আর মধ্যে মাল্টিভিয়ারেন্ট সময় সিরিজ

Question

আমি পৃষ্ঠায় নতুন এবং পরিসংখ্যানগুলিতে বেশ নতুন এবং আর. আমি নদীর জন্য বৃষ্টি এবং জলের প্রবাহের স্তরের মধ্যে পারস্পরিক সম্পর্ক খুঁজে বের করার লক্ষ্যে কলেজের জন্য একটি প্রকল্পে কাজ করছি। পারস্পরিক সম্পর্ক প্রমাণিত হয়ে গেলে আমি এটি পূর্বাভাস / ভবিষ্যদ্বাণী করতে চাই।

তথ্য আমি ধারণকারী একটি নির্দিষ্ট নদী জন্য (প্রতি 5 মিনিটে নেওয়া) বেশ কয়েক বছর ডাটা একটি সেট আছে:

• মিলিমিটারে বৃষ্টি
• প্রতি সেকেন্ডে কিউবিক মিটারে নদীর প্রবাহ

এই নদীর তুষার নেই, সুতরাং মডেলটি কেবল বৃষ্টি এবং সময়ের উপর ভিত্তি করে। মাঝে মাঝে হিমশীতল তাপমাত্রা থাকে, তবে আমি সেই সময়গুলিকে ডেটা থেকে আউটলাইয়ার হিসাবে অপসারণের বিষয়ে ভাবছি কারণ আমার প্রকল্পের জন্য পরিস্থিতি অবকাশের বাইরে।

উদাহরণগুলি এখানে আপনার কয়েক ঘন্টা পরে একটি বৃষ্টিপাত এবং পানির উত্থানের নমুনা ডেটার কয়েকটি প্লট রয়েছে।

লাল রেখাটি নদীর প্রবাহ। কমলা বৃষ্টি। নদীর জল জলের উত্থানের আগে আপনি সর্বদা বৃষ্টি দেখতে পাচ্ছেন। সময় সিরিজের শেষে আবার কিছুটা বৃষ্টি শুরু হচ্ছে, তবে এটি পরে নদীর প্রবাহকে প্রভাবিত করবে।

পারস্পরিক সম্পর্ক আছে। আর-তে সিসিএফ ব্যবহার করে পারস্পরিক সম্পর্কটি প্রমাণ করতে আমি আর এ যা করেছি তা এখানে:

• পারস্পরিক সম্পর্ক
• নেতৃস্থানীয় পরিবর্তনশীল
• পিছিয়ে

এটি আমার আর লাইনটি দ্বিতীয় উদাহরণ হিসাবে ব্যবহৃত হয়েছে (একটি বৃষ্টির সময়কাল):

ccf(arnoiaex1$Caudal, arnoiaex1$Precip, lag.max=1000, plot=TRUE, main="Flow & Rain")

আমার ব্যাখ্যাটি হ'ল:

• যে বৃষ্টি বাড়ে (প্রথম ঘটে),
• $\approx 450$
• $\approx 450$$\approx 800$ccf

আমি কি সঠিক?

সময় সিরিজ সম্পর্কে । এই সময়ের সিরিজের পর্যায়ক্রম বা মৌসুমতা নেই। বৃষ্টি যে কোনও সময় আসতে পারে এবং প্রভাব ফেলতে পারে। এটি গ্রীষ্মে হ্রাস পায়, তবে এটি এখনও ঘটে, এটি সারা বছর প্রচুর বৃষ্টিপাতের একটি অঞ্চল।

মডেল এবং পূর্বাভাস। একটি পূর্বাভাস করতে সক্ষম হতে কীভাবে একটি মডেল তৈরি করবেন তা আমি জানি না যা আমাকে জানায় যে বৃষ্টিপাতের পরে কোনও নদী কত পরিমাণে পরিমাণ বাড়িয়ে তুলবে। আমি কিছু চেষ্টা করেছিলাম arima, auto arimaতবে খুব একটা সফল হতে পারি নি। আমি ব্যবহার করা উচিত Arima, varsবা অন্যান্য বিভিন্ন বহুচলকীয় মডেল? উদাহরণের যে কোনও লিঙ্ক দুর্দান্ত সাহায্য করবে।

