Bir ARIMAX modelinin düzenlenmesi veya cezalandırılmasıyla takılması (örneğin, kement, elastik ağ veya sırt regresyonuyla)

Kullandığım auto.arima () işlevi tahmini kovaryatların çeşitli ARMAX modellerini uyması için paketin. Bununla birlikte, sıklıkla seçim yapabileceğim çok sayıda değişkenim var ve bunlar genellikle bir alt kümesiyle çalışan son bir modelle sonuçlanır. Değişken seçim için geçici teknikleri sevmiyorum, çünkü ben insanım ve önyargılıyım, ancak zaman aşımına uğrayan zaman serileri zor , bu yüzden mevcut değişkenlerimin farklı alt kümelerini otomatik olarak denemek için iyi bir yol bulamadım ve kendi en iyi kararımı kullanarak modelleri ayarlamama şaşırdım.

Glm modellerine uyduğumda , glmnet paketi aracılığıyla düzenlileştirme ve değişken seçimi için elastik ağı veya lassoyu kullanabilirim . ARMAX modellerinde elastik ağı kullanmak için R'de mevcut bir araç takımı var mı, yoksa kendim mi kullanacağım? Bu iyi bir fikir mi?

düzenleme: AR ve MA terimlerini manuel olarak hesaplamak (AR5 ve MA5'e kadar) ve modele uyacak glmnet kullanımı mantıklı mıdır?

düzenleme 2: Görünüşe göre FitAR paketi bana yoldan ayrılıyor ama hepsi değil.

Bu bir çözüm değil, bildiğim olasılıklar ve zorluklar üzerine düşünceler.

Zaman serisi modelini olarak eş değişkenler ve zaman gecikmeli gözlemlerden hesaplanan x t ile belirtmek mümkün olduğunda, en küçük kareler elastik net cezalandırılmış hesaplamak da mümkündür. tahmincisi ve p R. glmnet kullanarak Bu işlem için kod yazmak gerekir x t glmnet de belirtilmelidir modeli matris oluşturulur. Bu AR modelleri için işe yarıyor ama doğrudan ARMA modelleri için değil. Dahası, glmnet'in çapraz doğrulama prosedürleri zaman serisi verileri için kendi başına mantıklı değildir.

$$Y_{t+1} = \mathbf{x}_t \beta + \epsilon_{t+1}$$ $\mathbf{x}_t$$\beta$$\mathbf{x}_t$

Daha genel modeller için değerinin hesaplanması için bir algoritma bir uygulama doğrusal olmayan en küçük kareler esnek ağ ceza tahmin P gereklidir. Bildiğim kadarıyla, R'de böyle bir uygulama yoktur. Halen Y t + ' nin durumunu çözmek için bir uygulama yazıyorum.

$$Y_{t+1} = f(\mathbf{x}_t, \beta) + \epsilon_{t+1}$$ $\beta$
$$Y_{t+1} = \mathbf{x}_t g(\beta) + \epsilon_{t+1}$$ nokta kement cezalandırma üzerinde olduğu bir model seçimi için önemli olduğunu olmak olup g ( β ) . ARIMA parametresini doğru bir şekilde hatırlarsam, bu formu da alır - fakat şu anda herhangi bir kod sunamıyorum. Düzgün olmayan ayrılabilir en aza indirme için bir koordinat gradyan iniş yöntemine dayanmaktadır (olacaktır) .$\beta$$g(\beta)$$-$

Diğer bir husus, ceza miktarının seçimi (ayarlama parametreleri). Genellikle, zaman serileri için bir çeşit çapraz onaylama gerektirecektir, ancak belirli modeller için daha az hesaplama gerektiren yöntemler üzerinde çalışmayı umuyorum.

Bu sorunu otomatik olarak anahtar teslimi bir şekilde çözmek için bir müşteri tarafından zorlandım. Önceden beyazlatılmış her bir çift için (yani y ve bir aday x), önceden beyazlatılmış serinin çapraz bağıntılarını hesaplayan, herhangi bir DEAD ZAMANI da dahil olmak üzere PDL'yi (veya ADL AUTOREGRESSIVE DISTRIBUTED LAG MODELİ) tanımlayan bir yaklaşım uyguladım. Sağlam tahminler ver, bu yapı için bir "ölçü" geliştir. TÜM aday regresörleri için bunu yaptıktan sonra, onları "ölçü" ile sıralayın ve sonra "ölçü" ye göre en iyi K regresörlerini seçin. Bu bazen Doğrusal Filtreleme olarak da adlandırılır. Bu buluşsal yöntemi, ticari olarak temin edilebilir zaman serisi paketimize başarıyla dahil ettik. "KENDİNİZİ YARATABİLİR"