如何在ARIMA模型的观察值48中加入创新的离群值？

我正在处理数据集。使用一些模型识别技术后，我得出了一个ARIMA（0,2,1）模型。

我使用R detectIO包TSA中的函数在对原始数据集进行第48次观察时检测到创新的离群值（IO）。

如何将这个离群值合并到模型中，以便将其用于预测？我不想使用ARIMAX模型，因为我可能无法根据R中的模型做出任何预测。还有其他方法可以做到吗？

以下是我的价值观：

VALUE <- scan()
  4.6  4.5  4.4  4.5  4.4  4.6  4.7  4.6  4.7  4.7  4.7  5.0  5.0  4.9  5.1  5.0  5.4
  5.6  5.8  6.1  6.1  6.5  6.8  7.3  7.8  8.3  8.7  9.0  9.4  9.5  9.5  9.6  9.8 10.0
  9.9  9.9  9.8  9.8  9.9  9.9  9.6  9.4  9.5  9.5  9.5  9.5  9.8  9.3  9.1  9.0  8.9
  9.0  9.0  9.1  9.0  9.0  9.0  8.9  8.6  8.5  8.3  8.3  8.2  8.1  8.2  8.2  8.2  8.1
  7.8  7.9  7.8  7.8

那实际上是我的数据。它们是六年内的失业率。然后有72个观测值。每个值最多至小数点后一位

r time-series arima outliers hypergeometric fishers-exact r time-series intraclass-correlation r logistic glmm clogit mixed-model spss repeated-measures ancova machine-learning python scikit-learn distributions data-transformation stochastic-processes web standard-deviation r machine-learning spatial similarities spatio-temporal binomial sparse poisson-process r regression nonparametric r regression logistic simulation power-analysis r svm random-forest anova repeated-measures manova regression statistical-significance cross-validation group-differences model-comparison r spatial model-evaluation parallel-computing generalized-least-squares r stata fitting mixture hypothesis-testing categorical-data hypothesis-testing anova statistical-significance repeated-measures likert wilcoxon-mann-whitney boxplot statistical-significance confidence-interval forecasting prediction-interval regression categorical-data stata least-squares experiment-design skewness reliability cronbachs-alpha r regression splines maximum-likelihood modeling likelihood-ratio profile-likelihood nested-models

— b2amen
source

您可以创建一个在为1的虚拟对象，在所有其他期间都为0。然后重新估计模型。这将使这个离群值不会使预测偏误。如果这不是您要考虑的内容，则应详细说明第二段。

t = 48

$t=48$

— Dimitriy V. Masterov

@Gen_b您是正确的，它应该打扰您，因为这可能存在差异，产生了抵消的MA（1）。错误识别是由于使用了不适当的工具造成的。

— IrishStat 2013年

在第二个差异中，您看起来像一个离群值，但这显然是由原始序列中观察值47的一个小的加性跳跃引起的，当两次相差时，它看起来像是一个较大的负离群值。如果您执行简单的操作以消除观察值47上的微小影响（几乎所有明智的选择），则第二个差异中不会出现异常值。我想说这也许最好看做是原始规模的AO。

— Glen_b-恢复莫妮卡

这个数据集中发生了很多事情，但是本地时间行为（相关性，季节性等）最少。当您像一系列数字一样盲目地分析数据时，就有产生荒谬结果（或更糟）的风险。您能告诉我们这些数据是什么意思吗？他们可能是在监视站测量到的东西吗？经济时间序列？生物生长图？通常，对潜在现象的了解比通常需要对统计软件进行更多的摸索更能帮助您识别模型。

— ub

@whuber：它们是六年内的失业率！

— b2amen 2013年

如果则。 $Y(t) = [\theta/\phi][A(t)+\text{IO}(t)]$ $Y^\text{*}(t) = [\theta/\phi][A(t)] + [\theta/\phi][\text{IO}(t)]$

例如，如果并且 ...，则 $\theta = 1$ $\phi = [1-.5B]$
$Y^\text{*}(t) = [1/(1-.5B)][A(t)]$
$\quad\quad\quad\quad+ \text{IO}(t) - .5\cdot \text{IO}(t-1) + .25\cdot \text{IO}(t-2) - .125\cdot \text{IO}(t-3)-\ldots\,.$

例如，如果IO效果的估计值为10.0，则的指标变量为0或1。
$Y^{*}(t) = [1/(1-.5B)][A(t)]$ $\quad\quad\quad\quad+ 10\cdot \text{IO}(t) - 5\cdot \text{IO}(t-1) + 2.5\cdot \text{IO}(t-2) - 1.25\cdot \text{IO}(t-3)-\ldots\,.$
$\text{IO}$

这样，您可以看到异常的影响不仅是瞬时的，而且具有内存。

像AUTOBOX（我很熟悉）软件无法识别IO效果（而AO效果）将识别异常的序列与值10，-5，2.5，-1.25，...开始时期。 $t$

用户看到此罕见事件后，可以使用动态结构而不是纯分子结构 AO干预之间的转换，从而产生与IO相同的结果效果并入。 $[w(b)/d(b)]$ $[w(b)]$

每当您合并内存时，无论是差分运算符还是ARMA结构的结果，由于遗漏因果序列，这都是默认的无知。对于需要纳入干预性确定性序列（例如，脉冲/水平移动，季节性脉冲或本地时间趋势）的情况也是如此。这些虚拟变量是需要省略的用户指定因果变量的代理。通常，您所拥有的只是一系列感兴趣的内容，并且鉴于我已经阐明的限定词，您可以基于过去对未来的预测，完全不了解所分析数据的性质。唯一的问题是您正在使用后窗来预测前进的道路……确实是一件危险的事情。

数据发布后...

一个合理的模型是（1,1,0）is，在此处输入图片说明并且在时段39、41、47、21和69（不是时段48）识别了AO异常。该模型的残差似乎没有明显的结构。AND 事后AO认为活动所反映的活动的最佳表示形式不在时间序列的历史中。我认为，OP的超差模型的ACF会反映出模型的不足。这是模型。在此处输入图片说明同样，由于存在问题或机会，因此没有交付R代码，这是模型识别/修订/验证的领域。最后是实际/拟合和预测序列的图。！[在此处输入图像描述] [6]

— 爱尔兰统计局
source

感谢您的回复; 但是我实际上是想用R代码代替我的模型。

— b2amen 2013年

@ b2amen是的，我不太了解，但是Glen_b需要一些“东西”，我想我会回应他的。

— IrishStat 2013年

感谢您的编辑。你我会成为好伙伴！

— IrishStat 2013年

// @ IrishStat：我的数据包含在原始问题中。希望可以帮助您。无论如何

— b2amen 2013年

@IrishStat：我喜欢你的输出。对我来说看起来很整洁。您使用了什么软件？但是您能解释一下如何识别AR（2,1,0）吗？谢谢

— b2amen 2013年