如果自回归时间序列模型是非线性的,它是否仍然需要平稳性?


17

关于使用递归神经网络进行时间序列预测的思考。与使用线性自回归的ARMA和ARIMA模型相比,它们基本上实现了一种广义的非线性自回归。

如果我们正在执行非线性自回归,那么时间序列是否仍需保持平稳,是否需要以与ARIMA模型相同的方式进行微分?

还是模型的非线性特征使其具有处理非平稳时间序列的能力?


换句话说,ARMA和ARIMA模型的平稳性要求(均值和方差)是由于这些模型是线性的,还是因为其他原因?


您能举一个您想到的非线性ARIMA的例子吗?
阿克萨卡尔州

1
@Aksakal我不是在考虑“非线性ARIMA”,而是在考虑非线性的“ ARIMA替代品”,例如亚马逊的DeepAR自回归神经网络。
Skander H.-恢复莫妮卡

Answers:


15

如果模型的目的是进行预测和预测,则简短的回答是“是”,但平稳性不必处于水平。

我会解释。如果将预测归结为最基本的形式,它将是不变式的提取。考虑一下:您无法预测正在发生的变化。如果我告诉大家明天在每个可以想到的方面都会与今天不同,您将无法做出任何预测

只有当您能够从今天扩展到明天时,您才能做出任何形式的预测。我举几个例子。

  • 您知道明天的平均温度分布将与今天大致相同。在这种情况下,你可以把今天的温度为你预测明天,天真的预测X牛逼+ 1 = X ŧX^Ť+1个=XŤ
  • 您在以10 英里/小时的速度 mph 行驶的道路上观察到一辆汽车。在一分钟内,它可能会到达11英里或9英里左右。如果您知道它正在驶向11英里,那么它将达到11英里左右。因为它的速度和方向是恒定的。注意,这里的位置不是固定的,只有速度是固定的。在这方面它类似于像ARIMA(P,1,Q)或恒定趋势模型象差模型X v v=60XŤvŤ
  • 您的邻居每个星期五都喝醉。他下周五要喝醉吗?是的,只要他不改变自己的行为
  • 等等

在每种合理的预测情况下,我们首先从流程中提取出恒定的内容,并将其扩展到未来。因此,我的回答是:是的,如果方差和均值是您要从历史延伸到未来的不变量,则时间序列必须是固定的。此外,您还希望与回归变量的关系也稳定。

只需确定模型中的不变性是平均水平,变化率还是其他。如果您希望模型具有任何预测能力,则这些事情将来需要保持不变。

霍尔特·温特斯的例子

评论中提到了Holt Winters过滤器。它是平滑和预测某些季节性序列的流行选择,并且可以处理非平稳序列。特别是,它可以处理平均水平随时间线性增长的序列。换句话说,坡度是稳定的。用我的术语来说,斜率是这种方法从系列中提取的不变式之一。让我们看看当斜坡不稳定时它如何失效。

在此图中,我显示了具有指数增长和加性季节性的确定性序列。换句话说,随着时间的推移,坡度会越来越陡峭:

在此处输入图片说明

您可以看到过滤器看起来如何很好地适合数据。拟合线为红色。但是,如果尝试使用此过滤器进行预测,那么它将失败。真实线是黑色,如果在下一个图上符合蓝色置信度范围,则红色为实线:

在此处输入图片说明

通过检查Holt Winters模型方程式可以很容易地看出失败的原因。它从过去提取坡度,并延伸到未来。当斜率稳定时,此方法效果很好,但是当其持续增长时,过滤器就无法跟上,仅落后一步,结果累积为不断增加的预测误差。

R代码:

t=1:150
a = 0.04
x=ts(exp(a*t)+sin(t/5)*sin(t/2),deltat = 1/12,start=0)

xt = window(x,0,99/12)
plot(xt)
(m <- HoltWinters(xt))
plot(m)
plot(fitted(m))

xp = window(x,8.33)
p <- predict(m, 50, prediction.interval = TRUE)
plot(m, p)
lines(xp,col="black")

在此示例中,您可以通过简单地记录序列来提高过滤器性能。当取指数级数增长的对数时,可以再次使其斜率稳定,并给此过滤器一个机会。例子如下:

在此处输入图片说明

R代码:

t=1:150
a = 0.1
x=ts(exp(a*t)+sin(t/5)*sin(t/2),deltat = 1/12,start=0)

xt = window(log(x),0,99/12)
plot(xt)
(m <- HoltWinters(xt))
plot(m)
plot(fitted(m))

p <- predict(m, 50, prediction.interval = TRUE)
plot(m, exp(p))

xp = window(x,8.33)
lines(xp,col="black")

3
“如果将预测归结为最基本的形式,那将是不变性的提取。请考虑这一点:您无法预测正在发生的变化。如果我告诉您明天在各个可以想象的方面都将不同于今天,您将不会能够产生任何形式的预测。” -这是描述统计预测的好方法,而我以前从未(明确地)看到过+1。
Firebug

1
“如果方差和均值是您要从历史延伸到未来的不变性,那么时间序列必须是固定的”-直观上讲,这是有道理的-但在此论坛的其他地方(我认为是Rob Hyndman)提到当数据是一些预测模型,即指数平滑法,工作最好动。
Skander H.-恢复莫妮卡


1
这值得+10!
kjetil b halvorsen

2
@Firebug,谢谢,不变性和对称性的概念在物理学中很重要。例如,均值和方差平稳性可以及时提醒您平移对称性,从而可以预测未来。
阿克萨卡(Aksakal)'18

0

我也同意@Aksakal的观点,即如果主要目标是预测,那么固定序列的基本特征必须成立。


您能否稍微扩大一点?
jbowman
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.