タグ付けされた質問 「var」

状態空間モデルとKFのすべての優れた特性を考えると、状態空間モデリングとカルマンフィルター（またはEKF、UKF、粒子フィルター）を推定に使用することの欠点は何でしょうか？ARIMA、VAR、またはアドホック/ヒューリスティック手法などの従来の方法論について考えてみましょう。 調整するのは難しいですか？彼らは複雑で、モデルの構造の変化が予測にどのように影響するかを見るのは難しいですか？ または、別の言い方をすれば、状態空間モデルに対する従来のARIMA、VARの利点は何ですか？ 状態空間モデルの利点のみを考えることができます。 いくつかの静的モデルの構造的な破損、シフト、時変パラメーターを簡単に処理します。これらのパラメーターを状態空間モデルの動的状態にするだけで、モデルはパラメーターのシフトに合わせて自動的に調整されます。 欠損データを非常に自然に処理します。KFの移行ステップを実行し、更新ステップは実行しません。 状態空間モデル自体のオンザフライパラメーター（ノイズと遷移/観測行列の共分散）を変更できるため、現在の観測が他とは少し異なるソースからのものである場合は、実行せずに簡単に推定に組み込むことができます何か特別なこと; 上記のプロパティを使用すると、不規則な間隔のデータを簡単に処理できます。観測間の間隔に従って毎回モデルを変更するか、定期的な間隔を使用して観測のない間隔を欠損データとして扱います。 同じモデル内の異なるソースからのデータを同時に使用して、1つの基本量を推定できます。 いくつかの解釈不可能な動的コンポーネントからモデルを構築し、それらを推定することができます。 どのARIMAモデルも状態空間形式で表現できますが、単純な状態空間モデルのみがARIMA形式で正確に表現できます。

53 time-series  arima  kalman-filter  var 

Vector Error Correction Model（VECM）について混乱しています。 技術的背景： VECMは、統合された多変量時系列にベクトル自己回帰モデル（VAR）を適用する可能性を提供します。教科書では、VARを統合時系列に適用する際にいくつかの問題を挙げていますが、その中で最も重要なのは、いわゆるスプリアス回帰です（t統計は非常に重要であり、変数間に関係はありませんがR ^ 2が高い）。 VECMを推定するプロセスは、おおよそ次の3つのステップで構成されていますが、混乱を招く1つは最初のステップです。 統合された多変量時系列のVARモデルの仕様と推定 尤度比検定を計算して、共和分関係の数を決定します 共和分数を決定した後、VECMを推定します 最初のステップでは、適切な数のラグを使用してVARモデルを推定し（通常の適合度基準を使用）、残差がモデルの仮定に対応しているかどうか、つまり、シリアル相関と不均一分散がなく、残差が正規分布していることを確認します。そのため、VARモデルが多変量時系列を適切に記述しているかどうかを確認し、記述している場合にのみ次のステップに進みます。 そして今私の質問に：VARモデルがデータをうまく記述しているのなら、なぜVECMが必要なのですか？私の目標が予測を生成することである場合、VARを推定して仮定をチェックするだけでは十分ではありませんか？また、それらが満たされている場合は、このモデルを使用しますか？

30 time-series  forecasting  var  cointegration  vecm 

資産の価格を予測するためにVARモデルを構築していますが、私の方法が統計的に適切かどうか、含めたテストが関連するかどうか、入力変数に基づいて信頼できる予測を確保するためにさらに必要な場合は知りたいと思います。 以下は、グレンジャーの因果関係を確認し、選択したVARモデルを予測する現在のプロセスです。 require("forecast") require("vars") #Read Data da=read.table("VARdata.txt", header=T) dac <- c(2,3) # Select variables x=da[,dac] plot.ts(x) summary(x) #Run Augmented Dickey-Fuller tests to determine stationarity and differences to achieve stationarity. ndiffs(x[, "VAR1"], alpha = 0.05, test = c("adf")) ndiffs(x[, "VAR2"], alpha = 0.05, test = c("adf")) #Difference to achieve stationarity d.x1 …

