干预与差异


10

例如,如此处讨论的那样,当使用时间序列数据(也称为“中断时间序列”)进行干预分析时,我的一项要求是估算由于干预导致的总收益(或损失),即获得或损失的单位数(Y变量) )。

我不完全了解如何使用R中的过滤器函数来估计干预函数,而是以蛮力的方式进行了研究,希望它能够在任何情况下都能通用。

假设给定数据

 cds<- structure(c(2580L, 2263L, 3679L, 3461L, 3645L, 3716L, 3955L, 
    3362L, 2637L, 2524L, 2084L, 2031L, 2256L, 2401L, 3253L, 2881L, 
    2555L, 2585L, 3015L, 2608L, 3676L, 5763L, 4626L, 3848L, 4523L, 
    4186L, 4070L, 4000L, 3498L), .Dim = c(29L, 1L), .Dimnames = list(
        NULL, "CD"), .Tsp = c(2012, 2014.33333333333, 12), class = "ts")

我们决定最佳拟合模型如下,干预函数为

Ť=ω01个-δXŤ,其中是2013年10月的脉冲。XŤ

fit4 <- arimax(log(cds), order = c(1,1,0),include.mean=FALSE, 
               xtransf = data.frame(Oct13 = 1*(seq_along(cds)==22)),
               transfer = list(c(1,0))
               ,xreg=1*(seq_along(cds)==3))
fit4

#    ARIMA(1,1,0)                    

#    Coefficients:
#              ar1    xreg  Oct13-AR1  Oct13-MA0
#          -0.0184  0.2718     0.4295     0.4392
#    s.e.   0.2124  0.1072     0.3589     0.1485

#    sigma^2 estimated as 0.02176:  log likelihood=13.85
#    AIC=-19.71   AICc=-16.98   BIC=-13.05

我有两个问题:

1)即使我们已经对ARIMA误差进行了差分,但要评估干预函数,然后使用差分序列技术上来说是合适的,我们仍然需要做一些事情才能“变回”或\ delta的估计值从使用\ bigtriangledown X_tX_tω 0 δ X X XŤω0δXŤXŤ

2)这是正确的吗:为了确定干预的收益,我根据参数构造了干预。一旦我有了我来自模型fit4的拟合值(exp()以反转对数)与exp(拟合值减去)进行比较,并确定在观察到的时间段内,干预导致了3342.37个额外单位。m t m tŤŤŤ

通常,此过程是从干预分析中确定收益的正确过程吗?

    int_vect1<-1*(seq_along(cds)==22)
    wo<- 0.4392
    delta<-0.4295


    mt<-rep(0,length(int_vect1))

    for (i in 1:length(int_vect1))
    {

      if (i>1)
      {
        mt[i]<-wo*int_vect1[i]+delta*mt[i-1]
      }

    }


    mt

sum(exp(fitted(fit4)) - (exp(fitted(fit4) - mt)))

2
想知道是否有人可以阐明估计干预措施影响的正确方法-通常来说,我演示的程序是否正确?
B_Miner 2014年

这是一个很好的问题。我怀疑根据干预措施的性质,指标功能的选择可能不是最佳选择。对于某些缩放参数,也许是指数衰减函数,。αŤ=经验值αŤ-一世如果一世Ť其他0α
杰西卡·柯林斯

Answers:


4

假设这是玩具示例:

要回答您的第一个问题:

1)即使我们已经对ARIMA误差进行了差分,但是要使用技术上适合的差分序列▽Xt评估干预函数,为了通过使用▽“改回”ω0或δ的估计值,我们仍然需要做些什么Xt到Xt?

当您对数据进行区分时,应该对响应/干预变量进行区分。当您在建模后退回差异(转换)时,这将自动处理差异**,我知道您使用时非常容易SAS Proc ARIMA。我不知道该怎么做R

第二个问题:

2)是否正确:为了确定干预的收益,我根据参数构造了干预mt。一旦确定了mt,就将模型fit4中的拟合值(exp()以反转对数)与exp(拟合值减mt)进行比较,并确定在观察期间内,干预导致了3342.37个额外单位。

要确定干预收益,您需要先取指数然后减去-1,这将产生比例或增量效应。为了说明您的情况,请参见下文。对于第一个月,影响为原始销售额的55%,并且迅速下降。累计有4580个增量效果单位(2014年10月13日至2月13日。(我指的是Delurgio P的预测原理和应用:518。关于干预分析的内容非常丰富)。

如果此方法正确,请有人纠正?

在这种情况下,脉冲干预+衰减显然是不够的,我将进行脉冲+永久电平转换,如下图(e)所示,该图来自Box和Tiao的经典论文。

在此处输入图片说明

在此处输入图片说明


嗨@forecaster。您是如何获得3170效果的?这是我所做的,我查看了模型的拟合值,即8.64245833(仍在对数刻度上)。然后,exp(8.64245833)= 5667.244674。然后,我取了8.64245833-0.4392 = 8.20325833。由于exp(8.64245833)-exp(8.20325833)= 2014.411599,因此会产生效果。exp(8.64245833)/ exp(8.20325833)= 1.55在我看来,这是对此的支持。
B_Miner 2014年

您使用了我猜想的实际值和建模效果,而不是同时使用模型和方法的方法。我使用模型在有效果和无效果时会说什么的想法。哪个是对的?
B_Miner 2014年

@B_miner,您好,我们需要使用对数转换比例来查看变化率。我引用的方法是根据教科书的直接方法。但是,您的方法也是合理的。我将在不久的将来对教科书页面进行截图。
预测者

变化率是0.55,这也是我采用的模型方法的变化率。我想知道哪种方法更合适?我倾向于我的方法,因为该方法基于模型(拟合的实际值)。如果模型非常接近实际,则这两种方法将作为示例。我想看这些页面。我看到这本书看起来绝版了吗?
B_Miner 2014年

是的,这本书已绝版。本书示例是您示例中的永久更改与脉冲干预。我认为您的方法是直接而准确的。
预测者

0

@forecaster在允许AUTOBOX使用29个值识​​别3个离群值之后(在您的经验中不适合),找到了一个有用的模型在此处输入图片说明,这里在此处输入图片说明。剩余acf图不表示模型未指定在此处输入图片说明。实际/适合/预测图位于在此处输入图片说明此处适合/预测在此处输入图片说明。预测器已经(正确地)提到了当引入接近1.0的分母系数时,脉冲变量如何变成水平/阶跃变量。在发现两个电平偏移(最近的一个偏移从9/2013开始)和一个脉冲在10/2013时,该模型提供了更清晰的画面。就脉冲在10/13处的影响而言,它只是系数的值。高温超导


2
您在回答两个问题中的哪一个?
B_Miner 2014年

第一个问题提出了一个假设为对数变换的模型,我认为这是不正确的。在二千〇一十三分之十= 1710的脉冲,该脉冲是的效果在二千零十三分之十估计
IrishStat

@B_Miner,您可以说9/2013的水平移动将事物提高了1480,因此10/2013的净提升为1710 + 1480 = 3190
11

这篇文章似乎更多地是对该问题的扩展评论,而不是对该问题任何部分的解答。也许可以扩大它以直接解决问题?
ub

第一个问题的错误前提是我的答案的症结所在:我认为以日志记录和合并不必要的差异是可疑/不正确的……因此,我的“答案”部分是为了纠正前提并建议影响的影响10/2013只是临时和永久更改的总和。即使OP接受了另一个答案,我也没有。
IrishStat
By using our site, you acknowledge that you have read and understand our Cookie Policy and Privacy Policy.
Licensed under cc by-sa 3.0 with attribution required.