Os modelos ARIMA são, em teoria, a classe mais geral de modelos para prever uma série de tempo que pode ser feita para ser 8220stationary8221 por diferenciação (se necessário), talvez Em conjunto com transformações não-lineares, como logging ou deflação (se necessário). Uma variável aleatória que é uma série de tempo é estacionária se suas propriedades estatísticas são todas constantes ao longo do tempo. Uma série estacionária não tem tendência, suas variações em torno de sua média têm uma amplitude constante, e ele se move de forma consistente. Isto é, os seus padrões de tempo aleatório a curto prazo têm sempre o mesmo aspecto num sentido estatístico. Esta última condição significa que suas autocorrelações (correlações com seus próprios desvios prévios em relação à média) permanecem constantes ao longo do tempo, ou de forma equivalente, que seu espectro de poder permanece constante ao longo do tempo. Uma variável aleatória desta forma pode ser vista (como de costume) como uma combinação de sinal e ruído, eo sinal (se for aparente) poderia ser um padrão de reversão média rápida ou lenta, ou oscilação sinusoidal, ou rápida alternância no sinal , E poderia também ter uma componente sazonal. Um modelo ARIMA pode ser visto como um 8220filter8221 que tenta separar o sinal do ruído, e o sinal é então extrapolado para o futuro para obter previsões. A equação de previsão de ARIMA para uma série de tempo estacionária é uma equação linear (isto é, tipo de regressão) na qual os preditores consistem em atrasos da variável dependente e / ou atrasos dos erros de previsão. Ou seja: Valor previsto de Y uma constante e / ou uma soma ponderada de um ou mais valores recentes de Y e / ou uma soma ponderada de um ou mais valores recentes dos erros. Se os preditores consistem apenas em valores defasados de Y., é um modelo autoregressivo puro (8220 auto-regressado8221), que é apenas um caso especial de um modelo de regressão e que poderia ser equipado com software de regressão padrão. Por exemplo, um modelo autoregressivo de primeira ordem (8220AR (1) 8221) para Y é um modelo de regressão simples no qual a variável independente é apenas Y retardada por um período (LAG (Y, 1) em Statgraphics ou YLAG1 em RegressIt). Se alguns dos preditores são defasagens dos erros, um modelo ARIMA não é um modelo de regressão linear, porque não há maneira de especificar o erro 8222 como uma variável independente: os erros devem ser calculados em base período a período Quando o modelo é ajustado aos dados. Do ponto de vista técnico, o problema com o uso de erros defasados como preditores é que as previsões do modelo não são funções lineares dos coeficientes. Mesmo que sejam funções lineares dos dados passados. Portanto, os coeficientes em modelos ARIMA que incluem erros retardados devem ser estimados por métodos de otimização não-lineares (8220hill-climbing8221) ao invés de apenas resolver um sistema de equações. O acrônimo ARIMA significa Auto-Regressive Integrated Moving Average. Lags das séries estacionalizadas na equação de previsão são chamados de termos quotautorregressivos, os atrasos dos erros de previsão são chamados de quotmoving termos médios e uma série de tempo que precisa ser diferenciada para ser estacionária é dito ser uma versão quotintegrada de uma série estacionária. Modelos de Random-walk e tendência aleatória, modelos autorregressivos e modelos de suavização exponencial são casos especiais de modelos ARIMA. Um modelo ARIMA não sazonal é classificado como um modelo quotARIMA (p, d, q) quot, onde: p é o número de termos autorregressivos, d é o número de diferenças não sazonais necessárias para a estacionaridade e q é o número de erros de previsão defasados em A equação de predição. A equação de previsão é construída como se segue. Em primeiro lugar, vamos dizer a d diferença de Y. o que significa: Note que a segunda diferença de Y (o caso d2) não é a diferença de 2 períodos atrás. Pelo contrário, é a primeira diferença de primeira diferença. Que é o análogo discreto de uma segunda derivada, isto é, a aceleração local da série em vez da sua tendência