Chức năng chuyển giao can thiệp của ARIMA - Cách hiển thị hiệu ứng


11

Tôi có một chuỗi thời gian hàng tháng với sự can thiệp và tôi muốn định lượng ảnh hưởng của sự can thiệp này đến kết quả. Tôi nhận ra bộ truyện khá ngắn và hiệu quả vẫn chưa được kết luận.

Dữ liệu

cds <- structure(c(2580L, 2263L, 3679L, 3461L, 3645L, 3716L, 3955L, 3362L,
                   2637L, 2524L, 2084L, 2031L, 2256L, 2401L, 3253L, 2881L,
                   2555L, 2585L, 3015L, 2608L, 3676L, 5763L, 4626L, 3848L,
                   4523L, 4186L, 4070L, 4000L, 3498L),
                 .Dim=c(29L, 1L),
                 .Dimnames=list(NULL, "CD"),
                 .Tsp=c(2012, 2014.33333333333, 12), class="ts")

nhập mô tả hình ảnh ở đây

Phương pháp luận

1) Chuỗi trước can thiệp (cho đến tháng 10 năm 2013) đã được sử dụng với auto.arimachức năng. Mô hình được đề xuất là ARIMA (1,0,0) với ý nghĩa khác không. Âm mưu ACF nhìn tốt.

pre <- window(cds, start=c(2012, 01), end=c(2013, 09))

mod.pre <- auto.arima(log(pre))

# Coefficients:
#          ar1  intercept
#       0.5821     7.9652
# s.e.  0.1763     0.0810
# 
# sigma^2 estimated as 0.02709:  log likelihood=7.89
# AIC=-9.77   AICc=-8.36   BIC=-6.64

2) Với cốt truyện của toàn bộ chuỗi, đáp ứng xung được chọn bên dưới, với T = tháng 10 năm 2013,

nhập mô tả hình ảnh ở đây

mà theo cryer và chan có thể phù hợp như sau với chức năng arimax:

mod.arimax <- arimax(log(cds), order=c(1, 0, 0),
                     seasonal=list(order=c(0, 0, 0), frequency=12),
                     include.mean=TRUE,
                     xtransf=data.frame(Oct13=1 * (seq(cds) == 22)),
                     transfer=list(c(1, 1)))
mod.arimax

# Series: log(cds) 
# ARIMA(1,0,0) with non-zero mean 
# 
# Coefficients:
#          ar1  intercept  Oct13-AR1  Oct13-MA0  Oct13-MA1
#       0.7619     8.0345    -0.4429     0.4261     0.3567
# s.e.  0.1206     0.1090     0.3993     0.1340     0.1557
# 
# sigma^2 estimated as 0.02289:  log likelihood=12.71
# AIC=-15.42   AICc=-11.61   BIC=-7.22

Phần dư từ điều này xuất hiện OK:

nhập mô tả hình ảnh ở đây

Cốt truyện của trang bị và thực tế:

plot(fitted(mod.arimax), col="red", type="b")
lines(window(log(cds), start=c(2012, 02)), type="b")

nhập mô tả hình ảnh ở đây

Câu hỏi

1) Phương pháp này có đúng để phân tích can thiệp không?

2) Tôi có thể xem ước tính / SE cho các thành phần của chức năng chuyển và nói rằng hiệu quả của can thiệp là đáng kể?

3) Làm thế nào người ta có thể hình dung hiệu ứng chức năng chuyển (vẽ nó?)

4) Có cách nào để ước tính mức độ can thiệp đã tăng sản lượng sau 'x' tháng không? Tôi đoán cho điều này (và có lẽ # 3) Tôi đang hỏi cách làm việc với phương trình của mô hình - nếu đây là hồi quy tuyến tính đơn giản với các biến giả (ví dụ) tôi có thể chạy các kịch bản có và không có sự can thiệp và đo lường tác động - nhưng tôi không chắc làm thế nào để làm việc kiểu này.

THÊM VÀO

Mỗi yêu cầu, đây là phần dư từ hai tham số.

