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
,其中是2013年10月的脉冲。
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_t到X_t?ω 0 δ ▽ X 吨X 吨
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 t
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)))