local. Em termos de y. A equação de previsão geral é: Aqui os parâmetros da média móvel (9528217s) são definidos de modo que seus sinais sejam negativos na equação, seguindo a convenção introduzida por Box e Jenkins. Alguns autores e software (incluindo a linguagem de programação R) definem-los para que eles tenham mais sinais em vez disso. Quando números reais são conectados à equação, não há ambigüidade, mas é importante saber qual convenção seu software usa quando está lendo a saída. Muitas vezes os parâmetros são indicados por AR (1), AR (2), 8230 e MA (1), MA (2), 8230, etc. Para identificar o modelo ARIMA apropriado para Y. você começa por determinar a ordem de diferenciação (D) a necessidade de estacionarizar a série e remover as características brutas da sazonalidade, talvez em conjunto com uma transformação estabilizadora de variância, como a extração madeireira ou a deflação. Se você parar neste ponto e prever que a série diferenciada é constante, você tem apenas montado uma caminhada aleatória ou modelo de tendência aleatória. No entanto, a série estacionária pode ainda ter erros autocorrelacionados, sugerindo que algum número de termos AR (p 8805 1) e / ou alguns termos MA (q 8805 1) também são necessários na equação de previsão. O processo de determinar os valores de p, d e q que são melhores para uma dada série temporal será discutido em seções posteriores das notas (cujos links estão no topo desta página), mas uma prévia de alguns dos tipos De modelos não-sazonais ARIMA que são comumente encontrados é dada abaixo. ARIMA (1,0,0) modelo autoregressivo de primeira ordem: se a série é estacionária e autocorrelacionada, talvez possa ser predita como um múltiplo de seu próprio valor anterior, mais uma constante. A equação de previsão neste caso é 8230, que é regressão Y sobre si mesma retardada por um período. Este é um modelo 8220ARIMA (1,0,0) constant8221. Se a média de Y for zero, então o termo constante não seria incluído. Se o coeficiente de inclinação 981 1 for positivo e menor que 1 em magnitude (ele deve ser menor que 1 em magnitude se Y estiver parado), o modelo descreve o comportamento de reversão de média no qual o valor do próximo período deve ser 981 vezes 1 Longe da média como valor deste período. Se 981 1 for negativo, ele prevê o comportamento de reversão de média com alternância de sinais, isto é, também prevê que Y estará abaixo do próximo período médio se estiver acima da média neste período. Em um modelo autorregressivo de segunda ordem (ARIMA (2,0,0)), haveria um termo Y t-2 à direita também, e assim por diante. Dependendo dos sinais e magnitudes dos coeficientes, um modelo ARIMA (2,0,0) poderia descrever um sistema cuja reversão média ocorre de forma sinusoidal oscilante, como o movimento de uma massa sobre uma mola submetida a choques aleatórios . Se a série Y não for estacionária, o modelo mais simples possível para ela é um modelo randômico randômico, que pode ser considerado como um caso limitante de um modelo AR (1) em que o modelo autorregressivo Coeficiente é igual a 1, ou seja, uma série com reversão média infinitamente lenta. A equação de predição para este modelo pode ser escrita como: onde o termo constante é a variação média período-período (ou seja, a deriva a longo prazo) em Y. Este modelo poderia ser montado como um modelo de regressão sem interceptação em que o A primeira diferença de Y é a variável dependente. Uma vez que inclui (apenas) uma diferença não sazonal e um termo constante, é classificada como um modelo de ARIMA (0,1,0) com constante. quot O modelo randômico-sem-desvio seria um ARIMA (0,1, 0) sem constante ARIMA (1,1,0) modelo autoregressivo de primeira ordem diferenciado: Se os erros de um modelo de caminhada aleatória são autocorrelacionados, talvez o problema possa ser corrigido adicionando um lag da variável dependente à equação de predição - Eu Pela regressão da primeira diferença de Y sobre si mesma retardada por um período. Isto resultaria na seguinte equação de predição: que pode ser rearranjada para Este é um modelo autorregressivo de primeira ordem com