Đầu tiên từ sự phù hợp:

fit <- arimax(log(cds), order=c(1, 0, 0),
              xtransf=
              data.frame(Oct13a=1 * (seq_along(cds) == 22),
                         Oct13b=1 * (seq_along(cds) == 22)),
              transfer=list(c(0, 0), c(1, 0)))

plot(resid(fit), type="b")

nhập mô tả hình ảnh ở đây

Sau đó, từ sự phù hợp này

mod.arimax <- arimax(log(cds), order=c(1, 0, 0),
                     seasonal=list(order=c(0, 0, 0), frequency=12),
                     include.mean=TRUE,
                     xtransf=data.frame(Oct13=1 * (seq(cds) == 22)),
                     transfer=list(c(1, 1))) 

mod.arimax
plot(resid(mod.arimax), type="b")

nhập mô tả hình ảnh ở đây


Có ổn không nếu tôi cung cấp cho bạn giải pháp bằng phần mềm SAS?
dự báo

Chắc chắn, tôi sẽ tò mò nếu bạn đưa ra một mô hình tốt hơn.
B_Miner

Ok, mô hình tốt hơn một chút so với đề xuất ban đầu, nhưng tương tự như @javlacalle.
dự báo

Câu trả lời:


12

Một mô hình AR (1) với sự can thiệp được xác định trong phương trình được đưa ra trong câu hỏi có thể được trang bị như hình dưới đây. Lưu ý cách transferxác định đối số ; bạn cũng cần một biến chỉ báo xtransfcho mỗi một trong số các can thiệp (xung và thay đổi tạm thời):

require(TSA)
cds <- structure(c(2580L, 2263L, 3679L, 3461L, 3645L, 3716L, 3955L, 3362L,
                   2637L, 2524L, 2084L, 2031L, 2256L, 2401L, 3253L, 2881L,
                   2555L, 2585L, 3015L, 2608L, 3676L, 5763L, 4626L, 3848L,
                   4523L, 4186L, 4070L, 4000L, 3498L),
                 .Dim = c(29L, 1L),
                 .Dimnames = list(NULL, "CD"),
                 .Tsp = c(2012, 2014.33333333333, 12),
                 class = "ts")

fit <- arimax(log(cds), order = c(1, 0, 0), 
              xtransf = data.frame(Oct13a = 1 * (seq_along(cds) == 22), 
                                   Oct13b = 1 * (seq_along(cds) == 22)),
              transfer = list(c(0, 0), c(1, 0)))
fit
# Coefficients:
#          ar1  intercept  Oct13a-MA0  Oct13b-AR1  Oct13b-MA0
#       0.5599     7.9643      0.1251      0.9231      0.4332
# s.e.  0.1563     0.0684      0.1911      0.1146      0.2168
# sigma^2 estimated as 0.02131:  log likelihood = 14.47,  aic = -18.94

Bạn có thể kiểm tra tầm quan trọng của từng can thiệp bằng cách xem thống kê t của các hệ số và . Để thuận tiện, bạn có thể sử dụng chức năng .ω 1ω0ω1coeftest

require(lmtest)
coeftest(fit)
#            Estimate Std. Error  z value  Pr(>|z|)    
# ar1        0.559855   0.156334   3.5811 0.0003421 ***
# intercept  7.964324   0.068369 116.4896 < 2.2e-16 ***
# Oct13a-MA0 0.125059   0.191067   0.6545 0.5127720    
# Oct13b-AR1 0.923112   0.114581   8.0564 7.858e-16 ***
# Oct13b-MA0 0.433213   0.216835   1.9979 0.0457281 *  
# ---
# Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Trong trường hợp này, xung không có ý nghĩa ở mức ý nghĩa . Tác dụng của nó có thể đã bị bắt bởi sự thay đổi nhất thời.5%

Hiệu quả can thiệp có thể được định lượng như sau:

intv.effect <- 1 * (seq_along(cds) == 22)
intv.effect <- ts(
  intv.effect * 0.1251 + 
  filter(intv.effect, filter = 0.9231, method = "rec", sides = 1) * 0.4332)
intv.effect <- exp(intv.effect)
tsp(intv.effect) <- tsp(cds)

Bạn có thể vẽ hiệu quả của sự can thiệp như sau:

plot(100 * (intv.effect - 1), type = "h", main = "Total intervention effect")

Tổng hiệu quả can thiệp

Hiệu ứng tương đối dai dẳng vì gần bằng (nếu bằng chúng tôi sẽ quan sát sự thay đổi cấp độ vĩnh viễn). 1 ω 2 1ω21ω21

Về mặt số lượng, đây là những mức tăng ước tính được định lượng tại từng thời điểm do can thiệp vào tháng 10 năm 2013:

window(100 * (intv.effect - 1), start = c(2013, 10))
#           Jan      Feb      Mar      Apr      May Jun Jul Aug Sep      Oct
# 2013                                                              74.76989
# 2014 40.60004 36.96366 33.69046 30.73844 28.07132                         
#           Nov      Dec
# 2013 49.16560 44.64838

