কেন ভেক্টর ত্রুটি সংশোধন মডেল ব্যবহার করবেন?


30

আমি ভেক্টর ত্রুটি সংশোধন মডেল ( ভিসিএম ) সম্পর্কে বিভ্রান্ত ।

প্রযুক্তিগত পটভূমি:
ভিসিএম সংহত বহুভিত্তিক সময়ের সিরিজে ভেক্টর অটোরেগ্রেসিভ মডেল ( ভিএআর ) প্রয়োগ করার সম্ভাবনা সরবরাহ করে । পাঠ্যপুস্তকে তারা সংহত সময়ের সিরিজে ভিএআর প্রয়োগ করতে কিছু সমস্যার নাম লেখায় যার মধ্যে সর্বাধিক গুরুত্বপূর্ণ তথাকথিত স্পিউরিয়াস রিগ্রেশন (টি-পরিসংখ্যান অত্যন্ত তাত্পর্যপূর্ণ এবং আর ^ 2 উচ্চতর যদিও ভেরিয়েবলগুলির মধ্যে কোনও সম্পর্ক নেই)।

ভিসিএম অনুমানের প্রক্রিয়াটি মোটামুটি নিম্নলিখিত তিনটি ধাপ নিয়ে গঠিত, এর মধ্যে একটি বিভ্রান্তিকর প্রথমটি আমার জন্য:

  1. সংহত বহুভিত্তিক সময় সিরিজের জন্য একটি ভিএআর মডেলের নির্দিষ্টকরণ এবং অনুমান

  2. সমন্বয় সম্পর্কের সংখ্যা নির্ধারণের জন্য সম্ভাবনা অনুপাতের পরীক্ষাগুলি গণনা করুন

  3. সমন্বয়ের সংখ্যা নির্ধারণের পরে, ভিসিএম অনুমান করুন

প্রথম ধাপে একটি যথাযথ সংখ্যক ল্যাগ (ফিটের মানদণ্ডের স্বাভাবিক ধার্মিকতা ব্যবহার করে) সহ একটি ভিএআর মডেলটি অনুমান করে এবং তারপরে অবশিষ্টাংশগুলি মডেল অনুমানের সাথে মিল রাখে, যেমন সিরিয়াল পারস্পরিক সম্পর্ক এবং ভিন্ন ভিন্নতা এবং অনুমানগুলি সাধারণত বিতরণ করা হয় তা পরীক্ষা করে । সুতরাং, ভিএআর মডেলটি বহুবিধ সময় সিরিজের যথাযথভাবে বর্ণনা করে কিনা তা পরীক্ষা করে এবং একটি যদি তা করে তবেই পরবর্তী পদক্ষেপে এগিয়ে যায়।

এবং এখন আমার প্রশ্ন: যদি ভিএআর মডেলটি ডেটাগুলি ভালভাবে বর্ণনা করে তবে আমার কেন ভিসিএমের দরকার নেই ? যদি আমার লক্ষ্যটি পূর্বাভাস উত্পন্ন করা হয় , তবে কোনও ভিএআর অনুমান করা এবং অনুমানগুলি পরীক্ষা করা কি যথেষ্ট নয় এবং যদি সেগুলি পূরণ হয়, তবে কেবল এই মডেলটি ব্যবহার করবেন?


2
আমি এটি বুঝতে পারি, একটি ভিসিএম একটি ভিএআর যেখানে নির্ভরশীল ভেরিয়েবলগুলি সমবায় স্টেশনিয় নয়, তবে তাদের প্রথম পার্থক্যগুলি। সুতরাং আপনার পদক্ষেপ # 1 এ, আমি মনে করি না যে আপনার বিবরণটি সম্পূর্ণ হয়েছে।
ওয়েইন

2
হ্যালো ওয়েইন, ঠিক আছে, এটি পার্থক্য-স্টেশনারি ডেটাতে VAR প্রয়োগ করার কথা। কেউ পার্থক্যকেন্দ্রিক ডেটার জন্য একটি ভিআর অনুমান করে এবং তারপরে সম্ভাব্য সমন্বয় পরীক্ষা করে আনুমানিক ভিএআর-এর অবশিষ্টাংশে কিছু পরীক্ষা প্রয়োগ করে। এবং তারপরে, যদি সেগুলি পূরণ হয়, তবে প্রক্রিয়াটি চালিয়ে যান: তবে আমি কেন বুঝতে পারছি না কেন কেবল এখানে থামিয়ে আনুমানিক, বৈধ ভিএআর ব্যবহার করবেন না?
ডেটাামাইনআর

