J'essaie vraiment, mais de la difficulté, de comprendre comment l'Autoregressive et Moving Average travaillent. Je suis assez terrible avec l'algèbre et en regardant il doesnt vraiment améliorer ma compréhension de quelque chose. Ce que j'aimerais vraiment est un exemple extrêmement simple de dire 10 observations dépendantes du temps afin que je puisse voir comment ils fonctionnent. Donc disons que vous avez les points de données suivants du prix de l'or: Par exemple, à la période 10, quelle serait la moyenne mobile de Lag 2, MA (2), soit Or MA (1) Et AR (1) ou AR (2) J'ai traditionnellement appris à propos de la moyenne mobile est quelque chose comme: Mais quand on regarde les modèles ARMA, MA est expliqué en fonction des termes d'erreur précédente, que je ne peux pas obtenir ma tête autour. Est-ce juste une façon plus chic de calculer la même chose que j'ai trouvé ce post utile: (Comment comprendre SARIMAX intuitivement), mais whist l'algèbre aide, je ne peux pas voir quelque chose de vraiment clair jusqu'à ce que je vois un exemple simplifié de celui-ci. Étant donné les données sur les prix de l'or, vous devez d'abord estimer le modèle et ensuite voir comment cela fonctionne (prévisions d'analyse impulsion-réponse). Peut-être devriez-vous réduire votre question à seulement la deuxième partie (et laisser de côté l'estimation). C'est-à-dire que vous fournissez un modèle AR (1) ou MA (1) ou quel que soit le modèle (par exemple xt0.5 x varepsilont) et demandez-nous comment ce modèle particulier fonctionne. Ndash Richard Hardy Aug 13 15 at 19:58 Pour tout modèle AR (q), le moyen facile d'estimer les paramètres est d'utiliser OLS - et d'exécuter la régression de: pricet beta0 beta1 cdot prix dotso betaq cdot prix Lets do so (En R): (Ok, donc j'ai triché un peu et utilisé la fonction arima dans R, mais il donne les mêmes estimations que la régression OLS - essayez). Voyons maintenant le modèle MA (1). Maintenant, le modèle MA est très différent du modèle AR. La MA est l'erreur moyenne pondérée des périodes passées, où le modèle AR utilise les valeurs des données réelles des périodes antérieures. Le MA (1) est: pricet mu wt theta1 cdot w Où mu est la moyenne, et wt sont les termes d'erreur - pas la valeur previoes du prix (comme dans le modèle AR). Maintenant, hélas, nous ne pouvons pas estimer les paramètres par quelque chose d'aussi simple que OLS. Je ne vais pas couvrir la méthode ici, mais la fonction R arima utilise la likihood maximum. Essayons: Hope this helps. (2) En ce qui concerne la question MA (1). Vous dites que le résidu est de 1,0023 pour la deuxième période. Ça a du sens. Ma compréhension du résidu est la différence entre la valeur prévue et la valeur observée. Mais vous dites alors la valeur prévue pour la période 2, est calculée en utilisant le résidu pour la période 2. Est-ce que c'est la valeur prévue pour la période 2 juste (0.54230 4.9977) ndash TE 17 août 15 à 11h24 Pour les mannequins Similaire à la façon dont l'analyse multivariée est l'analyse des relations entre de multiples variables, l'analyse univariée est une analyse quantitative d'une seule variable. Lorsque vous modélisez des séries temporelles univariées, vous modélisez des changements de séries chronologiques qui représentent des changements dans une variable unique dans le temps. La moyenne mobile autorégressive (ARMA) est une classe de méthodes de prévision que vous pouvez utiliser pour prédire les valeurs futures à partir des données courantes et historiques. Comme son nom l'indique, la famille de modèles ARMA combine des techniques d'autorégression (analyses qui supposent que les observations précédentes sont de bons prédicteurs pour les valeurs futures et effectuer une analyse d'autorégression pour prévoir ces valeurs futures) et la moyenne mobile 8212 modèles qui mesurent le niveau de Constante et ensuite mettre à jour le modèle de prévision si des changements sont détectés. Voici un exemple d'équation pour le modèle ARMA: Dans cette équation, y t est égal à la valeur réelle de la série temporelle à l'instant t. Y t 8211 y t 8208 1 correspond à la variation nette de la valeur des séries temporelles entre le temps t et le temps t 8211 1 8212 la variation de la valeur de la série temporelle sur un intervalle de temps, autrement dit. E t 8208 1 est égal au terme d'erreur à l'instant t 8211 1 (une quantification des processus d'erreur dans le modèle à l'instant t 8211 1). L'autorégression suppose que les p observations précédentes dans la série chronologique fournissent une bonne estimation des observations futures. La partie moyenne mobile du modèle permet au modèle de mettre à jour les prévisions si le niveau d'une série chronologique constante change. Si vous recherchez un modèle simple ou un modèle qui ne fonctionnera que pour un petit jeu de données, le modèle ARMA ne convient pas à vos besoins. Une alternative dans ce cas pourrait être de rester avec une simple régression linéaire. Afin d'utiliser le modèle ARMA pour des résultats fiables, vous devez avoir au moins 50 observations et un analyste qualifié qui peut adapter et interpréter le modèle pour vous. La figure montre un diagramme du modèle ARMA qui correspond à cette équation: Dans la figure, vous pouvez voir que les données de prévision de modèle et les données réelles sont un ajustement très étroit. Cela signifie que l'équation qui est formulée ci-dessus est une bonne représentation de la série temporelle qu'il modélise.
No comments:
Post a Comment