Can thiệp làm tăng giá trị của biến quan sát vào tháng 10 năm 2013 khoảng . Trong các giai đoạn tiếp theo, hiệu quả vẫn còn nhưng với trọng lượng giảm dần.75%

Chúng ta cũng có thể tạo ra các can thiệp bằng tay và chuyển chúng thành stats::arimacác hồi quy bên ngoài. Các can thiệp là một xung cộng với thay đổi tạm thời với tham số và có thể được xây dựng như sau.0.9231

xreg <- cbind(
  I1 = 1 * (seq_along(cds) == 22), 
  I2 = filter(1 * (seq_along(cds) == 22), filter = 0.9231, method = "rec", 
              sides = 1))
arima(log(cds), order = c(1, 0, 0), xreg = xreg)
# Coefficients:
#          ar1  intercept      I1      I2
#       0.5598     7.9643  0.1251  0.4332
# s.e.  0.1562     0.0671  0.1563  0.1620
# sigma^2 estimated as 0.02131:  log likelihood = 14.47,  aic = -20.94

Các ước tính tương tự của các hệ số như trên được thu được. Ở đây chúng tôi đã sửa thành . Ma trận là loại biến giả mà bạn có thể cần phải thử các kịch bản khác nhau. Bạn cũng có thể đặt các giá trị khác nhau cho và so sánh hiệu quả của nó. 0,9231 ω 2ω20.9231xregω2

Những can thiệp này tương đương với một ngoại lệ phụ gia (AO) và thay đổi tạm thời (TC) được xác định trong gói tsoutliers. Bạn có thể sử dụng gói này để phát hiện các hiệu ứng này như được hiển thị trong câu trả lời của @forecaster hoặc để xây dựng các hồi quy được sử dụng trước đó. Ví dụ: trong trường hợp này:

require(tsoutliers)
mo <- outliers(c("AO", "TC"), c(22, 22))
oe <- outliers.effects(mo, length(cds), delta = 0.9231)
arima(log(cds), order = c(1, 0, 0), xreg = oe)
# Coefficients:
#          ar1  intercept    AO22    TC22
#       0.5598     7.9643  0.1251  0.4332
# s.e.  0.1562     0.0671  0.1563  0.1620
# sigma^2 estimated as 0.02131:  log likelihood=14.47
# AIC=-20.94   AICc=-18.33   BIC=-14.1

Chỉnh sửa 1

Tôi đã thấy rằng phương trình mà bạn đưa ra có thể được viết lại thành:

(ω0+ω1)ω0ω2B1ω2BPt

và nó có thể được chỉ định như bạn đã sử dụng transfer=list(c(1, 1)).

Như được hiển thị bên dưới, trong trường hợp này, việc tham số hóa này dẫn đến các ước tính tham số liên quan đến một hiệu ứng khác so với tham số hóa trước đó. Nó nhắc nhở tôi về tác động của một ngoại lệ đổi mới thay vì xung cộng với thay đổi nhất thời.

fit2 <- arimax(log(cds), order=c(1, 0, 0), include.mean = TRUE, 
  xtransf=data.frame(Oct13 = 1 * (seq(cds) == 22)), transfer = list(c(1, 1)))
fit2
# ARIMA(1,0,0) with non-zero mean 
# Coefficients:
#          ar1  intercept  Oct13-AR1  Oct13-MA0  Oct13-MA1
#       0.7619     8.0345    -0.4429     0.4261     0.3567
# s.e.  0.1206     0.1090     0.3993     0.1340     0.1557
# sigma^2 estimated as 0.02289:  log likelihood=12.71
# AIC=-15.42   AICc=-11.61   BIC=-7.22

Tôi không quen thuộc lắm với ký hiệu của gói TSAnhưng tôi nghĩ rằng hiệu quả của can thiệp hiện có thể được định lượng như sau:

intv.effect <- 1 * (seq_along(cds) == 22)
intv.effect <- ts(intv.effect * 0.4261 + 
  filter(intv.effect, filter = -0.4429, method = "rec", sides = 1) * 0.3567)
tsp(intv.effect) <- tsp(cds)
window(100 * (exp(intv.effect) - 1), start = c(2013, 10))
#              Jan         Feb         Mar         Apr         May Jun Jul Aug
# 2014  -3.0514633   1.3820052  -0.6060551   0.2696013  -0.1191747            
#      Sep         Oct         Nov         Dec
# 2013     118.7588947 -14.6135216   7.2476455

plot(100 * (exp(intv.effect) - 1), type = "h", 
  main = "Intervention effect (parameterization 2)")

tham số hiệu ứng can thiệp 2

Hiệu ứng có thể được mô tả ngay bây giờ là sự gia tăng mạnh vào tháng 10 năm 2013 sau đó là giảm theo hướng ngược lại; sau đó hiệu quả của can thiệp biến mất nhanh chóng xen kẽ các tác động tích cực và tiêu cực của trọng lượng phân rã.