2
আমি বিশ্বাস করি যে অবশিষ্টাংশের স্বাভাবিকতা কোনও ভিএআর মডেলের অন্তর্নিহিত অনুমান নয়, আপনি দ্বিতীয় থেকে শেষ অনুচ্ছেদে যা উল্লেখ করেছেন তার বিপরীতে।
রিচার্ড হার্ডি

ভিএআর এবং ভিইসিএম-এর মধ্যে পার্থক্য সহ-সংহতকরণের মধ্যে রয়েছে
এমেকা ওচিয়াবুত

উত্তর:


21

ভিসিএমের সর্বাধিক সুবিধা হ'ল দীর্ঘমেয়াদী এবং স্বল্পমেয়াদী সমীকরণের সাথে এর সুন্দর ব্যাখ্যা রয়েছে।

তত্ত্বের ক্ষেত্রে ভিসিএম হ'ল সমন্বিত ভিএআর এর একটি উপস্থাপনা। এই উপস্থাপনাটি গ্রেঞ্জারের প্রতিনিধিত্বমূলক উপপাদ্যের সৌজন্যে। সুতরাং আপনি যদি ভিএআর সমন্বিত করেন তবে এতে ভিসিএম উপস্থাপনা এবং তদ্বিপরীত রয়েছে।

অনুশীলনে আপনাকে সমন্বয়মূলক সম্পর্কের সংখ্যা নির্ধারণ করতে হবে। আপনি যখন এই নম্বরটি স্থির করেন আপনি ভিএআর মডেলের কয়েকটি সহগকে সীমাবদ্ধ করেন। সুতরাং ভিএআর-এর তুলনায় ভিসিএমের সুবিধা (যা আপনি ভিসিএম উপেক্ষা করার অনুমান করেন) তা হ'ল ভিসিএম উপস্থাপনের ফলে প্রাপ্ত ভিআর-এর আরও দক্ষ গুণফলের অনুমান রয়েছে।


গ্রেট !! এটি কি আপনার নিজস্ব বিবেচনা বা আপনি কোনও বই / কাগজকে উল্লেখ করছেন? দ্বিতীয়টি যদি হয় তবে আপনি কি উত্সটি সরবরাহ করতে পারেন?
ডেটাামাইনআর

4
ওয়েল গ্রেঞ্জার উপস্থাপনা উপপাদ্য একটি শাস্ত্রীয় ফলাফল। দক্ষতা সম্পর্কে বিবৃতিটি আমার নিজস্ব সংযোজন, যা সত্য থেকে উদ্ভূত, যদি আপনি অপ্রয়োজনীয় সহগের অনুমান করে তবে আপনি দক্ষতা হারাবেন।
এমপিটিকাস

17

আমি এমপিক্টাসের সাথে একমত হই যে ভেরিয়েবলের মধ্যে দীর্ঘমেয়াদী সম্পর্ক এবং ত্রুটি সংশোধনের সম্পর্কিত ধারণা সম্পর্কিত প্রবর্তন করে একটি ভিসিএমের সর্বাধিক আগ্রহের ফলাফলের ব্যাখ্যার মধ্যে রয়েছে, যেখানে একজন অধ্যয়ন করে যে দীর্ঘমেয়াদী থেকে বিচ্যুতি কীভাবে হয় "সংশোধিত"। এগুলি ছাড়াও, প্রকৃতপক্ষে, আপনার মডেলটি সঠিকভাবে নির্দিষ্ট করা থাকলে, ভিসিএম অনুমানগুলি আরও কার্যকর হবে (যেমন কোনও ভিসিএমের একটি সীমাবদ্ধ ভিএআর প্রতিনিধিত্ব রয়েছে, যখন ভিআর অনুমানের বিষয়টি সরাসরি বিবেচনায় নেবে না)।