uma ordem de diferenciação não sazonal e um termo constante - isto é. Um modelo ARIMA (1,1,0). ARIMA (0,1,1) sem suavização exponencial simples constante: Uma outra estratégia para corrigir erros autocorrelacionados em um modelo de caminhada aleatória é sugerida pelo modelo de suavização exponencial simples. Lembre-se que para algumas séries temporais não-estacionárias (por exemplo, as que exibem flutuações barulhentas em torno de uma média de variação lenta), o modelo de caminhada aleatória não funciona tão bem quanto uma média móvel de valores passados. Em outras palavras, ao invés de tomar a observação mais recente como a previsão da próxima observação, é melhor usar uma média das últimas observações para filtrar o ruído e estimar com mais precisão a média local. O modelo de suavização exponencial simples usa uma média móvel exponencialmente ponderada de valores passados para conseguir esse efeito. A equação de predição para o modelo de suavização exponencial simples pode ser escrita em um número de formas matematicamente equivalentes. Uma das quais é a chamada 8220error correction8221, na qual a previsão anterior é ajustada na direção do erro que ela fez: Como e t-1 Y t-1 - 374 t-1 por definição, isso pode ser reescrito como : Que é uma equação de previsão ARIMA (0,1,1) sem constante com 952 1 1 - 945. Isso significa que você pode ajustar uma suavização exponencial simples especificando-a como um modelo ARIMA (0,1,1) sem Constante, eo coeficiente MA (1) estimado corresponde a 1-menos-alfa na fórmula SES. Lembre-se que no modelo SES, a idade média dos dados nas previsões de 1 período antecipado é de 1 945, o que significa que tendem a ficar aquém das tendências ou pontos de viragem em cerca de 1 945 períodos. Segue-se que a média de idade dos dados nas previsões de 1 período de um modelo ARIMA (0,1,1) sem constante é de 1 (1 - 952 1). Assim, por exemplo, se 952 1 0,8, a idade média é 5. Quando 952 1 aproxima-se de 1, o modelo ARIMA (0,1,1) sem constante torna-se uma média móvel de muito longo prazo e como 952 1 Aproxima-se 0 torna-se um modelo randômico-caminhada-sem-deriva. Nos dois modelos anteriores discutidos acima, o problema dos erros autocorrelacionados em um modelo de caminhada aleatória foi fixado de duas maneiras diferentes: adicionando um valor defasado da série diferenciada Para a equação ou adicionando um valor defasado do erro de previsão. Qual abordagem é a melhor Uma regra para esta situação, que será discutida em mais detalhes mais adiante, é que a autocorrelação positiva é geralmente melhor tratada pela adição de um termo AR para o modelo e autocorrelação negativa é geralmente melhor tratada pela adição de um MA termo. Nas séries econômicas e de negócios, a autocorrelação negativa muitas vezes surge como um artefato de diferenciação. Portanto, o modelo ARIMA (0,1,1), no qual a diferenciação é acompanhada por um termo de MA, é mais freqüentemente usado do que um modelo de auto-correlação positiva. Modelo ARIMA (1,1,0). ARIMA (0,1,1) com suavização exponencial simples constante com crescimento: Ao implementar o modelo SES como um modelo ARIMA, você realmente ganha alguma flexibilidade. Em primeiro lugar, o coeficiente MA (1) estimado pode ser negativo. Isto corresponde a um factor de suavização maior do que 1 num modelo SES, o que normalmente não é permitido pelo procedimento de ajustamento do modelo SES. Em segundo lugar, você tem a opção de incluir um termo constante no modelo ARIMA, se desejar, para estimar uma tendência média não-zero. O modelo ARIMA (0,1,1) com constante tem a equação de predição: As previsões de um período de adiantamento deste modelo são qualitativamente semelhantes às do modelo SES, exceto que a trajetória das previsões de longo prazo é tipicamente uma Inclinada (cuja inclinação é igual a mu) em vez de uma linha horizontal. ARIMA (0,2,1) ou (0,2,2) sem suavização exponencial linear constante: Os modelos lineares de suavização exponencial são modelos ARIMA que utilizam duas diferenças não sazonais em conjunto com os termos MA. A segunda diferença de uma série Y não é simplesmente a