W kwestii automatycznej dopasowania szeregów czasowych przy użyciu R

musimy dopasować około 2000 lub nieparzyste szeregi czasowe co miesiąc, mają one szczególnie specyficzne zachowanie, w szczególności: arma/arima, niektóre to ewma, inne to arch/garch z lub bez sezonowości i/lub trendu (jedyną rzeczą wspólną jest aspekt szeregów czasowych).W kwestii automatycznej dopasowania szeregów czasowych przy użyciu R

można teoretycznie zbudować model zespołu z kryterium bic lub aic, aby wybrać model najlepiej pasujący, ale czy społeczność jest świadoma każdej biblioteki, która próbuje rozwiązać ten problem?

Google uświadomiły mi poniżej jednego Rob J Hyndmanem link

ale są jakieś inne alternatywy?

Źródło

2009-09-09 Arun

Link do mojego pakietu prognozy jest niepoprawny. To powinno być http://robjhyndman.com/software/forecast –

przeprosić i tak naprawione, dzięki za napisanie pakietu BTW – Arun

Istnieją dwie metody automatycznej w forecast package: auto.arima() która będzie obsługiwać automatyczne modelowanie przy użyciu modeli ARIMA i ets() który automatycznie wybierze najlepszy model z rodziny wykładniczej wygładzania (w tym trendem i sezonowością w stosownych przypadkach). AIC jest używany w obu przypadkach do wyboru modelu. Nie obsługuje jednak modeli ARCH/GARCH. Pakiet jest opisany bardziej szczegółowo w tym JSS artykułu: http://www.jstatsoft.org/v27/i03

nawiązaniu do twojego pytania:

Kiedy to będzie możliwe użycie funkcje Prognoza opakowaniu, zwłaszcza funkcję ETS, wysokiej wymiarowa dane (np. dane tygodniowe)?

Prawdopodobnie na początku przyszłego roku. Artykuł jest pisany (patrz robjhyndman.com/working-papers/complex-seasonality) i pracujemy teraz nad kodem.

Źródło

2009-09-09 23:50:35

Rob: Wygląda na to, że auto.arima() działa tylko z obiektami ts. Czy są jakieś przemyślenia dotyczące dopuszczenia innych nieregularnych szeregów czasowych (np. Z zoo)? Jako prosty przykład z pakietem quantmod: {getSymbols ("GS"); auto.arima (as.zoo (GS [, 'GS.Close']))} – Shane

Nie. Modele ARIMA dla nieregularnie rozmieszczonych danych są bardzo trudne. Zasadniczo musisz dopasować ciągły ARMA (patrz prace Brockwell i wsp.), Który jest zupełnie innym rodzajem modelu niż dyskretny odpowiednik czasu. –

Dzięki useRs, wypróbowałem pakiet prognozy, który również jest złożony z arima i ets, ale nie cieszy się dużym uznaniem ze strony aic lub bic (sbc), więc teraz mam ochotę potraktować każdą z serii czasowych jego własna svm (maszyna wektorów nośnych) ze względu na lepszą zdolność do przystosowywania się do genralizacji, a także możliwość dodawania innych zmiennych poza opóźnieniami i nieliniowymi funkcjami jądra. Jakiekolwiek przeczucia?

Źródło

2009-09-12 20:01:50 Arun

Nie można porównywać AIC z ARIMA i ETS, ponieważ są one oparte na różnych zestawach danych z powodu różnicowania. Ponadto nie widziałem dowodów, że svm jest dobrym ogólnym algorytmem prognozowania serii czasowych. Na przykład prognozy M-konkursów wykazały, że nieliniowe metody eksploracji danych mają tendencję do wykonywania gorszych wyników niż liniowe modele statystyczne na dużych zestawach jednokierunkowych danych szeregów czasowych. Jest na ten temat całkiem spora literatura. Proponuję przeczytać artykuły związane z konkursem M3, zanim spróbujesz wymyślić własną nietestowaną metodę. –

W kwestii automatycznej dopasowania szeregów czasowych przy użyciu R

Odpowiedz

Powiązane problemy