19 r  forecasting  modeling  var 

29番目の時間単位について、次の4つの変数を予測する必要があります。約2年分の履歴データがあります。1と14と27はすべて同じ期間（または時期）です。最後に、私は、、、および Oaxaca-Blinderスタイルの分解を行っています。w d w c pWWWwdwdwdwcwcwcppp time W wd wc p 1 4.920725 4.684342 4.065288 .5962985 2 4.956172 4.73998 4.092179 .6151785 3 4.85532 4.725982 4.002519 .6028712 4 4.754887 4.674568 3.988028 .5943888 5 4.862039 4.758899 4.045568 .5925704 6 5.039032 4.791101 4.071131 .590314 7 4.612594 4.656253 4.136271 .529247 8 4.722339 4.631588 3.994956 …

16 time-series  forecasting  multivariate-analysis  var 

相互作用する生物学的変数と環境変数（およびおそらく外生変数も含む）を含む多変量時系列データセットがあります。季節性のほかに、データには明確な長期的な傾向はありません。私の目的は、どの変数が互いに関連しているかを確認することです。予測は実際には求められていません。 時系列分析は初めてなので、いくつかの参考文献を読みました。私の知る限り、Vector Autoregressive（VAR）モデルは適切ですが、季節性と季節性のない経済学分野（多くの場合、時系列分析など）に気付いたほとんどの例に不安を感じています。 季節データをどうすればよいですか？私はそれらを非季節化することを検討しました。たとえば、Rではdecompose、$trend + $rand値を使用してから、かなり静止しているように見える信号を取得します（で判断acf）。VARモデルの結果は混乱を招きます（1ラグモデルが選択されますが、直観的にはもっと期待していたので、自己回帰の係数だけが-他の遅延変数との回帰ではなく-重要です）。私は何か間違ったことをしていますか、または変数が（線形に）関連していない/私のモデルが良いものではないと結論付ける必要があります（補助的な質問：VARに相当する非線形はありますか？） [別の方法として、ダミーの季節変数を使用できるかもしれないと読みましたが、実装方法を正確に把握することはできません]。 経験豊富なユーザーの詳細が実際に私に有益である可能性があるため、ステップバイステップの提案は非常に高く評価されます（そして、具体的な例へのRコードスニペットまたはリンクはもちろん大歓迎です）。

15 r  time-series  var  seasonality 

私はを使用してモデルのチューニングを行ってきましたがcaret、gbmパッケージを使用してモデルを再実行しています。caretパッケージが使用gbmし、出力が同じである必要があることは私の理解です。ただし、を使用した簡単なテスト実行でdata(iris)は、評価指標としてRMSEとR ^ 2を使用したモデルで約5％の不一致が示されています。を使用して最適なモデルのパフォーマンスを見つけたいが、部分的な依存関係プロットを利用するためにcaret再実行しgbmます。再現性のために以下のコード。 私の質問は次のとおりです。 1）これらの2つのパッケージは同じであっても違いがあるのはなぜですか（確率的ですが、5％がやや大きな違いであることがわかります。特に、次のような素晴らしいデータセットを使用していない場合 iris、モデリングの） 。 2）両方のパッケージを使用する利点または欠点はありますか？ 3）無関係：irisデータセットを使用した場合、最適な値interaction.depthは5ですが、読み取り値が最大値floor(sqrt(ncol(iris)))である2 を超えるはずです。これは厳密な経験則ですか、それとも非常に柔軟ですか。 library(caret) library(gbm) library(hydroGOF) library(Metrics) data(iris) # Using caret caretGrid <- expand.grid(interaction.depth=c(1, 3, 5), n.trees = (0:50)*50, shrinkage=c(0.01, 0.001), n.minobsinnode=10) metric <- "RMSE" trainControl <- trainControl(method="cv", number=10) set.seed(99) gbm.caret <- train(Sepal.Length ~ ., data=iris, distribution="gaussian", method="gbm", trControl=trainControl, verbose=FALSE, tuneGrid=caretGrid, metric=metric, bag.fraction=0.75) …

