タグ付けされた質問 「intervention-analysis」

介入のある月次時系列があり、結果に対するこの介入の影響を定量化したいと思います。シリーズはかなり短く、効果はまだ結論に達していません。 データ 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") 方法論 1）介入前のシリーズ（2013年10月まで）がauto.arima機能とともに使用されました。提案されたモデルは、平均がゼロでないARIMA（1,0,0）でした。ACFプロットは良好に見えました。 pre <- window(cds, start=c(2012, 01), end=c(2013, 09)) …

11 r  regression  arima  intervention-analysis 

時間の経過に伴うアルコールの販売に関する政策決定の結果を定量化するために介入分析を行いたいと思います。しかし、時系列分析はかなり新しいので、初心者向けの質問があります。 文献を調べると、他の研究者がARIMAを使用してアルコールの時系列売上高をモデル化し、介入の効果をモデル化するためのリグレッサとしてダミー変数を使用していることがわかります。これは妥当なアプローチのように思えますが、私のデータセットは、私が文献で得たデータセットよりもわずかに豊富です。最初に、私のデータセットは飲料の種類（つまり、ビール、ワイン、スピリッツ）ごとに分類され、次に地理的ゾーンごとにさらに分類されます。 分離されたグループごとに個別のARIMA分析を作成して結果を比較することもできますが、ここにはより良いアプローチがあると思います。多次元時系列データに慣れている人は、いくつかの指針や提案を提供できますか？

11 time-series  multivariate-analysis  arima  intervention-analysis 

たとえば、ここで説明するように時系列データ（別名：中断された時系列）を使用して介入分析を実行するときの要件の1つは、介入による総利得（または損失）を推定することです。 ）。 R内のフィルター関数を使用して介入関数を推定する方法を完全に理解しているわけではないので、私はこれを力ずくでやってみました。 データが与えられたとしましょう 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 = …

10 regression  time-series  intervention-analysis  dynamic-regression 

パッケージのarimax関数は、TSA私の知る限りR、介入モデルの伝達​​関数に適合する唯一のパッケージです。予測機能はありませんが、必要な場合があります。 優れたforecastパッケージを活用して、この問題の次の回避策はありますか？予測間隔は正しいですか？私の例では、コンポーネントのstdエラーは「近い」ものです。 予測パッケージのアリマ関数を使用して、介入前のノイズシリーズを決定し、外れ値の調整を追加します。 同じモデルをフィットarimaxさせますが、伝達関数を追加します 伝達関数のarimax近似値（からの係数）を取得し、それらをxreg inとして追加しますarima。 と予測 arima library(TSA) library(forecast) data(airmiles) air.m1<-arimax(log(airmiles),order=c(0,0,1), xtransf=data.frame(I911=1*(seq(airmiles)==69)), transfer=list(c(1,0)) ) air.m1 出力： Coefficients: ma1 intercept I911-AR1 I911-MA0 0.5197 17.5172 0.5521 -0.4937 s.e. 0.0798 0.0165 0.2273 0.1103 sigma^2 estimated as 0.01223: log likelihood=88.33 AIC=-168.65 AICc=-168.09 BIC=-155.02 これはフィルターであり、データより5期間延長されています tf<-filter(1*(seq(1:(length(airmiles)+5))==69),filter=0.5521330,method='recursive',side=1)*(-0.4936508) forecast.arima<-Arima(log(airmiles),order=c(0,0,1),xreg=tf[1:(length(tf)-5)]) forecast.arima 出力： Coefficients: ma1 intercept tf[1:(length(tf) - …

8 r  time-series  forecasting  arima  intervention-analysis 

Rの因果関係の影響パッケージを使用して、相関性が高く季節性のあるいくつかのデータにおける介入の因果関係の影響を推測しています。 具体的には、17日の毎時データを取得しました。介入は1日の終わりに発生します。介入にはまったく影響を受けない2つの制御データセット（0.708と0.701の線形相関）と、介入を含むデータセット（別名「扱われる」） データの一部は ここにあります 私のコードは次のとおりです days <- 4 daily.obser <- days*24 data.1 <- cbind(treated.signal.3n,the.control.3,the.control.2) data.1 <- data.1[1:((length(bsl)+1)+daily.obser), ] #check the required amount of data only matplot(data.1, type = "l",col = c(2,4,9)) legend("bottomright", inset=.05, legend=c("Treated Zone", "Control Zone 1", "Control Zone 2"), pch=1, col=c(2,4,9), horiz=TRUE) preperiod <- c(1,length(bsl)) postperiod <- c((length(bsl)+1),(length(bsl)+1+daily.obs)) …

7 r  intervention-analysis  causalimpact