Hiệu ứng này có phần kỳ dị nhưng có thể có trong dữ liệu thực. Tại thời điểm này tôi sẽ xem xét bối cảnh dữ liệu của bạn và các sự kiện có thể đã ảnh hưởng đến dữ liệu. Ví dụ: đã có thay đổi chính sách, chiến dịch tiếp thị, khám phá, ... có thể giải thích sự can thiệp vào tháng 10 năm 2013. Nếu vậy, điều hợp lý hơn là sự kiện này có ảnh hưởng đến dữ liệu như được mô tả trước đây hoặc như chúng tôi đã tìm thấy với tham số ban đầu?

Theo AIC, mô hình ban đầu sẽ được ưa thích vì nó thấp hơn ( so với ). Cốt truyện của loạt phim gốc không đề xuất sự phù hợp rõ ràng với những thay đổi mạnh mẽ liên quan đến việc đo lường biến can thiệp thứ hai.- 15,4218.9415.42

Không biết ngữ cảnh của dữ liệu, tôi sẽ nói rằng mô hình AR (1) có thay đổi nhất thời với tham số sẽ phù hợp để mô hình hóa dữ liệu và đo lường sự can thiệp.0.9

Chỉnh sửa 2

Giá trị của xác định mức độ ảnh hưởng của can thiệp giảm xuống 0, do đó, đó là tham số chính trong mô hình. Chúng ta có thể kiểm tra điều này bằng cách điều chỉnh mô hình cho một loạt các giá trị của . Dưới đây, AIC được lưu trữ cho mỗi mô hình này.ω 2ω2ω2

omegas <- seq(0.5, 1, by = 0.01)
aics <- rep(NA, length(omegas))
for (i in seq(along = omegas)) {
  tc <- filter(1 * (seq_along(cds) == 22), filter = omegas[i], method = "rec", 
               sides = 1)
  tc <- ts(tc, start = start(cds), frequency = frequency(cds))
  fit <- arima(log(cds), order = c(1, 0, 0), xreg = tc)
  aics[i] <- AIC(fit)
}
omegas[which.min(aics)]
# [1] 0.88

plot(omegas, aics, main = "AIC for different values of the TC parameter")

AIC cho các giá trị khác nhau của omega

AIC thấp nhất được tìm thấy cho (phù hợp với giá trị ước tính trước đó). Tham số này liên quan đến một hiệu ứng tương đối dai dẳng nhưng nhất thời. Chúng tôi có thể kết luận rằng hiệu ứng là tạm thời vì với các giá trị cao hơn , AIC tăng (hãy nhớ rằng trong giới hạn, , sự can thiệp sẽ trở thành một sự thay đổi cấp độ vĩnh viễn).0,9 ω 2 = 1ω2=0.880.9ω2=1

Can thiệp nên được bao gồm trong các dự báo. Lấy dự báo cho các giai đoạn đã được quan sát là một bài tập hữu ích để đánh giá hiệu suất của các dự báo. Mã dưới đây giả định rằng chuỗi kết thúc vào tháng 10 năm 2013. Dự báo sau đó được thu nhận bao gồm cả can thiệp với tham số .ω2=0.9

Trước tiên, chúng tôi phù hợp với mô hình AR (1) với sự can thiệp là một biến hồi quy (với tham số ):ω2=0.9

tc <- filter(1 * (seq.int(length(cds) + 12) == 22), filter = 0.9, method = "rec", 
             sides = 1)
tc <- ts(tc, start = start(cds), frequency = frequency(cds))
fit <- arima(window(log(cds), end = c(2013, 10)), order = c(1, 0, 0), 
             xreg = window(tc, end = c(2013, 10)))

