R'de çoklu eksojen değişkenlerle Arima zaman serisi tahmini (auto.arima)

Birden fazla eksojen değişkenli çoklu zaman serisi ARIMA modeline dayalı bir tahmin yapmak istiyorum. Ne istatistiklere ne de UR'ye bağlı kalmak konusunda o kadar yetenekli olmadığım için mümkün olduğunca basit (3 aylık trend tahmini yeterlidir).

Ben 1 bağımlı zaman serisi ve 3-5 tahmin zaman serisi, tüm aylık veri, boşluk, aynı zamanda "ufuk" var.

Auto.arima işleviyle karşılaştım ve kendime bunun sorunum için uygun bir çözüm olup olmadığını sordum. Farklı emtia fiyatları ve onlardan üretilen ürünlerin fiyatları var. Tüm ham veriler sabit değildir, ancak birinci dereceden farklılıklar yoluyla hepsi sabit veri haline gelir. ADF, KPSS bunu gösterir. (Bu, entegrasyon için test yaptığım anlamına geliyor, değil mi?).

Şimdi sorum şu: Bunu auto.arima fonksiyonuyla nasıl uygularım VE ARIMA zaten doğru yaklaşım mı? Bazı kişiler beni zaten VAR kullanmamı önerdi, ancak ARIMA ile de mümkün mü?

Aşağıdaki tablo verilerim. Aslında veri seti 105 gözlem kadar yükseliyor, ancak ilk 50'si yapacak. Eğilim ve mevsimsellik burada açıkça ilgi çekicidir.

resim açıklamasını buraya girin

Herhangi bir tavsiye ve yardım için teşekkürler! Georg

r time-series arima

— George
kaynak

indirmek için lütfen verilerinizi gönderin. excel kullanın. Bu sadece gereksiz (muhtemelen önemli ölçüde çapraz korelasyonlu) girdi serilerini tanımlamak için bir görev olabilir. Ben

— VAR'ın

Dış regresörleriniz için nedenselse , ancak tam tersi değilse ve birbirlerine neden olmazlarsa, ARIMA kesinlikle uygundur. VAR, farklı zaman serileriniz birbirine bağlıysa mantıklıdır. $y$

İçin auto.arima()harici regresörler ile işe, bir matris içine regressors toplamak Xiçine beslemek, xregbir parametre auto.arima(). (Elbette , modellemekte olduğunuz Xzaman serisiyle aynı sayıda satıra sahip olmalıdır y.)

Tahmin için, regresörlerinizin gelecekteki değerlerine ihtiyacınız olacak , daha sonra tekrar xregparametresine besleyeceksiniz forecast.

Yardım sayfaları ?auto.arimave ?forecast.Arima(başkent A'ya dikkat edin - bu bir yazım hatası değildir. Bana sorma ...).

— Stephan Kolassa
kaynak

(+1) Nedensellik fikri ve onu nasıl test edeceğiniz hakkında biraz ayrıntı verebilirsiniz. ARIMA kullanma kararının değişkenler arasındaki nedensellik yönüne göre belirlendiğinden, cevabınızın eksiksiz olması için yararlı olabilir. Örneğin Granger nedensellik testini veya Hausman testini mi düşünüyorsunuz? Teşekkürler.

— javlacalle

@javlacalle: Nedensellik (Granger testi en iyi bilinen) için istatistiksel testlerin çok büyük bir hayranı değilim. Konuyu temel alarak "olası nedensellik" konusuna karar vermeyi tercih ederim. Örneğin, bir fiyat indiriminin süpermarket satışlarını artırıp artırmadığını veya bunun tersini değerlendirmek için bir Granger testi kullanmam. GSYİH, döviz kurları ve istihdam yaratma da nedensel değildir. Her iki durumda da konu yeterince açık görünüyor ve teori ile uyumlu bir test bize hiçbir şey öğretmeyecek, teori ile çelişen bir test sadece kafa karıştırıcı olacak (ve muhtemelen gürültüden daha fazla olmayacak).

— Stephan Kolassa

... Son

— yorumumla

@ Stephan: Katkınız için teşekkürler. Benim y benim regresörler neden değil definitley olmasına rağmen, ama regresörler kesinlikle birbirleri ile korelasyon ve aynı zamanda az ya da çok doğrudan etkileri olması gerekir. Yorumunuza göre bu, arima yerine VAR kullanmam gerektiği anlamına geliyor, çünkü bu sorunlardan kaçınacaktır (?). Ben burada temelde hepsi belirli bir noktaya kadar birbiriyle ilişkili bir emtia / ürün fiyatları demeti kullanıyorum. "Ham madde" benim Y, değer zincirinden ürünler ve yan ürünler vb.

— George

Verilerin bağlamını bilmek her zaman yararlıdır ve herhangi bir analizden elde edilen sonuçlar a priori bilgimizle karşılaştırılmalıdır. Yine de bazı önlemler alınması önerilir. Sezgi bazen başarısız olur ve bazen kabul edilen teoriler gerçeklerle desteklenmeyen varsayımlara dayanır. Ama ne demek istediğini anlıyorum ve genel olarak katılıyorum.

— javlacalle