Phân tích can thiệp với chuỗi thời gian đa chiều

Tôi muốn làm một phân tích can thiệp để định lượng kết quả của một quyết định chính sách về việc bán rượu theo thời gian. Tôi khá mới đối với phân tích chuỗi thời gian, tuy nhiên, vì vậy tôi có một số câu hỏi cho người mới bắt đầu.

Một cuộc kiểm tra các tài liệu cho thấy các nhà nghiên cứu khác đã sử dụng ARIMA để mô hình hóa việc bán rượu theo chuỗi thời gian, với một biến giả là biến hồi quy để mô hình hóa hiệu quả của can thiệp. Mặc dù đây có vẻ là một cách tiếp cận hợp lý, bộ dữ liệu của tôi phong phú hơn một chút so với những gì tôi đã tham gia trong tài liệu. Đầu tiên, tập dữ liệu của tôi được phân chia theo loại đồ uống (ví dụ như bia, rượu vang, rượu mạnh), và sau đó phân tách theo khu vực địa lý.

Mặc dù tôi có thể tạo các phân tích ARIMA riêng cho từng nhóm bị loại bỏ và sau đó so sánh kết quả, tôi nghi ngờ có một cách tiếp cận tốt hơn ở đây. Bất cứ ai có thể quen thuộc hơn với dữ liệu chuỗi thời gian đa chiều cung cấp một số ý kiến ​​hay đề xuất?

Mô hình ARIMA với biến giả để can thiệp là trường hợp đặc biệt của mô hình tuyến tính có lỗi ARIMA.

Bạn có thể làm tương tự ở đây nhưng với mô hình tuyến tính phong phú hơn bao gồm các yếu tố cho loại đồ uống và khu vực địa lý.

Trong R, mô hình có thể được ước tính bằng arima () với các biến hồi quy được bao gồm thông qua đối số xreg. Thật không may, bạn sẽ phải mã hóa các yếu tố bằng cách sử dụng các biến giả, nhưng nếu không thì nó tương đối đơn giản.

Nếu bạn muốn mô hình hóa doanh số của các loại đồ uống như một véc tơ [doanh số bán rượu tại t, doanh số bán bia tại t, doanh số bán rượu tại t], bạn có thể muốn xem các mô hình Vector AutoreTHERion (VAR). Bạn có thể muốn giống VARX có một vectơ các biến ngoại sinh như vùng và hình nộm can thiệp chính sách, bên cạnh các chuỗi rượu, bia và rượu mạnh. Chúng khá đơn giản để phù hợp và bạn sẽ nhận được các hàm phản ứng thúc đẩy để thể hiện tác động của các cú sốc ngoại sinh, cũng có thể được quan tâm. Có cuộc thảo luận toàn diện trong cuốn sách của Lütkepohl về chuỗi thời gian đa biến.

Cuối cùng, tôi chắc chắn không phải là nhà kinh tế nhưng đối với tôi, bạn cũng có thể nghĩ về tỷ lệ của các loại đồ uống này cũng như mức độ. Mọi người có thể hoạt động dưới một ràng buộc ngân sách - tôi biết tôi làm - sẽ kết hợp các cấp độ và (chống) tương quan với các lỗi.

Mỗi chuỗi thời gian nên được đánh giá một cách riêng biệt với ý tưởng cuối cùng là thu thập, tức là nhóm các chuỗi tương tự thành các nhóm hoặc các phần có cấu trúc tương tự / chung. Do dữ liệu chuỗi thời gian có thể được can thiệp bằng cấu trúc xác định không xác định tại các chất độc không xác định kịp thời, người ta được khuyên nên thực hiện Phát hiện can thiệp để tìm ra nơi can thiệp thực sự có hiệu lực. Nếu bạn biết một luật đã có hiệu lực tại một thời điểm cụ thể (de jure) thì thực tế đây có thể không phải là ngày mà sự can thiệp thực sự xảy ra. Các hệ thống có thể phản hồi trước ngày có hiệu lực đã biết hoặc thậm chí sau ngày do không tuân thủ hoặc không phản hồi. Chỉ định ngày can thiệp có thể dẫn đến Xu hướng Đặc tả Mô hình. Tôi đề nghị bạn google "Phát hiện can thiệp" hoặc "Phát hiện ngoại lệ". Một cuốn sách hay về điều này sẽ là của Giáo sư Wei của Đại học Temple được xuất bản bởi Addison-Wessley. Tôi tin rằng tiêu đề là "Phân tích chuỗi thời gian". Thêm một nhận xét nữa, Biến can thiệp có thể xuất hiện dưới dạng Xung hoặc Chuyển mức / Bước hoặc Xung theo mùa hoặc Xu hướng thời gian cục bộ.

Đáp lại việc mở rộng cuộc thảo luận về Xu hướng giờ địa phương:

Nếu bạn có một loạt trưng bày 1,2,3,4,5,7,9,11,13,15,16,17,18,19 ... đã có một sự thay đổi trong xu hướng ở giai đoạn 5 và 10 Đối với tôi, một câu hỏi chính trong chuỗi thời gian là phát hiện sự dịch chuyển cấp độ, ví dụ 1,2,3,4,5,8,9,10, .. hoặc một ví dụ khác về sự thay đổi cấp độ 1,1,1,1,2 , 2,2,2, VÀ / HOẶC hoặc phát hiện các phá vỡ xu hướng thời gian. Giống như Xung là sự khác biệt của Bước, Bước là sự khác biệt của Xu hướng. Chúng tôi đã mở rộng lý thuyết Phát hiện can thiệp sang chiều thứ 4 i, e, Thay đổi điểm xu hướng. Về mặt cởi mở, tôi đã có thể thực hiện các sơ đồ Phát hiện Can thiệp như vậy khi kết hợp với cả Mô hình Chức năng ARIMA và Chuyển giao. Tôi là một trong những nhà thống kê chuỗi thời gian cao cấp đã hợp tác phát triển AUTOBOX kết hợp các tính năng này. Tôi không biết bất cứ ai khác đã lập trình sự đổi mới thú vị này.