Bên cạnh việc lấy sự khác biệt, các kỹ thuật khác để tạo ra một chuỗi thời gian không cố định, văn phòng phẩm là gì?
Thông thường, người ta đề cập đến một chuỗi là " tích hợp thứ tự p " nếu nó có thể được thực hiện tại chỗ thông qua toán tử độ trễ .
Bên cạnh việc lấy sự khác biệt, các kỹ thuật khác để tạo ra một chuỗi thời gian không cố định, văn phòng phẩm là gì?
Thông thường, người ta đề cập đến một chuỗi là " tích hợp thứ tự p " nếu nó có thể được thực hiện tại chỗ thông qua toán tử độ trễ .
Câu trả lời:
Khử xu hướng là cơ bản. Điều này bao gồm hồi quy chống lại đồng biến khác ngoài thời gian.
Điều chỉnh theo mùa là một phiên bản của sự khác biệt nhưng có thể được hiểu là một kỹ thuật riêng biệt.
Chuyển đổi dữ liệu ngầm chuyển đổi một toán tử khác biệt thành một thứ khác; ví dụ, sự khác biệt của logarit là tỷ lệ thực sự.
Một số kỹ thuật làm mịn EDA (như loại bỏ trung vị di chuyển) có thể được hiểu là các cách giảm dần không tham số. Chúng đã được Tukey sử dụng như vậy trong cuốn sách của ông về EDA. Tukey tiếp tục bằng cách giảm các phần dư và lặp lại quá trình này trong bao lâu cần thiết (cho đến khi anh ta đạt được các phần dư xuất hiện ổn định và phân bố đối xứng quanh 0).
Tôi vẫn nghĩ rằng sử dụng% thay đổi từ giai đoạn này sang giai đoạn tiếp theo là cách tốt nhất để hiển thị một biến cố định không cố định như bạn đề xuất trước tiên. Một chuyển đổi như một bản ghi hoạt động hợp lý tốt (nó làm phẳng chất lượng không cố định; nhưng không loại bỏ nó hoàn toàn).
Cách thứ ba là khử tín hiệu và khử xu hướng dữ liệu đồng thời trong một hồi quy tuyến tính duy nhất. Một biến độc lập sẽ là xu hướng (hoặc thời gian): 1, 2, 3, ... cho đến khoảng thời gian bạn có. Và, biến khác sẽ là biến phân loại với 11 loại khác nhau (trong 11 trên 12 tháng). Sau đó, bằng cách sử dụng hệ số kết quả từ hồi quy này, bạn có thể đồng thời hủy bỏ và hủy theo mùa dữ liệu. Bạn sẽ thấy toàn bộ dữ liệu của bạn về cơ bản được làm phẳng. Sự khác biệt còn lại giữa các thời kỳ sẽ phản ánh những thay đổi độc lập với cả xu hướng tăng trưởng và mùa.
Nhật ký và đối ứng và chuyển đổi sức mạnh khác thường mang lại kết quả bất ngờ.
Đối với phần dư giảm dần (ví dụ Tukey), điều này có thể có một số ứng dụng trong một số trường hợp nhưng có thể nguy hiểm. Mặt khác, việc phát hiện sự thay đổi mức độ và thay đổi xu hướng có sẵn một cách có hệ thống cho các nhà nghiên cứu sử dụng các phương pháp phát hiện can thiệp. Vì sự thay đổi cấp độ là sự khác biệt của xu hướng thời gian giống như xung là sự khác biệt của sự dịch chuyển cấp độ, nên các phương pháp được sử dụng bởi Ruey Tsay rất dễ bị vấn đề này.
Nếu một loạt thể hiện sự thay đổi mức độ (tức là thay đổi trong đánh chặn), biện pháp khắc phục thích hợp để làm cho loạt phim đứng yên là "hạ bệ" loạt phim. Box-Jenkins đã sai lầm nghiêm trọng khi cho rằng biện pháp khắc phục tình trạng không cố định là một nhà khai thác khác biệt. Vì vậy, đôi khi sự khác biệt là phù hợp và những lần khác điều chỉnh cho sự thay đổi trung bình "s" là phù hợp. Trong cả hai trường hợp, chức năng tự tương quan có thể biểu hiện không cố định. Đây là một triệu chứng của trạng thái của bộ truyện (tức là văn phòng phẩm hoặc không cố định). Trong trường hợp không rõ ràng, các nguyên nhân có thể khác nhau. Ví dụ, chuỗi thực sự có nghĩa là thay đổi liên tục hoặc chuỗi có thay đổi tạm thời về trung bình.
Cách tiếp cận được đề xuất lần đầu tiên được đề xuất Tsay vào năm 1982 và đã được thêm vào một số phần mềm. Các nhà nghiên cứu nên tham khảo bài báo của Tạp chí Dự báo của Tsay có tiêu đề "Các ngoại lệ, thay đổi cấp độ và thay đổi phương sai trong chuỗi thời gian", Tạp chí Dự báo, Tập. 7, I-20 (1988).
Như thường lệ, sách giáo khoa chậm kết hợp công nghệ tiên tiến, nhưng tài liệu này có thể được tham khảo trong sách Wei (tức là Phân tích chuỗi thời gian), Delurgio và Makradakis bao gồm các can thiệp kết hợp, nhưng không phải là cách phát hiện như văn bản của Wei.
Sự khác biệt với một loạt khác. tức là giá dầu Brent không ổn định, nhưng dầu thô ngọt nhẹ lan rộng. Một đề xuất rủi ro hơn để dự báo là đặt cược vào sự tồn tại của mối quan hệ hợp nhất với một chuỗi thời gian khác.
Bạn có thể phù hợp với một hoàng thổ / spline thông qua dữ liệu và sử dụng phần dư? Phần còn lại sẽ đứng yên?
Có vẻ như có nhiều vấn đề cần xem xét, và có lẽ sẽ không có dấu hiệu rõ ràng về một đường cong quá linh hoạt như có sự khác biệt quá mức.