diferença entre Y e ela mesma retardada por dois períodos, mas sim é a primeira diferença da primeira diferença - i. e. A mudança na mudança de Y no período t. Assim, a segunda diferença de Y no período t é igual a (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. Uma segunda diferença de uma função discreta é análoga a uma segunda derivada de uma função contínua: ela mede a quotaccelerationquot ou quotcurvaturequot na função em um dado ponto no tempo. O modelo ARIMA (0,2,2) sem constante prevê que a segunda diferença da série é igual a uma função linear dos dois últimos erros de previsão: que pode ser rearranjada como: onde 952 1 e 952 2 são MA (1) e MA (2) coeficientes. Este é um modelo de suavização exponencial linear geral. Essencialmente o mesmo que Holt8217s modelo, e Brown8217s modelo é um caso especial. Ele usa médias móveis exponencialmente ponderadas para estimar um nível local e uma tendência local na série. As previsões a longo prazo deste modelo convergem para uma linha recta cujo declive depende da tendência média observada no final da série. ARIMA (1,1,2) sem suavização exponencial linear de tendência amortecida constante. Este modelo é ilustrado nos slides acompanhantes nos modelos ARIMA. Ele extrapola a tendência local no final da série, mas aplana-lo em horizontes de previsão mais longos para introduzir uma nota de conservadorismo, uma prática que tem apoio empírico. Veja o artigo sobre "Por que a tendência de amortecimento" trabalha por Gardner e McKenzie e o artigo de "Rule of Gold" de Armstrong et al. para detalhes. É geralmente aconselhável aderir a modelos nos quais pelo menos um de p e q não é maior do que 1, ou seja, não tente encaixar um modelo como ARIMA (2,1,2), uma vez que isto é susceptível de conduzir a sobre-adaptação E quotcommon-factorquot questões que são discutidas em mais detalhes nas notas sobre a estrutura matemática dos modelos ARIMA. Implementação de planilhas: modelos ARIMA como os descritos acima são fáceis de implementar em uma planilha. A equação de predição é simplesmente uma equação linear que se refere a valores passados de séries temporais originais e valores passados dos erros. Assim, você pode configurar uma planilha de previsão ARIMA armazenando os dados na coluna A, a fórmula de previsão na coluna B e os erros (dados menos previsões) na coluna C. A fórmula de previsão em uma célula típica na coluna B seria simplesmente Uma expressão linear referindo-se a valores nas linhas precedentes das colunas A e C, multiplicada pelos coeficientes AR ou MA apropriados armazenados em outras células na folha de cálculo. Documentação arima class Descrição arima cria objetos modelo para modelo de série de tempo linear não estacionário estacionário ou unitário. Isso inclui a média móvel (MA), autorregressiva (AR), mista autorregressiva e média móvel (ARMA), integrada (ARIMA), multiplicativa sazonal, e modelos de séries de tempo linear que incluem um componente de regressão (ARIMAX). Especificar modelos com coeficientes conhecidos, estimar coeficientes com dados usando estimativa. Ou simular modelos com simular. Por padrão, a variância das inovações é um escalar positivo, mas você pode especificar qualquer modelo de variância condicional suportado, como um modelo GARCH. Construção Mdl arima cria um modelo ARIMA de graus zero. Mdl arima (p, D, q) cria um modelo de séries temporais lineares não sazonais usando o grau autoregressivo p. Grau de diferenciação D. e grau médio móvel q. Mdl arima (Name, Value) cria um modelo de série de tempo linear usando opções adicionais especificadas por um ou mais argumentos de nome, par de valor. Nome é o nome da propriedade e Valor é o valor correspondente. O nome deve aparecer dentro de aspas simples (). Você pode especificar vários argumentos de par nome-valor em qualquer ordem como Name1, Value1. NameN, ValueN. Argumentos de entrada Nota: Você só pode usar esses argumentos para modelos não sazonais. Para modelos sazonais, use a sintaxe nome-valor. Definições Operador de Lag O operador de atraso L é definido como L i y t y t x2212 i. Você pode criar