তবে, আপনি যদি কেবল ভবিষ্যদ্বাণী করতে আগ্রহী হন, যেমনটি মনে হয়, আপনি ভিসিএমের এই দিকগুলিতে আগ্রহী নাও হতে পারেন। তদ্ব্যতীত, উপযুক্ত সমন্বয় র‌্যাঙ্ক নির্ধারণ করা এবং এই মানগুলি নির্ধারণ করা ছোট নমুনা ভুলগুলিকে প্ররোচিত করতে পারে, যাতে, সত্যিকারের মডেলটি যদি কোনও ভিইসিএম ছিল, এমনকি পূর্বাভাসের জন্য ভিএআর ব্যবহার করা আরও ভাল হতে পারে। অবশেষে, আপনার আগ্রহী পূর্বাভাসের দিগন্তের প্রশ্ন রয়েছে, যা মডেলটির পছন্দকে প্রভাবিত করে (এটি "সত্য" মডেল নির্বিশেষে)। যদি আমি ভালভাবে মনে করি, সাহিত্যের থেকে এক ধরণের বিপরীত ফলাফল রয়েছে, হফম্যান এবং রাশে বলেছেন ভিসিএমের সুবিধাগুলি কেবল দীর্ঘ দিগন্তে উপস্থিত হয়, তবে ক্রিস্টোফারসন এবং ডিয়েবোল্ড দাবি করেন যে আপনি দীর্ঘ মেয়াদে একটি ভিএআর দিয়ে ঠিক আছেন ...

সাহিত্য (একটি স্পষ্ট conক্যমত ছাড়াই) দিয়ে শুরু হবে:

  • পিটার এফ। ক্রিস্টোফারসন এবং ফ্রান্সিস এক্স। ডায়াবোল্ড, একত্রীকরণ এবং লং-হরাইজন পূর্বাভাস, ব্যবসা ও অর্থনৈতিক পরিসংখ্যান জার্নাল, খণ্ড। 16, নং 4 (অক্টোবর।, 1998), পৃষ্ঠা 450-458
  • এনগেল, ইও (1987) কো-ইন্টিগ্রেটেড সিস্টেমগুলিতে পূর্বাভাস এবং পরীক্ষা, একোমেট্রিক্স জার্নাল 35 (1987) 143-159
  • হফম্যান, রাশে (1996) একটি কন্টিগ্রেটেড সিস্টেমে পূর্বাভাস পারফরম্যান্সের মূল্যায়ন, প্রয়োগকৃত একনোমেট্রিক্স জার্নাল, ভিওএল। 11,495-517 (1996)

শেষ অবধি, এখানে পুরো চিকিত্সা রয়েছে (তবে আমার মতে খুব স্পষ্ট নয়), হ্যান্ডবুক অফ ফোরকাস্টিংয়ে আপনার প্রশ্নের আলোচনা, অধ্যায় 11, ট্রেন্ডিং ডেটা নিয়ে পূর্বাভাস, এলিয়ট।


2

আমার বোঝাটি ভুল হতে পারে তবে প্রথম ধাপটি ওএলএস ব্যবহার করে সময় সিরিজের মধ্যে কোনও রিগ্রেশনকে ফিট করে না - এবং সময় সিরিজটি সত্যিই সমন্বিত হয় কিনা তা আপনাকে দেখায় (যদি এই রিগ্রেশন থেকে অবশিষ্টগুলি স্থির থাকে)। তবে সমন্বয় হ'ল টাইম-সিরিজ এবং আপনার অবশিষ্টাংশের মধ্যে দীর্ঘমেয়াদী সম্পর্ক যদিও স্টেশানারিটিতে এখনও কিছু স্বল্পমেয়াদী স্বতঃসংশোধন কাঠামো থাকতে পারে যা আপনি আরও ভাল মডেল ফিট করতে এবং আরও ভাল ভবিষ্যদ্বাণী পেতে পারেন এবং এই "দীর্ঘমেয়াদী + সংক্ষিপ্ত" শব্দ "মডেল VECM হয়। সুতরাং আপনার যদি কেবল দীর্ঘমেয়াদী সম্পর্ক প্রয়োজন হয়, আপনি প্রথম ধাপে থামতে পারেন এবং কেবল সমন্বয় সম্পর্কটি ব্যবহার করতে পারেন।


0

আমরা তথ্য স্থিতিশীল কিনা তার উপর নির্ভর করে সময় সিরিজের মডেলগুলি নির্বাচন করতে পারি।

এখানে চিত্র বর্ণনা লিখুন


3
এই সাইটের জন্য, এটি একটি উত্তরের জন্য কিছুটা সংক্ষিপ্ত বিবেচিত, এটি একটি মন্তব্য বেশি of আপনার চিত্রটি ব্যাখ্যা করে পাঠ্য যুক্ত করা বিবেচনা করা উচিত!
কেজেটিল বি হলওয়ার্সন

