Mô hình chuỗi thời gian để dự báo tỷ lệ phần trăm bị ràng buộc bởi (0,1) là gì?

Điều này phải được đưa ra --- dự báo về những thứ bị kẹt giữa 0 và 1.

Trong loạt bài của tôi, tôi nghi ngờ một thành phần hồi quy tự động và cũng là một thành phần hoàn nguyên có nghĩa, vì vậy tôi muốn một cái gì đó mà tôi có thể diễn giải như ARIMA --- nhưng tôi không muốn nó bắn ra tới 1000% trong tương lai .

Bạn có chỉ sử dụng mô hình ARIMA làm tham số trong hồi quy logistic để giới hạn kết quả giữa 0 và 1 không?

Hoặc tôi đã học được ở đây rằng hồi quy Beta phù hợp hơn với (0,1) dữ liệu. Làm thế nào tôi có thể áp dụng điều này cho một chuỗi thời gian? Có các gói R hoặc chức năng Matlab tốt giúp điều chỉnh và dự báo điều này dễ dàng không?

Trong Luận án Tiến sĩ tại Stanford năm 1978, tôi đã xây dựng một gia đình quy trình tự phát theo thứ tự đầu tiên với các phân phối biên đồng nhất trên Với mọi số nguyên r ≥ 2 let X ( t ) = X ( t - 1 ) / r + e ( t ) trong đó e ( t ) có phân phối đồng đều rời rạc sau đây là P ( e ( t ) = k /$[0,1]$$r\geq 2$$X(t) = X(t-1)/r+e(t)$$e(t)$ với k = 0 , 1 , . . . , r - 1 . Điều thú vị là mặc dù e ( t ) rời rạc, mỗi X ( t ) có phân phối đồng đều liên tục trên [ 0 , 1 ] nếu bạn bắt đầu giả sử X ( 0 ) là đồng nhất trên [ 0 , 1 $P(e(t) = k/r)=1/r$$k=0,1,..., r-1$$e(t)$$X(t)$$[0,1]$$X(0)$$[0,1]$. Sau này Richard Davis và tôi đã mở rộng điều này thành tương quan phủ định tức là . Thật thú vị khi là một ví dụ về chuỗi thời gian tự phát cố định bị ràng buộc thay đổi trong khoảng từ 0 đến 1 như OP chỉ ra rằng anh ta quan tâm. Đây là một trường hợp bệnh lý nhẹ vì mặc dù tối đa các chuỗi thỏa mãn giới hạn giá trị cực đoan tương tự giới hạn đối với đồng phục IID, nó có chỉ số cực nhỏ hơn $X(t) =-X(t-1)/r + e(t)$$0$$1$$1$. Trong luận án và Biên niên sử Xác suất của tôi, tôi đã chỉ ra rằng chỉ số cực trị là . Tôi đã không gọi nó là chỉ số cực đoan bởi vì thuật ngữ đó được đặt ra sau đó bởi Leadbetter (đáng chú ý nhất là trong văn bản Springer 1983 của ông đồng tác giả với Rootzen và Lindgren). Tôi không biết nếu mô hình này có nhiều giá trị thực tế. Tôi nghĩ có lẽ không phải vì sự phân phối tiếng ồn quá đặc biệt. Nhưng nó phục vụ như một ví dụ bệnh lý nhẹ.$(r-1)/r$

Tôi đã hỏi điều này từ lâu nhưng SO chỉ bật nó lên. Trong trường hợp tôi đang xem xét, cuối cùng tôi đã dự báo tử số và mẫu số riêng biệt, điều này có ý nghĩa hơn đối với số liệu này.