polinômios de operador de atraso usando-os para condensar a notação e resolver equações de diferença linear. Os polin�ios do operador de retardamento nas defini�es do modelo de sequ�cia linear s�: x03D5 (L) 1 x2212 x03D5 L x2212 x03D5 2 L 2 x2212. X2212 x03D5 p L p. Que é o polinômio grau pautorregressivo. X03B8 (L) 1 x03B8 L x03B8 2 L 2. X03B8 q L q. Que é o grau q médio móvel polinomial. X03A6 (L) 1 x2212 x03A6 p 1 L p 1 x2212 x03A6 p 2 L p 2 x 2212. X2212 x03A6 p s L p s. Que é o polinômio autoregressivo sazonal de grau p s. X0398 (L) 1 x0398 q 1 L q 1 x0398 q 2 L q 2. X0398 q s L q s. Que é o grau q s sazonal médio móvel polinômio. Nota: Os graus dos operadores de lag nos polinômios sazonais 934 (L) e 920 (L) não estão de acordo com os definidos por Box e Jenkins 1. Em outras palavras, a Econometria Toolboxx2122 não trata p 1 s. P2 2s. P s c p s nem q 1 s. Q 2 2s. Q s c q s onde c p e c q são inteiros positivos. O software é flexível, pois permite especificar os graus de operador de atraso. Consulte Especificações do Modelo ARIMA Multiplicativo. Linear Time Series Model Um modelo de série cronológica linear para o processo de resposta yt e inovações 949 t é um processo estocástico que tem a forma ytc x03D5 1 yt x2212 1 x2026 x03D5 pyt x2212 p x03B5 t x03B8 1 x03B5 t x2212 1 x2026 x03B8 q x03B5 t x2212 Q. Na notação do operador de lag, este modelo é x03D5 (L) y tc x03B8 (L) x03B5 t. O modelo de séries temporais gerais, que inclui diferenciação, sazonalidade multiplicativa e diferenciação sazonal, é x03D5 (L) (1 x 2212 L) D x03A6 (L) (1 x 2212 L s) D sytc x03B8 (L) x0398 (L) x03B5 t . Os coeficientes dos polinômios autorregressivos não sazonais e sazonais x03D5 (L) e x03A6 (L) correspondem a AR e SAR. respectivamente. Os graus desses polinômios são p e p s. Similarmente, os coeficientes dos polinômios x03B8 (L) e x0398 (L) correspondem a MA e SMA. Os graus desses polinômios são q e q s. respectivamente. Os polinômios (1 x 2212 L) D e (1 x 2212 L s) D s têm um grau de integração não sazonal e sazonal D e D s. respectivamente. Observe que s corresponde à propriedade de modelo Seasonality. D s é 1 se Seasonality é diferente de zero, e é 0 caso contrário. Isto é, o software aplica a diferenciação sazonal de primeira ordem se Seasonality 8805 1. A propriedade do modelo Q é igual a q q s. Você pode estender este modelo, incluindo uma matriz de dados preditores. Para obter detalhes, consulte Modelo ARIMA Incluindo Covariados Exógenos. Requisitos de estacionabilidade x03D5 (L) y tc x03B8 (L) x03B5 t. Onde 949 t tem média 0, variância 963 2. E C o v (x03B5 t. X03B5 s) 0 para t 8800 s. É estacionário se seu valor esperado, variância e covariância entre os elementos da série são independentes do tempo. Por exemplo, o modelo MA (q), com c 0. É estacionária para qualquer q x003C x221E porque E (yt) x03B8 (L) 0 0. V ar (yt) x03C3 2 x2211 i 1 q x03B8 i 2 e C ov (y t. Yt x2212 s) estão livres de t para Todos os pontos de tempo 1. A série de tempo x007B y t t 1. T x007D é um processo de raiz unitária se seu valor esperado, variância ou covariância crescer com o tempo. Posteriormente, a série cronológica não é estacionária. Referências 1 Box, G. E. P. G. M. Jenkins e G. C. Reinsel. Análise de Séries Temporais: Previsão e Controle. 3a ed. Englewood Cliffs, NJ: Prentice Hall, 1994. 2 Enders, W. Applied Econometric Time Series. Hoboken, NJ: John Wiley e ampères Sons, Inc. 1995. Selecione sua CountryDocumentation a é um vetor constante de deslocamentos, com n elementos. A i são n-by-n matrizes para cada i. Os Ai são matrizes autorregressivas. Existem p matrizes autorregressivas. 