাংশগুলি পরীক্ষা করা সাধারণ is

প্রথম গবেষণাপত্রগুলির মধ্যে একটি যা এলবি পরীক্ষার সাথে একটি সম্ভাব্য ইস্যুটির দিকে ইঙ্গিত করেছিল, সে হ'ল দেহবক্ষ, হাশেম (1990)। " ডায়নামিক লিনিয়ার মডেলগুলিতে সিরিয়াল সম্পর্ক সম্পর্কিত টেস্টগুলির অনুপযুক্ত ব্যবহার ," অর্থনীতি এবং পরিসংখ্যানের পর্যালোচনা, 72, 126–132। কাগজ থেকে উদ্ধৃত অংশটি এখানে:

আপনি দেখতে পাচ্ছেন, খাঁটি সময় সিরিজের মডেল যেমন এআরএমএর জন্য এলবি পরীক্ষা ব্যবহার করতে তিনি আপত্তি করেন না। আরও দেখুন আলোচনা ম্যানুয়াল একটি প্রমিত ইকোনোমেট্রিক্স টুল EViews করুন:

সিরিজটি যদি এআরআইএমএ অনুমানের অবশিষ্টাংশকে উপস্থাপন করে, তবে পূর্বে অনুমান হওয়া এআর এবং এমএ শর্তগুলির চেয়ে কম স্বতঃসংশোধনের সংখ্যা উপস্থাপনের জন্য স্বাধীনতার উপযুক্ত ডিগ্রিগুলি সমন্বয় করা উচিত। এও লক্ষ্য করুন যে একটি এআরএমএক্স স্পেসিফিকেশন থেকে অবশিষ্টাংশগুলিতে প্রয়োগ করা ল্যাং-বক্স পরীক্ষার ফলাফল ব্যাখ্যা করার ক্ষেত্রে কিছুটা যত্ন নেওয়া উচিত (এই সেটিংয়ে পরীক্ষার সীমাবদ্ধ নমুনা কর্মক্ষেত্রে সিমুলেশন প্রমাণের জন্য দেজবক্ষ, ১৯৯০ দেখুন)

হ্যাঁ, আপনাকে এআরএমএক্স মডেল এবং এলবি পরীক্ষার বিষয়ে সতর্ক থাকতে হবে, তবে আপনি কোনও কম্বল স্টেটমেন্ট দিতে পারবেন না যে সমস্ত অটোরেগ্রেসিভ সিরিজের জন্য এলবি পরীক্ষা সর্বদা ভুল।

আপডেট 2

আলেকোস পাপাদোপল্লোসের উত্তরটি দেখায় যে কেন লুং-বক্স পরীক্ষার জন্য কঠোরভাবে exogeneity অনুমানের প্রয়োজন। তিনি এটি তার পোস্টে দেখান না, তবে ব্রুশ-জিপিডিফ্রে টেস্ট (অন্য একটি বিকল্প পরীক্ষা) এর জন্য কেবল দুর্বল এক্সোজিনিটি প্রয়োজন , এটি অবশ্যই ভাল। এটি গ্রিন, একনোমেট্রিক্স, 7 ম এড। পরীক্ষার মধ্যে পার্থক্য সম্পর্কে বলেছেন, p.923:

$x_t$ $\varepsilon_s$ $x_t$

— Aksakal
সূত্র

আমি অনুমান করি যে আপনি আমার সাম্প্রতিক উত্তরের মাধ্যমে সক্রিয় থ্রেডের শীর্ষে চাপ দিয়েছিলেন বলে আপনি প্রশ্নের উত্তর দেওয়ার সিদ্ধান্ত নিয়েছেন। কৌতূহলজনকভাবে, আমি যুক্তি দিচ্ছি যে পরীক্ষাটি বিবেচনাধীন সেটিংয়ে অনুপযুক্ত, পুরো থ্রেডকে সমস্যাযুক্ত এবং এর উত্তরগুলি বিশেষত তাই। আপনি কি মনে করেন যে আরও একটি উত্তর পোস্ট করা ভাল অনুশীলন যা উল্লেখ না করেই এই সমস্যাটিকে উপেক্ষা করে (ঠিক আগের সমস্ত উত্তরগুলির মতো করে)? অথবা আপনি কি মনে করেন যে আমার উত্তরটি কোনও অর্থবোধ করে না (যা আপনার মতো উত্তর পোস্ট করা ন্যায়সঙ্গত হবে)?