Các dự báo có thể được lấy và hiển thị như sau:

p <- predict(fit, n.ahead = 19, newxreg = window(tc, start = c(2013, 11)))

plot(cbind(window(cds, end = c(2013, 10)), exp(p$pred)), plot.type = "single", 
     ylab = "", type = "n")
lines(window(cds, end = c(2013, 10)), type = "b")
lines(window(cds, start = c(2013, 10)), col = "gray", lty = 2, type = "b")
lines(exp(p$pred), type = "b", col = "blue")
legend("topleft",
       legend = c("observed before the intervention",
           "observed after the intervention", "forecasts"),
       lty = rep(1, 3), col = c("black", "gray", "blue"), bty = "n")

giá trị quan sát và dự báo

Các dự báo đầu tiên phù hợp tương đối tốt với các giá trị quan sát (đường chấm màu xám). Các dự báo còn lại cho thấy loạt bài sẽ tiếp tục đường dẫn đến giá trị trung bình ban đầu như thế nào. Khoảng tin cậy dù sao cũng lớn, phản ánh sự không chắc chắn. Do đó, chúng ta nên thận trọng và sửa đổi mô hình khi dữ liệu mới được ghi lại.

95%Khoảng tin cậy có thể được thêm vào âm mưu trước như sau:

lines(exp(p$pred + 1.96 * p$se), lty = 2, col = "red")
lines(exp(p$pred - 1.96 * p$se), lty = 2, col = "red")

Điều này là rất tốt, cảm ơn bạn! Tôi đã có một vài lần theo dõi nếu bạn không phiền. 1) Là quá trình tôi làm theo đúng? 2) Bạn có xem xét mức độ phù hợp của mô hình "đủ tốt" để sử dụng các ước tính để định lượng hiệu quả của can thiệp không? 3) Tôi có thể không sử dụng tham số của mình không, ví dụ như transfer = list (c (1,1)) như một cách tương đương và nhận được kết quả khá gần? Ví dụ tôi đã theo dõi từ một cuốn sách giáo khoa gợi ý rằng tôi nên có thể, nhưng trong ví dụ này, kết quả không gần ...
B_Miner

@B_Miner Bạn nói đúng Tôi đã chỉnh sửa câu trả lời của mình.
javlacalle

Tôi đồng ý với bạn rằng trong hai mô hình, tham số đầu tiên (có thể loại bỏ xung không đáng kể) sẽ phù hợp nhất. Tại sao hai tham số không mang lại cùng một mô hình, khi tôi tin rằng chúng nên, là một bí ẩn. Tôi sẽ gửi email cho nhà phát triển gói (người cũng đã viết cuốn sách đề cập đến sự tương đương của họ).
B_Miner

Dữ liệu là số chứng chỉ tiền gửi được mở mỗi tháng. Sự can thiệp là sự gia tăng của lãi suất trung bình, tăng vọt bắt đầu từ ngày 13 tháng Mười. Mức lãi suất vẫn tương đối ổn định kể từ ngày 13 tháng 10. Dường như sau khi tăng đột biến, nhu cầu về sản phẩm bắt đầu giảm dần - Tôi không chắc chắn nếu nó sẽ trở về mức trung bình trước đó hoặc giải quyết ở một mức độ cao (từ trước).
B_Miner

B_miner, dựa trên dữ liệu chúng tôi không thể thực sự kết luận, nếu nhu cầu sẽ ổn định ở mức trung bình mới.
dự báo

4

Đôi khi ít lại hơn. Với 30 quan sát trong tay, tôi đã gửi dữ liệu tới AUTOBOX, một phần mềm mà tôi đã giúp phát triển. Tôi gửi phân tích sau đây với hy vọng có được phần thưởng +200 (đùa thôi!). Tôi đã vạch ra các Giá trị Thực tế và Làm sạch một cách trực quan cho thấy tác động của "hoạt động gần đây". nhập mô tả hình ảnh ở đây. Mô hình được tự động phát triển được hiển thị ở đây. nhập mô tả hình ảnh ở đâyvà ở đây nhập mô tả hình ảnh ở đây. Phần dư từ loạt thay đổi cấp độ khá đơn giản này được trình bày ở đây nhập mô tả hình ảnh ở đây. Số liệu thống kê mô hình ở đây nhập mô tả hình ảnh ở đây. Tóm lại, có một số can thiệp có thể được xác định theo kinh nghiệm khi đưa ra quy trình ARIMA; hai xung và 1 mức dịch chuyển nhập mô tả hình ảnh ở đây. Biểu đồ thực tế / phù hợp và dự báo làm nổi bật thêm phân tích.nhập mô tả hình ảnh ở đây

Tôi cho một người muốn xem âm mưu của phần dư từ các mô hình được chỉ định trước đó và theo ý kiến ​​của tôi có khả năng mô hình quá mức quy định.