949 t é um vector de inovações não correlacionadas em série. Vetores de comprimento n. Os 949 t são vetores aleatórios normais multivariados com matriz de covariância Q. Onde Q é uma matriz de identidade, salvo indicação em contrário. B j são n-by-n matrizes para cada j. As B j são matrizes de média móvel. Existem q matrizes de média móvel. Xt é uma matriz n-by-r representando termos exógenos em cada momento t. R é o número de séries exógenas. Termos exógenos são dados (ou outras entradas não modificadas) além da série de tempo de resposta y t. B é um vetor constante de coeficientes de regressão de tamanho r. Portanto, o produto X t middotb é um vetor de tamanho n. Geralmente, as séries temporais y t e X t são observáveis. Em outras palavras, se você tiver dados, ele representa uma ou ambas as séries. Você nem sempre sabe o deslocamento a. Coeficiente b. Matrizes autorregressivas A i. E matrizes de média móvel B j. Normalmente, você deseja ajustar esses parâmetros aos seus dados. Consulte a página de referência da função vgxvarx para ver formas de estimar parâmetros desconhecidos. As inovações 949 t não são observáveis, pelo menos em dados, embora possam ser observadas em simulações. Lag Representação do Operador Há uma representação equivalente das equações auto-regressivas lineares em termos de operadores de retardamento. O operador de atraso L move o índice de tempo de volta em um: L y t y t 82111. O operador L m move o índice de tempo para trás por m. L m y t y t 8211 m. Na forma de operador de lag, a equação para um modelo de SVARMAX (p. Q. R) torna-se (A 0 x 2212 x2211 i 1 p A i L i) y t a X t b (B 0 x 2211 j 1 q B j L j) x03B5 t. Esta equação pode ser escrita como A (L) y t a X t b B (L) x03B5 t. Um modelo VAR é estável se det (I n x2212 A 1 z x 2212 A 2 z 2 x 2212. x2212 A pzp) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Esta condição implica que, com todas as inovações igual a zero, o processo VAR converge para um Como o tempo passa. Veja Luumltkepohl 74 Capítulo 2 para uma discussão. Um modelo VMA é inversível se det (I n B 1 z B 2 z 2. B q z q) x2260 0 x00A0x00A0forx00A0x00A0 z x2264 1. Esta condição implica que a representação VAR pura do processo é estável. Para obter uma explicação de como converter entre modelos VAR e VMA, consulte Alterando Representações de Modelo. Veja o capítulo 11 de Luumltkepohl para uma discussão sobre os modelos VMA invertíveis. Um modelo VARMA é estável se sua parte VAR é estável. Da mesma forma, um modelo VARMA é inversível se sua parte VMA é invertible. Não existe uma noção bem definida de estabilidade ou de invertibilidade para modelos com entradas exógenas (por exemplo, modelos VARMAX). Uma entrada exógena pode desestabilizar um modelo. Construindo Modelos VAR Para entender um modelo de séries temporais múltiplas, ou vários dados de séries temporais, geralmente você executa as seguintes etapas: Importe e pré-processa dados. Especifique um modelo. Estruturas de Especificação sem Valores de Parâmetro para especificar um modelo quando você deseja que o MATLAB x00AE estime os parâmetros Estruturas de Especificação com Valores de Parâmetro Selecionados para especificar um modelo onde você conhece alguns parâmetros e deseja que o MATLAB estime os outros Determinando um Número Apropriado de Lags a determinar Um número adequado de defasagens para seu modelo Ajustar o modelo aos dados. Ajustando Modelos a Dados para usar o vgxvarx para estimar os parâmetros desconhecidos em seus modelos. Isso pode envolver: Modificação de Representações de Modelo para alterar seu modelo para um tipo que vgxvarx manipula Analisar e prever usando o modelo ajustado. Isto pode envolver: Examinando a estabilidade de um modelo ajustado para determinar se seu modelo é estável e invertible. Modelo VAR Previsão para prever diretamente a partir de modelos ou para prever usando uma simulação de Monte Carlo. Cálculo de respostas de impulso para calcular as respostas de impulso, que fornecem previsões baseadas numa alteração assumida numa entrada para uma série temporal. Compare os resultados das previsões de seus modelos com os dados disponíveis para a previsão. Para um exemplo, veja Estudo de Caso do Modelo VAR. Seu aplicativo não precisa envolver todas as etapas deste fluxo de trabalho. Por exemplo, você pode não ter quaisquer dados, mas sim simular um modelo parametrizado. Nesse caso, você executaria apenas as etapas 2 e 4 do fluxo de trabalho genérico. Você pode iterar através de algumas dessas etapas. Exemplos relacionados Selecione seu país
No comments:
Post a Comment