| Какова размерность моей переменной ответа? |
Модели условного среднего и дисперсии, регрессионные модели с ошибками ARIMA и байесовские линейные регрессионные модели в этой панели инструментов предназначены для моделирования одномерных дискретно-временных данных. Отдельные модели доступны для многомерных дискретных временных данных, таких как модели VAR и VEC. Модели пространства состояний поддерживают одномерные или многомерные переменные ответа.
|
|
| Мой временной ряд неподвижен? |
Доступны тесты стационарности. Если данные не являются стационарными, рассмотрите возможность преобразования данных. Стационар является основой многих моделей временных рядов. Или рассмотрите возможность использования нестационарной модели ARIMA, если в данных есть доказательства корня единицы.
|
|
| Мой временной ряд имеет единичный корень? |
Доступны тесты корня установки. Доказательства в пользу корня единицы показывают, что ваши данные являются стационарными. Можно различать серию с корнем единицы измерения, пока она не станет стационарной, или моделировать ее с помощью нестационарной модели ARIMA.
|
|
| Как справиться с сезонными эффектами? |
Можно десезонализировать (сезонно скорректировать) данные. Для оценки сезонного компонента используются сезонные фильтры или регрессионные модели. Сезонные модели ARIMA используют сезонные различия для устранения сезонных эффектов. Можно также включить сезонные задержки для моделирования сезонной автокорреляции (как аддитивно, так и мультипликативно).
|
|
| Мои данные автокоррелированы? |
Выборочные функции автокорреляции и частичной автокорреляции помогают идентифицировать автокорреляцию. Проведите Q-тест Ljung-Box для совместного тестирования автокорреляций с несколькими лагами. Если присутствует автокорреляция, рассмотрите возможность использования условной средней модели. Для регрессионных моделей с автокоррелированными ошибками рассмотрите возможность использования оценок FGLS или HAC. Если структура модели ошибок является моделью ARIMA, рассмотрите возможность использования регрессионной модели с ошибками ARIMA.
|
|
| Что, если мои данные гетероскедастические (показывает кластеризацию волатильности)? |
Поиск автокорреляции в квадрате остаточных рядов является одним из способов обнаружения условной гетероскедастичности. Тест ARCH Engle оценивает доказательства против нулевых независимых инноваций в пользу альтернативы модели ARCH. Для моделирования условной гетероскедастичности следует использовать модель условной дисперсии. Для регрессионных моделей, которые демонстрируют гетероскедастические ошибки, рассмотрите возможность использования оценок FGLS или HAC.
|
|
| Есть ли альтернатива распространению гауссовых инноваций для лептокуртических данных? |
Вы можете использовать распределение Стьюдента для моделирования более толстых хвостов, чем распределение Гаусса (избыток куртоза). В Econometrics Toolbox™ можно указать распределение инноваций для всех моделей условного среднего и дисперсии, а также моделей ошибок ARIMA. Можно оценить степени свободы распределения t вместе с другими параметрами модели.
|
|
| Как выбрать между несколькими модельными посадками? |
Можно сравнить вложенные модели с помощью тестов с неопределениями, таких как тест отношения правдоподобия, тест Вальда или тест множителя Лагранжа. Информационные критерии, такие как AIC или BIC, сравнивают модель, подходящую с штрафом за сложность.
|
|
| Есть ли у меня два или более временных ряда, которые объединяются? |
Тесты Johansen и Engle-Granger на коинтеграцию оценивают доказательства коинтеграции. Рассмотрите возможность использования модели VEC для моделирования многомерных коинтегрированных серий. Также следует учитывать коинтеграцию при регрессии временных рядов. Если он присутствует, он может привести к ложным регрессионным эффектам.
|
|
| Что, если я хочу включить переменные предиктора? |
На этой панели инструментов доступны ARIMAX, VARX, регрессионные модели с ошибками ARIMA и байесовские модели линейной регрессии. Модели пространства состояний поддерживают данные предиктора.
|
|
| Что, если я хочу реализовать регрессию, но классические предположения линейной модели могут не применяться? |
На этой панели инструментов доступны регрессионные модели с ошибками ARIMA. Надежная регрессия с использованием оценок FGLS или HAC. Используйте байесовскую линейную регрессию. Ряд примеров методов регрессии временных рядов, иллюстрирующих общие принципы и задачи в регрессионном моделировании временных рядов, см. в разделе Примеры Econometrics Toolbox. Дополнительные параметры регрессии см. в документации по Toolbox™ статистики и машинного обучения.
|
|
| Что делать, если наблюдения динамического процесса включают ошибку измерения? | На этой панели инструментов доступно стандартное линейное моделирование пространства. |
|
