Can thiệp với sự khác biệt


10

Khi tiến hành phân tích can thiệp với dữ liệu chuỗi thời gian (còn gọi là chuỗi Thời gian bị gián đoạn) như đã thảo luận ở đây, ví dụ, một yêu cầu tôi có là ước tính tổng mức tăng (hoặc mất) do can thiệp - tức là số đơn vị tăng hoặc giảm (biến Y ).

Không hoàn toàn hiểu làm thế nào để ước tính chức năng can thiệp bằng cách sử dụng chức năng lọc trong R, tôi đã thực hiện nó theo cách thức vũ phu, hy vọng điều này đủ chung để hoạt động trong mọi tình huống.

Hãy nói rằng đã cung cấp 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")

chúng tôi quyết định rằng mô hình phù hợp nhất là như sau, với chức năng can thiệp như

nơiXtlà một xung ở tháng 10 năm 2013.mt=ω0(1δB)XtXt

fit4 <- arimax(log(cds), order = c(1,1,0),include.mean=FALSE, 
               xtransf = data.frame(Oct13 = 1*(seq_along(cds)==22)),
               transfer = list(c(1,0))
               ,xreg=1*(seq_along(cds)==3))
fit4

#    ARIMA(1,1,0)                    

#    Coefficients:
#              ar1    xreg  Oct13-AR1  Oct13-MA0
#          -0.0184  0.2718     0.4295     0.4392
#    s.e.   0.2124  0.1072     0.3589     0.1485

#    sigma^2 estimated as 0.02176:  log likelihood=13.85
#    AIC=-19.71   AICc=-16.98   BIC=-13.05

Tôi có hai câu hỏi:

1) Mặc dù chúng tôi đã differenced các lỗi ARIMA, để đánh giá chức năng can thiệp mà là sau đó về mặt kỹ thuật vừa vặn bằng cách sử dụng hàng loạt differenced là có bất cứ điều gì chúng ta cần làm để "trở lại thay đổi" ước tính của ω 0 hoặc δ từ sử dụng X t đến X t ?Xtω0δXtXt

mtmtmt

Đây có phải là quá trình chính xác để xác định mức tăng nói chung từ phân tích can thiệp?

    int_vect1<-1*(seq_along(cds)==22)
    wo<- 0.4392
    delta<-0.4295


    mt<-rep(0,length(int_vect1))

    for (i in 1:length(int_vect1))
    {

      if (i>1)
      {
        mt[i]<-wo*int_vect1[i]+delta*mt[i-1]
      }

    }


    mt

sum(exp(fitted(fit4)) - (exp(fitted(fit4) - mt)))

2
Tự hỏi liệu có ai có thể làm sáng tỏ cách thức phù hợp để ước tính tác động của một can thiệp - nói chung, nếu quy trình tôi chứng minh trên thực tế có đúng không?
B_Miner

mt=exp(α(ti))ifitelse0α

Câu trả lời:


4

Giả sử đây là ví dụ đồ chơi:

Để trả lời câu hỏi đầu tiên của bạn:

1) Mặc dù chúng tôi đã phân biệt các lỗi ARIMA, để đánh giá chức năng can thiệp sau đó phù hợp về mặt kỹ thuật bằng cách sử dụng chuỗi khác biệt ▽ Xt có bất cứ điều gì chúng tôi cần làm để "thay đổi" ước tính ω0 hoặc khi sử dụng Xt đến Xt?

Khi bạn khác biệt dữ liệu, bạn nên phân biệt các biến phản ứng / can thiệp. Khi bạn trở lại sự khác biệt (biến đổi) sau khi bạn tạo mô hình thì điều này sẽ tự động quan tâm đến sự khác biệt ** Tôi biết điều này rất dễ dàng khi bạn sử dụng SAS Proc ARIMA. Tôi không biết làm thế nào để làm điều này R.

Câu hỏi thứ hai:

2) Điều này có đúng không: Để xác định mức tăng của can thiệp, tôi đã xây dựng mt can thiệp từ các tham số. Khi tôi có mt rồi tôi so sánh các giá trị được trang bị từ mô hình fit4 (exp () để đảo ngược nhật ký) với exp (giá trị được trang bị trừ mt) và xác định rằng trong khoảng thời gian quan sát được, sự can thiệp đã dẫn đến 3342,37 đơn vị bổ sung.

Để xác định, đạt được sự can thiệp, bạn cần lấy số mũ và sau đó trừ đi -1, điều này sẽ cho tỷ lệ hoặc hiệu ứng tăng dần. Để chứng minh điều này trong trường hợp của bạn, xem bên dưới. Trong tháng đầu tiên, tác động là 55% doanh thu ban đầu và giảm nhanh chóng. Cumulativelt bạn có 4580 đơn vị hiệu ứng gia tăng (ngày 13 tháng 10 đến tháng 2 năm 2014. (Tôi đã đề cập đến Nguyên tắc và Ứng dụng Dự báo của Delurgio P: 518. Có một chương rất hay về phân tích can thiệp).

Ai đó làm ơn sửa nếu phương pháp này đúng?