12 r  caret  gbm  matrix  linear-algebra  logistic  modeling  logit  ordered-logit  r  confidence-interval  survival  population  weibull  classification  separation  hypothesis-testing  correlation  statistical-significance  p-value  python  r  data-visualization  r  regression  multiple-regression  chi-squared  multivariate-analysis  distributions  random-variable  experiment-design  distributions  poisson-regression  residuals  excel  time-series  garch  var  survival  modeling  cox-model  interaction  r  pca  normality-assumption 

2つの時系列の日次データがあります。1つはサブスクリプションでsign-ups、もう1つはterminationsサブスクリプションです。両方の変数に含まれている情報を使用して、後者を予測したいと思います。 これらのシリーズのグラフを見ると、終了が数か月前のサインアップの倍数と相関していることは明らかです。つまり、5月10日にサインアップが急増すると、6月10日、7月10日、8月10日などに終了の増加につながりますが、効果はなくなります。 この特定の問題をモデル化するためにどのモデルを採用するかについてのヒントを得たいと思っています。何かアドバイスをいただければ幸いです。 これまではVARモデルを考えていましたが、毎月の効果を含める方法がわかりません-非常に高い次数のラグを使用するか、何らかの方法で季節成分を追加しますか？

11 r  time-series  seasonality  var 

Rに離散時間モデルを適合させようとしていますが、その方法がわかりません。 従属変数を時間監視ごとに1つずつ異なる行に編成し、glm関数をlogitまたはcloglogリンクで使用できることを読みました。この意味で、私は3つの列があります：ID、Event（各time-obsで1または0）およびTime Elapsed（観測の開始以降）、および他の共変量。 モデルに合うようにコードを書くにはどうすればよいですか？従属変数はどれですか？Event従属変数として使用できTime Elapsed、共変量に含めることができると思います。しかし、どうなりIDますか？必要ですか？ ありがとう。

10 r  survival  pca  sas  matlab  neural-networks  r  logistic  spatial  spatial-interaction-model  r  time-series  econometrics  var  statistical-significance  t-test  cross-validation  sample-size  r  regression  optimization  least-squares  constrained-regression  nonparametric  ordinal-data  wilcoxon-signed-rank  references  neural-networks  jags  bugs  hierarchical-bayesian  gaussian-mixture  r  regression  svm  predictive-models  libsvm  scikit-learn  probability  self-study  stata  sample-size  spss  wilcoxon-mann-whitney  survey  ordinal-data  likert  group-differences  r  regression  anova  mathematical-statistics  normal-distribution  random-generation  truncation  repeated-measures  variance  variability  distributions  random-generation  uniform  regression  r  generalized-linear-model  goodness-of-fit  data-visualization  r  time-series  arima  autoregressive  confidence-interval  r  time-series  arima  autocorrelation  seasonality  hypothesis-testing  bayesian  frequentist  uninformative-prior  correlation  matlab  cross-correlation 

私は多変量時系列で作業していて、予測にVAR（Vector Autoregression）モデルを使用しています。私の質問は、多変量フレームワークで定常性が実際に何を意味するかです。 1）VAR設定で| IA |行列の逆行列式の係数が1未満の固有値である場合、VARシステム全体が安定/静止していることを知っていますが、それは、非定常の違いを気にすることなく続行できることを意味します多変量時系列に存在するコンポーネント 2）コンポーネントシリーズの1つが静止していない場合の処理​​方法 3）複数のコンポーネントの時系列が非定常であるが「共積分されていない」場合、どうすればよいですか？ 何よりも、多変量時系列を処理する他の方法があります。私は機械学習の方法についても調査しています

