“Politika” değişikliği nedeniyle zaman serisi verilerinde önemli bir değişiklik nasıl tespit edilir?

Umarım bunu göndermek için doğru yer, şüpheci yayınlamayı düşündüm, ama sadece çalışmanın istatistiksel olarak yanlış olduğunu söyleyeceklerini düşünüyorum. Sorunun ters tarafını merak ediyorum, bu nasıl doğru yapılır.

Quantified Self web sitesinde , yazar zaman içinde kendi üzerinde ölçülen ve aniden kahve içmeyi bırakmadan önce ve sonra karşılaştırılan bazı çıktı metriği deneylerinin sonuçlarını yayınladı. Sonuçlar öznel olarak değerlendirildi ve yazar, zaman serilerinde bir değişiklik olduğuna dair kanıt olduğuna ve bunun politikadaki değişiklikle (kahve içmek) ilgili olduğuna inanıyordu.

Bunun bana hatırlattığı şey ekonomi modelleri. Sadece bir ekonomimiz var (şu anda önemsediğimiz), bu yüzden ekonomistler genellikle n = 1 deneyler yapıyorlar. Veriler bu nedenle zamanla neredeyse kesin olarak otokore edilir. Ekonomistler genellikle bir politika başlatırken ve potansiyel olarak politika nedeniyle zaman serisinin değişip değişmediğine karar vermeye çalışırken Fed'i izliyorlar.

Zaman serilerinin verilere göre arttığını veya azaldığını belirlemek için uygun test nedir? Ne kadar veriye ihtiyacım olacak? Hangi araçlar var? İlk googling'im Markov Anahtarlama Zaman Serisi Modellerini önerir, ancak googling becerilerim sadece tekniğin adı ile herhangi bir şey yapmama yardımcı olmuyor.

Jason tarafından atıfta bulunulan Box-Tiao makalesi bilinen bir yasa değişikliğine dayanıyordu. Buradaki soru, noktanın zaman içinde nasıl tespit edileceğidir. Cevap, Titreşimler, seviye Kaymaları, Mevsimsel Darbeler ve / veya yerel zaman eğilimleri gibi Müdahaleleri tespit etmek için Tsay prosedürünü kullanmaktır.

Yapısal aralarla ilgili bazı eski notlara baktığımda, şu iki alıntıya sahibim:

Enders, "Uygulamalı Ekonometrik Zaman Serisi", 2. baskı, ch. 5.

Enders müdahaleleri, darbe fonksiyonlarını, kademeli değişim fonksiyonlarını, transfer fonksiyonlarını vb. Tartışır. Bu makale ayrıca yardımcı olabilir:

Kutu, GEP ve GC Tiao. 1975. “Ekonomik ve Çevresel Sorunlara Uygulanan Müdahale Analizi.” Amerikan İstatistik Kurumu Dergisi 70: 70-79.

Sadece bir değişiklik noktası modeli kullanıp, Gibbs Sampling gibi bir MCMC algoritması kullanarak değişiklik noktasını belirlemeye çalışamaz mısınız?

Verileriniz veya önceden koşullu dağıtım (Gibbs için) için bazı önceden dağıtımlarınız olması koşuluyla, bunun uygulanması nispeten basit olmalıdır.

Burada hızlı bir genel bakış bulabilirsiniz

Tüm zaman noktalarını aday değişim noktaları (diğer bir deyişle kırılma noktaları, diğer bir deyişle yapısal değişim) olarak görüyorsanız , yapısal değişim paketi çok iyi bir seçenektir.

Özel senaryoda, sadece bir aday zaman noktası var gibi görünüyor. Bu durumda, birkaç hızlı seçenek akla gelir:

1. T testi: "bırakmadan önce" ve "bıraktıktan sonra" dönemlerinde günlük konsantrasyon saatlerinde yapılan t testi. Günlük korelasyonla ilgileniyorsanız, günlerin artık ilişkili olmadığına inanmak için yeterince uzun aralıklara sahip olmanız için bazı gözlemlerden vazgeçebilirsiniz. Bu yaklaşımla, gücü basit bir şekilde kapatacaksınız.
2. AR: Bir AR modelini bir mankenle takın: "çıktıktan sonra". Tahminci anlamlıysa, bir değişikliğiniz vardır. Bir AR kullanmak, günler arasındaki (olası) bağımlılığı yakalayacaktır.

Birkaç yıl önce yerel bir ASA bölüm toplantısında yüksek lisans öğrencisi Stacey Hancock tarafından bir konuşma duydum ve zaman serisinin "yapısal mola tahmini" üzerindeydi. Konuşma gerçekten ilginçti ve daha sonra onunla konuştum ve Richard Davis ( Brockwell-Davis'ten ), sonra Colorado Eyalet Üniversitesi'nde, şimdi Columbia'da çalışıyordu. Konuşma Davis ve ark. 2006 JASA kağıt işi denilen Durağan Olmayan Zaman Serisi Modelleri için Strutural Molası Tahmin serbestçe kullanılabilir, burada .

Davis, Windows-çalıştırılabilir hale getirdiği Auto-PARM adını verdiği yöntemin bir yazılım uygulamasına sahiptir. Eğer onunla iletişime geçerseniz bir kopyasını alabilirsiniz. Bir kopyam var ve 1.200 gözlem zamanı serisinde örnek çıktı:

    ============== RESULTS ===============
  ISLAND           1
    SC=   1910.58314770669
    Breaking point/AR order
           1              1
         351              1
         612              3
    ======================================
 Total time:   5.812500

Yani seri başlangıçta AR (1), gözlem 351'de AR (1) işlemi başka bir AR (1) işlemine dönüşür (parametreleri alabilirsiniz) ve sonra gözlem 612'de işlem AR (3) olarak değişir .

Auto-PARM'ı denediğim ilginç bir ayar, NN5 yarışmasının bir parçası olan haftalık ATM para çekme verilerine bakmaktı . Belirli bir yılın Kasım ayı sonlarında yapısal molalar bulan algoritmayı hatırlıyorum, örneğin ABD tatil alışveriş sezonunun başlangıcı.

Peki, bu algoritma mevcut uygulamalar aracılığıyla nasıl kullanılır? Yine, Davis'e ulaşabilir ve Windows yürütülebilir dosyasını alıp alamayacağınızı görebilirsiniz. Rogue Wave Software'deyken Davis'le birlikte çalışarak Auto-PARM'ı IMSL Sayısal Kütüphanelerine dahil ettim. O ortamına aktarılan ilk dildi Fortran o Auto_PARM denir, ve ben Rogue Wave takip etmek Python, C # ve Java limanları, yakında bir C portu yayınlayacak şüpheli.

Josh şöyle dedi:

josh: OP'den "Zaman serilerinin verilere göre arttığını veya azaldığını belirlemek için uygun test nedir?" Bu, kalıntıların ortalamasının bazı ARIMA Modelinin parametrelerini değiştirip değiştirmediğini belirlemeyi isterim. Bence yanlış yazılım / çözüm prosedürünü öneriyorsunuz ama bu sadece benim görüşüm. - IrishStat 28 Ekim 11, 19:08

Birinin AR (1) Modeli ile başladığını varsayalım:

${E_t}$$\sigma^2$

$\frac{\gamma}{1-phi}$

$\gamma$$\phi$

Yapısal modeller varsayılırsa, Auto-PARM kullanılacak prosedürdür.