2
আমাদের সাইটে আপনাকে স্বাগতম! দেখে মনে হচ্ছে আপনি দরকারী অবদান রাখতে ভাল অবস্থিত। তবে নোট করুন, আমরা প্রশ্নোত্তর বা আলোচনার সাইটগুলির চেয়ে কিছুটা আলাদাভাবে কাজ করি। আপনি যদি আমাদের সহায়তা কেন্দ্রটি পর্যালোচনা করতে কয়েক মিনিট সময় নেন , তবে আমি মনে করি যে আমরা কীভাবে করছি এবং আপনি কীভাবে এখানে সর্বোত্তমভাবে ইন্টারঅ্যাক্ট করতে পারেন সে সম্পর্কে আপনি আরও ভাল ধারণা পাবেন।
হোবার

0

নির্ভরশীল ভেরিয়েবলগুলি স্থির না হলে আপনি ভিএআর ব্যবহার করতে পারবেন না (এটি উত্সাহী রিগ্রেশন হবে)। এই সমস্যাগুলির সমাধানের জন্য, আমাদের পরীক্ষা করতে হবে যদি ভেরিয়েবলগুলি সমন্বিত হয়। এই ক্ষেত্রে যদি আমাদের একটি ভেরিয়েবল I (1) থাকে বা সমস্ত নির্ভরশীল ভেরিয়েবলগুলি একই স্তরে সমন্বিত হয় তবে আপনি ভিসিএম করতে পারেন।


0

আমি ভিএআর-এ যা পর্যবেক্ষণ করেছি তা হ'ল এটি দীর্ঘমেয়াদি সম্পর্কের জন্য ভিসিএম পরীক্ষার সময় নিযুক্ত ভেরিয়েবলের মধ্যে স্বল্প-রান সম্পর্ক ক্যাপচার করতে ব্যবহৃত হয়। উদাহরণস্বরূপ, কোনও বিষয়ে যেখানে শক প্রয়োগ করা হচ্ছে, আমি মনে করি উপযুক্ত অনুমানের কৌশলটি VAR হওয়া উচিত। এদিকে, ইউনিট রুট, কো-ইন্টিগ্রেশন, ভিএআর এবং ভিসিএম প্রক্রিয়াটি পরীক্ষা করার সময়, ইউনিট রুট যদি নিশ্চিত করে যে সমস্ত ভেরিয়েবলগুলি আমি (1) প্রকৃতির ছিল, আপনি সহ-সংহতকরণে এগিয়ে যেতে পারেন এবং সহ-সংহতকরণের জন্য পরীক্ষার পরে এবং ফলাফলটি নিশ্চিত করে যে ভেরিয়েবলগুলি সমন্বিত হয় যার অর্থ ভেরিয়েবলের মধ্যে দীর্ঘমেয়াদী সম্পর্ক রয়েছে তবে আপনি ভিসিএম এ যেতে পারেন তবে অন্য জ্ঞানী যদি আপনি ভিএআর-এর দিকে যান।


0

আমি একটি বিবরণ পেয়েছি ( http://eco.uc3m.es/~jgonzalo/teaching/TimeseriesMA/eviewsvar.pdf ) বলেছেন:

একটি ভেক্টর ত্রুটি সংশোধন (ভিইসি) মডেল হ'ল একটি সীমাবদ্ধ ভিএআর যা স্পষ্টকরণের মধ্যে অন্তর্নিহিত সীমাবদ্ধতা রয়েছে, যাতে এটি ননস্টেশনারি সিরিজগুলির সাথে ব্যবহারের জন্য ডিজাইন করা হয়েছে যা সংযোজিত বলে পরিচিত। ভিসি স্পেসিফিকেশন বিস্তৃত স্বল্প-রান গতিশীলতার অনুমতি দেওয়ার সময় এন্ডোজেনাস ভেরিয়েবলগুলির দীর্ঘমেয়াদী আচরণকে তাদের সমন্বয়মূলক সম্পর্কের সাথে রূপান্তরিত করতে সীমাবদ্ধ করে। দীর্ঘমেয়াদী ভারসাম্য থেকে বিচ্যুতি আংশিক স্বল্প-রান সামঞ্জস্যের ধারাবাহিকের মাধ্যমে ধীরে ধীরে সংশোধন করা হওয়ায় সমন্বয় শব্দটি ত্রুটি সংশোধন শব্দ হিসাবে পরিচিত।

