Làm cách nào để kết hợp một ngoại lệ đổi mới khi quan sát 48 trong mô hình ARIMA của tôi?

Tôi đang làm việc trên một tập dữ liệu. Sau khi sử dụng một số kỹ thuật nhận dạng mô hình, tôi đã đưa ra mô hình ARIMA (0,2,1).

Tôi đã sử dụng detectIOhàm trong gói TSAtrong R để phát hiện một ngoại lệ đổi mới (IO) ở lần quan sát thứ 48 của tập dữ liệu gốc của tôi.

Làm cách nào để kết hợp ngoại lệ này vào mô hình của tôi để tôi có thể sử dụng nó cho mục đích dự báo? Tôi không muốn sử dụng mô hình ARIMAX vì tôi không thể đưa ra bất kỳ dự đoán nào từ đó trong R. Có cách nào khác để tôi có thể làm điều này không?

Dưới đây là các giá trị của tôi theo thứ tự:

VALUE <- scan()
  4.6  4.5  4.4  4.5  4.4  4.6  4.7  4.6  4.7  4.7  4.7  5.0  5.0  4.9  5.1  5.0  5.4
  5.6  5.8  6.1  6.1  6.5  6.8  7.3  7.8  8.3  8.7  9.0  9.4  9.5  9.5  9.6  9.8 10.0
  9.9  9.9  9.8  9.8  9.9  9.9  9.6  9.4  9.5  9.5  9.5  9.5  9.8  9.3  9.1  9.0  8.9
  9.0  9.0  9.1  9.0  9.0  9.0  8.9  8.6  8.5  8.3  8.3  8.2  8.1  8.2  8.2  8.2  8.1
  7.8  7.9  7.8  7.8

Đó thực sự là dữ liệu của tôi. Họ là tỷ lệ thất nghiệp trong khoảng thời gian 6 năm. Có 72 quan sát rồi. Mỗi giá trị tối đa là một chữ số thập phân

$Y(t) = [\theta/\phi][A(t)+\text{IO}(t)]$$Y^\text{*}(t) = [\theta/\phi][A(t)] + [\theta/\phi][\text{IO}(t)]$

$\theta = 1$$\phi = [1-.5B]$
$Y^\text{*}(t) = [1/(1-.5B)][A(t)]$
$\quad\quad\quad\quad+ \text{IO}(t) - .5\cdot \text{IO}(t-1) + .25\cdot \text{IO}(t-2) - .125\cdot \text{IO}(t-3)-\ldots\,.$

$Y^{*}(t) = [1/(1-.5B)][A(t)]$ $\quad\quad\quad\quad+ 10\cdot \text{IO}(t) - 5\cdot \text{IO}(t-1) + 2.5\cdot \text{IO}(t-2) - 1.25\cdot \text{IO}(t-3)-\ldots\,.$
$\text{IO}$

Bằng cách này, bạn có thể thấy rằng tác động của sự bất thường không chỉ là tức thời mà còn có bộ nhớ.

$t$

$[w(b)/d(b)]$$[w(b)]$

Bất cứ khi nào bạn kết hợp bộ nhớ, có thể là kết quả của một toán tử khác biệt hoặc cấu trúc ARMA, đó là một sự thừa nhận ngầm của sự thiếu hiểu biết do loạt nguyên nhân bị bỏ qua. Điều này cũng đúng với sự cần thiết phải kết hợp chuỗi xác định Can thiệp như Xung / Chuyển cấp, Xung theo mùa hoặc Xu hướng thời gian địa phương. Các biến giả này là một proxy cần thiết cho các biến nhân quả do người dùng xác định bỏ qua. Thông thường tất cả những gì bạn có là một loạt các mối quan tâm và đưa ra các vòng loại mà tôi đã đánh vần, bạn có thể dự đoán tương lai dựa trên quá khứ trong sự thiếu hiểu biết chính xác về bản chất của dữ liệu được phân tích. Vấn đề duy nhất là bạn đang sử dụng cửa sổ phía sau để dự đoán con đường phía trước .... thực sự là một điều nguy hiểm.

sau khi dữ liệu được đăng ...

Một mô hình hợp lý là (1,1,0) và các dị thường AO đã được xác định ở các giai đoạn 39,41,47,21 và 69 (không phải giai đoạn 48). Phần dư từ mô hình này dường như không có cấu trúc rõ ràng. VÀ AO fice coi trọng một đại diện tối ưu của hoạt động được phản ánh bởi hoạt động không có trong lịch sử của chuỗi thời gian. Tôi nghĩ rằng ACF của mô hình quá khác biệt của OP sẽ phản ánh sự không phù hợp của mô hình. Đây là mô hình. Một lần nữa, không có mã R nào được phân phối vì vấn đề hoặc cơ hội nằm trong lĩnh vực nhận dạng / sửa đổi / xác nhận mô hình. Cuối cùng là một âm mưu của loạt thực tế / được trang bị và dự báo.! [Nhập mô tả hình ảnh ở đây] [6]