Can thiệp xung + phân rã rõ ràng là không đủ trong trường hợp này, tôi sẽ thực hiện dịch chuyển xung + mức vĩnh viễn như thể hiện trong sơ đồ (e) bên dưới từ bài báo kinh điển của Box và Tiao .

nhập mô tả hình ảnh ở đây

nhập mô tả hình ảnh ở đây


Xin chào @forecaster. Làm thế nào bạn có được 3170 là hiệu ứng? Đây là những gì tôi đã làm, tôi đã xem xét các giá trị được trang bị của mô hình, đó là 8.64245833 (vẫn trên thang đo log). Sau đó, điểm kinh nghiệm (8.64245833) = 5667.244674. Sau đó, tôi lấy 8.64245833 - 0.492 = 8.20325833. Vì exp (8.64245833) - exp (8.20325833) = 2014.411599 nên đây là hiệu ứng. exp (8.64245833) / exp (8.20325833) = 1.55 mà tôi thấy giống như hỗ trợ cho việc này.
B_Miner

Bạn đã sử dụng thực tế và hiệu ứng mô hình mà tôi đoán, so với cách tiếp cận của tôi sử dụng mô hình cho cả hai. Tôi đã sử dụng ý tưởng về những gì mô hình nói với và không có hiệu ứng. Cái nào đúng?
B_Miner

Xin chào @B_miner, với thang đo chuyển đổi logarit, chúng ta cần xem xét tốc độ thay đổi. Cách tiếp cận tôi vạch ra là cách tiếp cận trực tiếp theo sách giáo khoa, tôi đã trích dẫn. Tuy nhiên, cách tiếp cận của bạn là hợp lý là tốt. Tôi sẽ chụp màn hình các trang sách giáo khoa trong tương lai gần.
dự báo

Tỷ lệ thay đổi là 0,55 cũng là tỷ lệ thay đổi trong phương pháp mô hình mà tôi đã thực hiện. Tôi tự hỏi cách tiếp cận nào là đúng hơn? Tôi nghiêng về phía tôi vì cách tiếp cận dựa trên mô hình (thực tế được trang bị). Nếu mô hình rất gần với thực tế, hai cách tiếp cận sẽ là mẫu. Tôi muốn xem các trang. Tôi thấy cuốn sách có vẻ không in?
B_Miner

vâng, cuốn sách đã được in Ví dụ về cuốn sách là một thay đổi vĩnh viễn so với can thiệp xung trong ví dụ của bạn. Tôi nghĩ rằng cách tiếp cận của bạn là thẳng về phía trước và chính xác.
dự báo

0

@forecaster Sau khi cho phép AUTOBOX xác định 3 ngoại lệ bằng 29 giá trị (không phù hợp với kinh nghiệm y), một mô hình hữu ích đã được tìm thấy nhập mô tả hình ảnh ở đâyvà tại đây nhập mô tả hình ảnh ở đây. Biểu đồ acf dư không đề xuất một mô hình được chỉ định dưới nhập mô tả hình ảnh ở đây. Cốt truyện thực tế / phù hợp / dự báo là nhập mô tả hình ảnh ở đâyvới Fit / Dự báo ở đây nhập mô tả hình ảnh ở đây. Forecaster đã (chính xác) đã đề cập trước đây làm thế nào một biến xung có thể biến thành biến cấp / bước khi hệ số mẫu số gần 1.0 được đưa vào. Trong việc tìm kiếm hai sự thay đổi cấp độ (lần gần đây nhất bắt đầu vào tháng 9/2013) và một xung vào tháng 10/2013, mô hình trình bày một bức tranh rõ ràng hơn. Xét về tác động của xung ở 10/13, nó chỉ đơn giản là giá trị của hệ số. HTH


2
Bạn đã trả lời câu hỏi nào trong hai câu hỏi?
B_Miner

Câu hỏi đầu tiên đặt ra một mô hình giả định một biến đổi nhật ký mà tôi tin là không được bảo hành. Xung vào lúc 10/2013 = 1710, đó là ước tính của hiệu ứng vào lúc 10/2013
IrishStat

@B_Miner bạn có thể nói sự thay đổi cấp độ vào 9/2013 đã tăng mọi thứ vào năm 1480, do đó, mức tăng ròng vào lúc 10/2013 sẽ là 1710 + 1480 = 3190
IrishStat

Bài đăng này dường như là một nhận xét mở rộng cho câu hỏi hơn là một câu trả lời cho bất kỳ phần nào của câu hỏi. Có lẽ nó có thể được tăng cường để giải quyết các câu hỏi trực tiếp?
whuber

Tiền đề sai của câu hỏi đầu tiên là mấu chốt của câu trả lời của tôi: lấy nhật ký và kết hợp các khác biệt không cần thiết là nghi vấn / không chính xác theo quan điểm của tôi ... do đó, "câu trả lời" của tôi là một phần để sửa chữa tiền đề và đề xuất ảnh hưởng của tác động tại 10/2013 chỉ đơn giản là tổng của một sự thay đổi tạm thời và vĩnh viễn. Mặc dù OP đã chấp nhận một câu trả lời khác.
IrishStat
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.