Çok boyutlu zaman serileri ile müdahale analizi

Zaman içinde alkol satışı ile ilgili politika kararının sonuçlarını ölçmek için bir müdahale analizi yapmak istiyorum. Bununla birlikte, zaman serisi analizinde oldukça yeniyim, bu yüzden bazı yeni başlayanlar sorularım var.

Literatür incelendiğinde, diğer araştırmacıların, alkolün zaman serisi satışlarını modellemek için ARIMA'yı kullandığını ve müdahalenin etkisini modellemek için regresör olarak kukla değişkenler kullandığını ortaya koymaktadır. Bu makul bir yaklaşım gibi görünse de, veri setim literatürde kodladığımdan biraz daha zengin. İlk olarak, veri setim içecek türüne (yani bira, şarap, alkollü içecekler) göre ayrıştırılır ve daha sonra coğrafi bölgeye göre ayrıştırılır.

Her bir ayrıştırılmış grup için ayrı ARIMA analizleri oluşturabilir ve ardından sonuçları karşılaştırabilsem de, burada daha iyi bir yaklaşım olduğundan şüpheleniyorum. Çok boyutlu zaman serisi verilerine daha aşina olan herkes bazı önerileri veya önerileri sağlayabilir mi?

Bir müdahale için kukla değişkenli ARIMA modeli, ARIMA hataları olan doğrusal bir modelin özel bir durumudur.

Aynı şeyi burada yapabilirsiniz ancak içecek tipi ve coğrafi bölgeler için faktörler içeren daha zengin bir doğrusal model ile.

R'de, model, xreg argümanı aracılığıyla dahil edilen regresyon değişkenleri ile arima () kullanılarak tahmin edilebilir. Ne yazık ki, kukla değişkenleri kullanarak faktörleri kodlamanız gerekecektir, ancak aksi takdirde nispeten basittir.

İçecek türlerinin satışını bir vektör olarak [t'de şarap satışları, t'de bira satışları, t'de alkol satışları] olarak modellemek isterseniz, Vector Autoregression (VAR) modellerine bakmak isteyebilirsiniz. Muhtemelen şarap, bira ve alkollü içecek dizilerinin yanında bölge ve politika müdahalesi gibi dışsal değişkenlerin bir vektörüne sahip olan VARX çeşitliliğini istiyorsunuz. Bunlara uyması oldukça kolaydır ve eksojen şokların etkisini de ifade etmek için dürtü tepki fonksiyonları alırsınız, ki bu da ilgi çekici olabilir. Lütkepohl'un çok değişkenli zaman serileri kitabında kapsamlı tartışmalar var.

Son olarak, kesinlikle ekonomist değilim ama bana göre bu içecek türlerinin oranlarını ve seviyelerini de düşünebilirsiniz. İnsanlar muhtemelen bir seviye bütçe kısıtlaması altında çalışıyorum - biliyorum ki - seviyeleri birleştirir ve (anti-) hataları ilişkilendirir.

Her zaman dizisi, nihai olarak benzer serilerin benzer / ortak yapıya sahip gruplara veya bölümlere gruplanması fikri ile ayrı ayrı değerlendirilmelidir. Zaman serisi verilerine, zaman içinde belirtilmemiş noktalarda bilinmeyen deterministik yapı ile müdahale edilebildiğinden, müdahalenin gerçekte nerede etkili olduğunu bulmak için Müdahale Tespiti yapılması tavsiye edilir. Bir kanunun belirli bir noktada (de jure) yürürlüğe girdiğini biliyorsanız, bu aslında (fiili) müdahalenin gerçekte gerçekleştiği tarihte olmayabilir. Sistemler, bilinen bir etki tarihinden önce veya hatta uyumsuzluk veya yanıt vermeme nedeniyle tarihten sonra yanıt verebilir. Müdahale tarihinin belirtilmesi Model Spesifikasyonu Sapmasına yol açabilir. Google'a "Müdahale Tespiti" veya "Aykırı Tespit" yapmanızı öneririm. Bu konuda iyi bir kitap Addison-Wessley tarafından yayınlanan Temple Üniversitesi'nden Prof. Wei tarafından olacaktır. Başlığın "Zaman Serisi Analizi" olduğuna inanıyorum. Bir başka yorum da Müdahale Değişkeni Darbe veya Seviye / Adım Kayması veya Mevsimsel Darbe veya Yerel Zaman Eğilimi olarak görünebilir.

Yerel Zaman Eğilimleri hakkındaki tartışmayı genişletmeye yanıt olarak:

1,2,3,4,5,7,9,11,13,15,16,17,18,19 ... 5 ve 10'uncu yıllarda trendde bir değişiklik oldu. Benim için zaman serisindeki ana soru, seviye kaymalarının saptanmasıdır, örneğin 1,2,3,4,5,8,9,10, veya seviye kaymasının başka bir örneği 1,1,1,1,2 , 2,2,2, AND / OR veya zaman eğilimi kesintilerinin tespiti. Bir Darbe bir Adımın farkı olduğu gibi, bir Adım da bir Trendin farkıdır. Müdahale Tespiti teorisini i, e, Trend Noktası Değişimi 4. boyutuna genişlettik. Açıklık açısından, bu tür Müdahale Tespit programlarını hem ARIMA hem de Transfer Fonksiyonu Modelleri ile birlikte uygulayabildim. Bu özellikleri içeren AUTOBOX'un geliştirilmesinde işbirliği yapan kıdemli zaman serisi istatistikçilerinden biriyim. Bu heyecan verici yeniliği programlayan başka kimsenin farkında değilim.