Dự báo chuỗi thời gian tương quan cao

Trong dự báo chuỗi thời gian sử dụng các mô hình khác nhau như AR, MA, ARMA, v.v., chúng tôi thường tập trung vào mô hình hóa dữ liệu theo sự thay đổi của thời gian. Nhưng khi chúng ta có 2 chuỗi thời gian mà hệ số tương quan Pearson cho thấy chúng có mối tương quan cao, liệu có thể mô hình hóa các giá trị phụ thuộc và dự báo của chúng với nhau không? Ví dụ, khi một serie có mối quan hệ tuyến tính với nhau, có vẻ như có thể. Nhưng có một phương pháp chung cho loại phân tích phụ thuộc này?

Các mô hình AR, MA và ARMA là ví dụ về các mô hình chuỗi thời gian đơn biến. Mỗi mô hình này có một đối tác đa biến: Vector Autogression (VAR), Vector Move Average (VMA) và Vector AutoreTHERive Move Average (VARMA), tương ứng.

VAR có thể là lý do đơn giản nhất để lý giải nếu bạn quen thuộc hơn với hồi quy tuyến tính. Một mô hình AR (p) hồi quy một chuỗi thời gian chống lại độ trễ p của nó. Tương ứng, một mô hình VAR (p) là một chuỗi các hồi quy, sao cho mỗi chuỗi được hồi quy chống lại độ trễ p của nó và độ trễ p của tất cả các biến khác. Sau khi thực hiện hồi quy, bạn có thể tính toán phần dư từ mỗi chuỗi và đánh giá mức độ tương quan của phần dư.

Cũng như các mô hình đơn biến, văn phòng phẩm cũng là một vấn đề quan trọng đối với các mô hình đa biến. Điều này dẫn đến các mô hình như Mô hình sửa lỗi véc tơ (VECM), cho phép các biến có chung xu hướng ổn định lâu dài với độ lệch ngắn hạn.