Tôi không quen thuộc với Autobox, nhưng phần nhiễu của mô hình có giống như ban đầu tôi có: trung bình khác không và AR (1) không?
B_Miner

Có phải đầu ra này nói rằng "sự can thiệp" duy nhất trong khoảng thời gian từ ngày 13 tháng 10 đến thời điểm hiện tại là một xung duy nhất cho ngày 13 tháng 10 và sau đó chuỗi trở về mức trung bình bình thường không?
B_Miner

Tôi đã thêm phần dư từ cả hai tham số. Trước mắt tôi, có vẻ như cái đầu tiên tôi liệt kê (cái đầu tiên phù hợp bởi javlacalle) là tốt hơn. Đồng ý?
B_Miner

1) Phần nhiễu là AR (1) có nghĩa khác không
IrishStat

1) Phần nhiễu là AR (1) với trung bình khác không; 2) Có 2 can thiệp giai đoạn 22 và giai đoạn 3 và sau quãng 13, nó trở lại một cấp độ mới bắt đầu từ tháng 13; 3) Đưa ra lựa chọn giữa hai cái mà bạn đã đề cập, tôi đồng ý NHƯNG tôi thích mô hình AUTOBOX vì sự đơn giản và hiệu quả của nó. Bạn có thể tìm hiểu thêm về AUTOBOX từ autobox.com/cms
IrishStat

3

R

Dưới đây là mã:

cds<- structure(c(2580L, 2263L, 3679L, 3461L, 3645L, 3716L, 3955L, 
                  3362L, 2637L, 2524L, 2084L, 2031L, 2256L, 2401L, 3253L, 2881L, 
                  2555L, 2585L, 3015L, 2608L, 3676L, 5763L, 4626L, 3848L, 4523L, 
                  4186L, 4070L, 4000L, 3498L), .Dim = c(29L, 1L), .Dimnames = list(
                    NULL, "CD"), .Tsp = c(2012, 2014.33333333333, 12), class = "ts")
arimatr <- tsoutliers::tso(cds,args.tsmethod=list(d=0,D=0))
plot(arimatr)
arimatr

Dưới đây là ước tính, đã tăng ~ 2356,3 đơn vị vào tháng 10 năm 2013 với sai số chuẩn là ~ 481,8 và có hiệu lực phân rã sau đó. Hàm tự động xác định AR (1). Tôi đã phải thực hiện vài lần lặp và làm cho cả hai khác biệt theo mùa và không theo mùa thành 0, được phản ánh trong args.tsmethod trong hàm tso.

Series: cds 
ARIMA(1,0,0) with non-zero mean 

Coefficients:
         ar1  intercept       TC22
      0.5969  3034.6560  2356.2914
s.e.  0.1495   206.5202   481.7981

sigma^2 estimated as 209494:  log likelihood=-219.03
AIC=446.06   AICc=447.73   BIC=451.53

Outliers:
  type ind    time coefhat tstat
1   TC  22 2013:10    2356 4.891

Dưới đây là cốt truyện, tsoutlier là gói duy nhất mà tôi biết có thể in những thay đổi tạm thời này độc đáo trong một cốt truyện.

nhập mô tả hình ảnh ở đây

Phân tích này hy vọng cung cấp câu trả lời cho 2, 34 câu hỏi của bạn mặc dù sử dụng một phương pháp luận khác nhau. Đặc biệt là cốt truyện và các hệ số đã cung cấp hiệu quả của can thiệp này và điều gì sẽ xảy ra nếu bạn không có sự can thiệp này.

Cũng hy vọng người khác có thể sao chép biểu đồ / phân tích này bằng mô hình hàm truyền trong R. Tôi không chắc liệu điều này có thể được thực hiện trong R hay không, có thể ai đó thực sự có thể kiểm tra tôi về điều này.


Cảm ơn. Vâng, cốt truyện này là những gì tôi muốn làm từ mô hình arimax - nhìn vào có và không có sự can thiệp (và trừ). Tôi nghĩ rằng chức năng lọc trong R có thể được sử dụng để tạo giá trị hàm truyền cho mỗi tháng (và sau đó chỉ vẽ biểu đồ để trực quan hóa) nhưng tôi không thể tìm ra cách thực hiện cho chức năng can thiệp xung tùy ý.
B_Miner
Khi sử dụng trang web của chúng tôi, bạn xác nhận rằng bạn đã đọc và hiểu Chính sách cookieChính sách bảo mật của chúng tôi.
Licensed under cc by-sa 3.0 with attribution required.