多维时间序列的干预分析

我想进行一次干预分析，以量化关于一段时间内酒精销售的政策决定的结果。但是，我对时间序列分析还很陌生，所以我有一些初学者的问题。

对文献的检查表明，其他研究人员已使用ARIMA来模拟酒精的时间序列销售，并使用虚拟变量作为回归因子来模拟干预效果。尽管这似乎是一种合理的方法，但是我的数据集比文献中介绍的数据集要稍微丰富一些。首先，我的数据集按饮料类型（即啤酒，葡萄酒，烈酒）分类，然后再按地理区域分类。

虽然我可以为每个分类的组分别创建ARIMA分析，然后比较结果，但我怀疑这里有更好的方法。谁能更熟悉多维时间序列数据，有人可以提出建议或建议吗？

具有用于干预的虚拟变量的ARIMA模型是具有ARIMA误差的线性模型的特例。

您可以在此处执行相同的操作，但可以使用更丰富的线性模型，其中包括饮料类型和地理区域的因素。

在R中，可以使用arima（）估计模型，并通过xreg参数包含回归变量。不幸的是，您将不得不使用伪变量对因子进行编码，但是否则它相对简单。

如果要将饮料类型的销售建模为矢量[t处的葡萄酒销售，t处的啤酒销售，t处的烈酒销售]，则可能需要查看矢量自回归（VAR）模型。您可能希望VARX品种具有外生变量的向量，例如区域和政策干预虚拟对象，以及葡萄酒，啤酒和烈酒序列。它们非常容易安装，您将获得脉冲响应函数来表达外来冲击的影响，这也许也很有趣。Lütkepohl的书中对多元时间序列进行了全面的讨论。

最后，我当然不是经济学家，但在我看来，您可能还会考虑这些饮料类型的比例以及含量。人们可能会在预算紧张的情况下运作-我知道我会这样做-这将使级别相互关联并（反）关联错误。

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。