যা বোঝায় যে কোনও ভিসিই প্রথম-পার্থক্যযুক্ত ডেটাতে ভিএআর ব্যবহার করার চেয়ে আরও সূক্ষ্ম / নমনীয়।


আপনি দয়া করে এই উদ্ধৃতি উত্স প্রদান করতে পারেন?
হোবার

2
আমি ভিসিএম সম্পর্কে সত্যই অনেক কিছু পড়েছি, তবে এখনও নিজের অবাক করে দিয়েছি, আমি জানিনা কেন আমার এই মডেলটির প্রয়োজন যদি আমার আগ্রহ, পূর্বাভাস, বলতে আগ্রহী। লেখকরা যা পরামর্শ দেন তা হ'ল, একজন পূর্বাভাস তৈরির জন্য কোনও সূত্র ব্যবহার করে ভিসিএমকে পুনরায় লিখেন। ফলস্বরূপ ভিএআর হ'ল এবং হওয়া উচিত, আমি ভিআরআর সরাসরি সংহত উপাত্তগুলিতে ওএলএস পদ্ধতি প্রয়োগ করি। সুতরাং, কেন এই ভিসিএমের উপর দিয়ে প্রদক্ষিণ ??
ডেটাামাইনআর

@ ভুবার: এটি গুগলিংয়ের দ্বারা পাওয়া একটি কাগজ: eco.uc3m.es/~jgonzalo/teaching/TimeseriesMA/eviewsvar.pdf জেসেস গঞ্জালোর একটি ক্লাস হ্যান্ডআউট। (পিডিএফটিতে এতে কোনও সনাক্তকারী তথ্য নেই))
ওয়েইন

@ হুবুহু, এই উদ্ধৃতিটির প্রকরণটি আপনি ভিএআর এবং ভিসিএমের সাথে সম্পর্কিত যে কোনও সময় সিরিজের পাঠ্যপুস্তকে খুঁজে পেতে পারেন।
mpiktas

2
@ এমপিক্টাস আমি একজন মডারেটর হিসাবে যে বিষয়টি নিয়ে উদ্বিগ্ন তা হ'ল এই উদ্ধৃতিটির উত্স সনাক্ত করা। (আমি এর যথার্থতা চ্যালেঞ্জ করছি না বা এর অর্থ নিয়ে প্রশ্ন করছি না বা পড়ার জন্য আরও উপাদান চাইছি না)। Siteণ গ্রহণের উপকরণগুলি এই সাইটে গ্রহণযোগ্য, তবে এট্রিবিউশন ছাড়াই এগুলি ব্যবহার করা যায় না। উদ্ধৃতিটি অস্বাভাবিক যে এটি ওয়েবে একাধিক স্থানে প্রদর্শিত হয়, তবে (আইএমএইচও) কোনও অনুমোদনযোগ্য জায়গায় (কেবল ধূসর সাহিত্যে) প্রদর্শিত হয় না এবং কখনও এট্রিবিউট সহ হয় না। আমি ভাবছি এই উদ্ধৃতিটির মূল উত্সটি কী?
whuber

-1

যদি কেউ একই প্রশ্নটি এখানে পপ আপ করে, তবে কারও কারও ভিএআর পরিবর্তে ভিসিএম প্রয়োজন তা উত্তর এখানে। যদি আপনার ডেটা স্থিতিশীল না হয় (ফিনান্স ডেটা + কিছু ম্যাক্রো ভেরিয়েবল) আপনি VAR এর সাথে পূর্বাভাস দিতে পারবেন না কারণ এটি এমএলই (বা এই ক্ষেত্রে ওএলএস) এমন পূর্বাভাস উত্পন্ন করবে যার অর্থ দ্রুত ফিরে যেতে হবে। ভিসিএম এই সমস্যাটি পরিচালনা করতে পারে। (পার্থক্যযুক্ত সিরিজ সাহায্য করবে না)


-1

আগের পোস্টগুলিতে ঠিক যেমন নির্দেশ করা হয়েছে, একটি ভিসিএম আপনাকে ব্যাখ্যার জন্য অ-নিশ্চল ডেটা (তবে সমন্বিত) ব্যবহার করতে সক্ষম করে। এটি ডেটাতে প্রাসঙ্গিক তথ্য ধরে রাখতে সহায়তা করে (যা অন্যথায় একইরকমের চেয়ে আলাদা হয়ে যাবে)

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.