10 time-series  var  stationarity 

pythonのstatsmodels VARライブラリを使用して財務時系列データをモデル化していますが、いくつかの結果に戸惑いました。VARモデルは時系列データが定常的であることを前提としています。不注意に2つの異なる証券の非定常シリーズの対数価格を当てはめましたが、驚くべきことに、当てはめられた値とサンプル内予測は、比較的重要ではない定常残差で非常に正確でした。サンプル内予測のは99％で、予測残差シリーズの標準偏差は予測値の約10％でした。R2R2R^2 ただし、対数価格を比較し、その時系列をVARモデルに当てはめると、当てはめ値と予測値はマークから大きく外れ、平均の周りの狭い範囲で跳ね返ります。その結果、残差は、近似値よりもログの戻りを予測する仕事がうまくいきます。予測残差の標準偏差は、近似データ系列よりも15倍大きく、予測系列の.007値です。R2R2R^2 VARモデルの適合対残差を誤って解釈したり、他のエラーを起こしたりしていませんか？非定常時系列は、同じ基礎データに基づく定常時系列よりも正確な予測になるのはなぜですか？私は同じpythonライブラリのARMAモデルを少し使ってみましたが、この単一のシリーズデータのモデリングのようなものは何もありませんでした。

9 time-series  forecasting  r-squared  var  stationarity 

私は、77四半期にわたって33人の個人のパネルデータに基づいて、ベクトル自動回帰（VAR）とインパルス応答関数（IRF）の推定に取り組んでいます。このタイプの状況はどのように分析する必要がありますか？この目的のためにどのようなアルゴリズムが存在しますか？私はこれらの分析をRで行うことを好みます。そのため、Rコードまたはこの目的のために設計されたパッケージに詳しい人が示唆できるとしたら、それは特に役立ちます。

9 r  econometrics  panel-data  var  impulse-response 

私は、「最近の作業」がVARモデルを生データI（1）で使用できることを示しているが、共積分が必要であることを表すいくつかの論文を読みました。これは、VARモデリングのデータを差異化する理由がないことを意味します。これに関する紙の参照はありますか？

8 references  var  cointegration 

閉まっている。この質問はトピックから外れています。現在、回答を受け付けていません。 この質問を改善してみませんか？ 質問を更新することがありますので、話題のクロス検証済みのため。 2年前休業。 私は2変量の時系列を持っています。z_tここz_1tで、米国の毎月の短期国債（満期3か月）の変化z_2tと、米国の月次消費者物価指数（CPI）のパーセントでのインフレ率です。使用されるCPIは、都市部のすべての消費者の消費者物価指数：すべてのアイテム（CPIAUCSL）です。元のデータは、セントルイス連邦準備銀行からダウンロードされます。CPIレートは、ログCPIインデックスの最初の差の100倍です。指定したVARモデルを近似し、しきい値R 1.65のコマンドR（refVarパッケージからMTSまたはrestrictパッケージからvars）によって近似を簡略化したいと思います。 この演習（pdf）は、シカゴ大学のR. TsayのWebサイトで見つけました。データはこちら。 私が今まで行ったことは次のとおりです。 y <- diff(zt[,3]) lot(y, type="l", ylab="tb3m") # difference x <- diff(log(zt[,4])) plot(x, type="l", ylab="CPI rate") new <- cbind(x, y) # order selection gives VAR(6) VARselect(new, lag.max=9, type="const") data1 <- data[,c("tb3m","cpiaucsl")] fit <- VAR(data1,p=6) fit restrict(fit, method="ser", thresh=1.65, resmat=T) restrictそしてVAR私の右の結果またはPDFで回答におけるVaRモデルの同じ係数を与えることはありません。

8 r  time-series  var 

AR、MA、ARMAなどのさまざまなモデルを使用した時系列予測では、通常、時間の変化におけるデータのモデリングに焦点を当てます。しかし、ピアソンの相関係数が高度に相関していることを示す2つの時系列がある場合、それらの依存関係と予測値をモデル化して他のモデルから予測することは可能ですか？たとえば、あるシリーズが他のシリーズと線形関係にある場合、それは可能であるように見えます。しかし、この種の依存関係分析の一般的な方法はありますか？

8 time-series  correlation  forecasting  var 

これを経営の観点から理解したいと思っています。たとえば、線形回帰を説明している場合、それはいくつかのデータポイントを通る最適な直線であり、「x」の特定の値の「y」値を予測するために使用できます。VARに類似した説明はありますか？統計に強いバックグラウンドはありません。

8 time-series  var