Answers:
每个时间序列都应以收集的最终思想进行单独评估,即将具有相似/公共结构的相似序列分组或分组。由于时间序列数据可以在未指定的时间点被未知的确定性结构所干预,因此建议进行干预检测以发现干预在哪里实际起作用。如果您知道法律在法律上的特定时间点生效,那么实际上(实际上)可能不是干预实际发生的日期。系统可以在已知的生效日期之前或什至由于不遵守或未响应而在该日期之后做出响应。指定干预的日期可能会导致模型规范偏差。我建议您使用Google“干预检测”或“异常检测”。关于这一点的一本好书将是坦普尔大学的魏教授(由Addison-Wessley出版)。我相信标题是“时间序列分析”。另一评论是干预变量可能显示为脉搏或水平/步进或季节性脉搏或本地时间趋势。
为了扩大有关本地时间趋势的讨论,请执行以下操作:
如果您的展览系列显示1,2,3,4,5,7,9,11,13,15,16,17,18,19 ...在时期5和时期10趋势发生了变化对我来说,时间序列中的一个主要问题是电平偏移的检测,例如1,2,3,4,5,8,9,10,..或电平偏移1,1,1,1,2的另一个示例、、 2、2、2,AND / OR或检测时间趋势中断。正如脉冲是步长的差异一样,步长是趋势的差额。我们已经将干预检测的理论扩展到了第四维度,即趋势点变化。在开放性方面,我已经能够结合ARIMA模型和传递函数模型来实施此类干预检测方案。我是合作开发具有这些功能的AUTOBOX的高级时序统计人员之一。我不知道有谁为这项激动人心的创新编程。
Local Time Trend
干预变量的外观?我熟悉其他三个。