— রিচার্ড হার্ডি

একটি আপডেটের জন্য আপনাকে ধন্যবাদ! আমি কোনও বিশেষজ্ঞ নই, তবে আলেকোস পাপাদোপল্লোসের যুক্তি " পরীক্ষা: লুং-বক্স বনাম ব্রুশ-গডফ্রে" এবং তার উত্তরের মন্তব্যগুলিতে -বাক্স প্রকৃতপক্ষে অনুপযুক্ত ( আর্মাক্স) মডেল। শব্দটি যদি বিভ্রান্তিকর হয় তবে সেখানে গণিতগুলি পরীক্ষা করুন, এটি দুর্দান্ত বলে মনে হচ্ছে। আমি মনে করি এটি একটি খুব আকর্ষণীয় এবং গুরুত্বপূর্ণ প্রশ্ন, তাই আমি সত্যিই এখানে আমাদের সবার মধ্যে চুক্তি খুঁজে পেতে চাই।

— রিচার্ড হার্ডি

0

... এইচডি পরিস্থিতিতে পরিস্থিতিতে যতটুকু শক্তি থাকতে পারে তা সংরক্ষণ করার জন্য যতটা সম্ভব ছোট হওয়া উচিত। এইচ বিদ্যুতের ড্রপ বৃদ্ধি করে। এলবি পরীক্ষা একটি ভয়ঙ্কর দুর্বল পরীক্ষা; আপনার অবশ্যই প্রচুর নমুনা থাকতে হবে; অর্থপূর্ণ হতে n হতে হবে 100 100 দুর্ভাগ্যক্রমে আমি এর চেয়ে ভাল পরীক্ষা আর দেখিনি। তবে সম্ভবত একটি বিদ্যমান। কেউ একজন জানেন?

Paul3nt

0

এর সঠিক কোনও উত্তর নেই যা অন্য পরিস্থিতিতে বলে যে এটি আপনার ডেটার উপর নির্ভর করবে বলে সমস্ত পরিস্থিতিতে কাজ করে।

$\mathrm{min}(\frac{n}{2}-2, 40)$

অবশ্যই সমস্ত ডিফল্ট ভুল এবং অবশ্যই কিছু পরিস্থিতিতে এটি ভুল হবে। অনেক পরিস্থিতিতে এটি শুরু করার জন্য খারাপ জায়গা নাও হতে পারে।

— বেঞ্জামিন মাকো পাহাড় Hill
সূত্র

0

আমাকে যদি আমাদের আর প্যাকেজ পরামর্শ দিতে দিন hwwntest । এটি ওয়াভলেট-ভিত্তিক সাদা শব্দ শোনার পরীক্ষাগুলি বাস্তবায়ন করেছে যার কোনও টিউনিং প্যারামিটারের প্রয়োজন হয় না এবং ভাল পরিসংখ্যানের আকার এবং শক্তি থাকে।

অধিকন্তু, আমি সম্প্রতি "ল্যাজং-বক্স টেস্টে চিন্তাভাবনা" খুঁজে পেয়েছি যা রব হ্যান্ডম্যানের বিষয় নিয়ে দুর্দান্ত আলোচনা।

আপডেট: এআরএমএক্স সম্পর্কিত এই থ্রেডে বিকল্প আলোচনার কথা বিবেচনা করে, এইচএমএনস্টেস্টের দিকে নজর দেওয়ার আরেকটি প্ররোচনা হ'ল এআরএমএ (পি, কিউ) মডেলের বিকল্প অনুমানের বিরুদ্ধে পরীক্ষার জন্য একটি তাত্ত্বিক শক্তি কার্যকারিতা উপলব্ধি করা।

— ডিলিয়ান সাবচেভ
সূত্র