(0,1) ile sınırlanan bir yüzdeyi tahmin etmek için zaman serisi modeli nedir?

Bu ortaya çıkmalı --- 0 ile 1 arasında sıkışmış olan şeylerin tahmini.

Dizimde, bir otomatik regresyon bileşeninden ve aynı zamanda ortalama geri dönen bir bileşenden şüpheleniyorum, bu yüzden ARIMA gibi yorumlayabileceğim bir şey istiyorum - ancak gelecekte% 1000'e çıkmasını istemiyorum .

Sonuçları 0 ile 1 arasında sınırlamak için lojistik regresyonda parametre olarak sadece bir ARIMA modeli mi kullanıyorsunuz?

Veya burada Beta regresyonlarının (0,1) veriler için daha uygun olduğunu öğrendim . Bunu bir zaman serisine nasıl uygulayabilirim? Bunu takmayı ve tahmin etmeyi kolaylaştıran iyi R paketleri veya Matlab işlevleri var mı?

1978 yılında Stanford'daki doktora tezimde birinci dereceden otoregresyon sürecinden oluşan, $[0,1]$ Herhangi bir tam sayı için $r\geq 2$ İzin Vermek $X(t) = X(t-1)/r+e(t)$ nerede $e(t)$ aşağıdaki ayrı muntazam dağılıma sahiptir. $P(e(t) = k/r)=1/r$ için $k=0,1,..., r-1$. İlginç olsa da$e(t)$ her biri ayrık $X(t)$ üzerinde sürekli homojen dağılım $[0,1]$ varsayalım $X(0)$ üniforma üstünde $[0,1]$. Daha sonra Richard Davis ve ben bunu negatif korelasyona genişlettik.$X(t) =-X(t-1)/r + e(t)$. Aralarında değişmek üzere kısıtlanmış sabit otoregresif zaman serilerinin bir örneği olarak ilginç$0$ ve $1$ OP'nin ilgilendiğini belirttiği gibi. Biraz patolojik bir durumdur, çünkü sekansların maksimum değeri, IID üniformaları sınırına benzer bir aşırı değer sınırını karşılasa da, aşırı endeksi daha azdır. $1$. Tezimde ve Yillik Olasılık belgesinde ekstremal indeksin$(r-1)/r$. Bunu ekstremal indeks olarak belirtmedim çünkü bu terim daha sonra Leadbetter tarafından üretildi (en önemlisi Rootzen ve Lindgren ile birlikte yazılan 1983 Springer metninde belirtildi). Bu modelin çok pratik değeri olup olmadığını bilmiyorum. Bence gürültü dağılımı çok tuhaf olduğu için değil. Ancak hafif patolojik bir örnek olarak hizmet eder.

Bunu uzun zaman önce sordum ama SO sadece geri fırladı. Baktığım durumda, pay ve paydayı ayrı olarak tahmin ettim ve bu da metrik için daha mantıklıydı.