দয়া করে, আপনি যদি এই পূর্বাভাসটি তৈরি করার সর্বোত্তম উপায় জানেন তবে আমার কোন মডেলটি ব্যবহার করা উচিত তা আমাকে জানান। আরও কিছু জিনিস রয়েছে যা আমি করণীয় বিবেচনা করছি তবে সরলতার জন্য তাদের এই ব্যাখ্যা থেকে বেরিয়ে এসেছেন। প্রয়োজনে কিছু তথ্য শেয়ার করতে পারি।

Comments

আপনি হস্তক্ষেপ বিশ্লেষণের জন্য সন্ধান করছেন (সামাজিক গবেষণায় সাবসেটটিকে "ইভেন্ট স্টাডিজ" বলা হয়)

— কনস্টান্টিনোস

Answer 1

কোন মডেল আপনার ডেটা আরও ভাল মানায় তা নির্ধারণ করতে আপনাকে আপনার এসিএফ এবং প্যাকএফ আচরণ ব্যবহার করতে হবে (যেমন এসিএফ প্লটে ধীর ক্ষয়ের একটি অস্তিত্ব নির্দেশ করে যে সিরিজটিকে আরও স্থিতিশীল করতে আলাদা করার প্রয়োজন হতে পারে Your আপনার এসিএফ প্লটটি স্পষ্টতই দেখায় যে কোনও ধরণের রূপান্তরটির প্রয়োজন। যদি আপনি সঠিক রূপান্তর (স্থির সিরিজ) ব্যবহার করেন তবে ওঠানামাটাকে কম বৈচিত্র্যযুক্ত করতে হবে এবং নীল রেখার মধ্যে থাকতে হবে Once একবার আপনি আপনার সিরিজকে স্থির করে তুললে, কোন মডেল এআর, এমএ, এআরএমএ, বা এআরআইএমএ উপযুক্ত তা ভেবে দেখুন। আমার প্রকল্পে আমি মডেল নির্বাচনে সহায়তা করার জন্য নিম্নলিখিতগুলি করেছি:

এসিএফ প্লটটি অপেক্ষাকৃত বড় মান দেখায় 2 পিছনে ( দেখুন এটি আপনার প্লটের মধ্যে কোথায় )। এটি বাদে এটি মূলত শূন্য হয়ে যায় দু'জনের চেয়ে বেশি gs এটি পরামর্শ দেয় যে এমএ (2) মডেলটি ডেটা মাপসই করতে পারে এবং তারপরে PACF প্লটটি দেখে আমরা তত্ক্ষণাত্ লক্ষ করি যে পারস্পরিক সম্পর্ক প্রায় সমস্ত ল্যাগেই শূন্য। এটি প্রস্তাবিত হতে পারে যে মডেলটির কোনও এআর অংশ নেই (এটি আপনার প্লটের সাথে সামঞ্জস্য করুন)। অতএব, আমাদের প্রার্থীদের মডেলগুলির মধ্যে একটি প্যারামিটার পি = 0, ডি = 1, এবং কিউ = 1 বা 2 এর সাথে আরিমা (পি, ডি, কিউ) হতে পারে। আমি এমএ-র কিছু উচ্চতর আদেশও চেষ্টা করেছিলাম এবং এআইসি, এআইসিসি, এবং বিআইসির ফলাফলগুলি তুলনা করতে এবং চূড়ান্ত মডেলটি সম্পর্কে সিদ্ধান্ত নেওয়ার জন্য মডেলটিতে একটি এআর অংশ থাকার কিছু সম্ভাবনা বিবেচনা করেছি। আপনি পরবর্তী মডেলটি সঠিক মডেলটি বেছে নিয়েছেন এবং আপনার অবশিষ্টাংশগুলিতে কোনও প্যাটার্ন নেই বলে নিশ্চিত করার জন্য পরবর্তী পদক্ষেপের জন্য আপনাকে অবশ্যই কিছু ডায়গনিস্টিক পরীক্ষা চালিয়ে যেতে হবে (অবশিষ্টাংশের জন্য এসিএফ এবং প্যাকএফ, লজং-বক্স স্ট্যাটিস্টিকের জন্য পি-মান, অবশিষ্টাংশের জন্য হিস্টিগ্রাম এবং এবং কিউকিউ প্লট)। আশা করি এটা সাহায্য করবে!