| Какова размерность моей переменной отклика? |
Условные модели среднего и отклонения, регрессионые модели с ошибками ARIMA и байесовские линейные регрессионые модели в этом тулбоксе предназначены для моделирования одномерных данных в дискретном времени. Отдельные модели доступны для многомерных данных в дискретном времени, таких как модели VAR и VEC. Модели в пространстве состояний поддерживают одномерные или многомерные переменные отклика.
|
|
| Мои временные ряды стационарны? |
Тесты стационарности доступны. Если ваши данные не являются стационарными, рассмотрите преобразование ваших данных. Стационарность является основой многих моделей временных рядов. Или рассмотрите использование нестационарной модели ARIMA, если в ваших данных есть доказательства единичного корня.
|
|
| У моих временных рядов есть модуль корень? |
Доступны модульные корневые тесты. Доказательства в пользу единичного корня предполагают, что ваши данные являются стационарными. Можно различие ряд с корнем модуля, пока он не будет стационарным, или смоделировать его с помощью нестационарной модели ARIMA.
|
|
| Как я могу справиться с сезонными эффектами? |
Можно десесонализировать (сезонно скорректировать) свои данные. Используйте сезонные фильтры или регрессионые модели для оценки сезонного компонента. Сезонные модели ARIMA используют сезонное дифференцирование для удаления сезонных эффектов. Можно также включать сезонные лаги для моделирования сезонной автокорреляции (как аддитивно, так и мультипликативно).
|
|
| Мои данные автокоррелированы? |
Выборочная автокорреляция и частичная автокорреляция помогают идентифицировать автокорреляцию. Проведите Q-тест Ljung-Box, чтобы протестировать автокорреляции при нескольких лагах совместно. Если автокорреляция присутствует, рассмотрите использование модели условного среднего. Для регрессионных моделей с автокоррелированными ошибками рассмотрите использование оценок FGLS или HAC. Если структура модели ошибки является моделью ARIMA, рассмотрите использование регрессионой модели с ошибками ARIMA.
|
|
| Что, если мои данные гетероскедастичны (демонстрирует волатильность кластеризации)? |
Поиск автокорреляции в квадратном остаточном ряду является одним из способов обнаружения условной гетероскедастичности. Тест ARCH Engle оценивает доказательства против нуля независимых инноваций в пользу альтернативы модели ARCH. Чтобы смоделировать условную гетероскедастичность, рассмотрите использование модели условного отклонения. Для регрессионных моделей, которые показывают гетероскедастические ошибки, рассмотрите использование оценок FGLS или HAC.
|
|
| Существует ли альтернатива Гауссову инновационному распределению для лептокуртических данных? |
Можно использовать распределение t Студента, чтобы смоделировать более толстые хвосты, чем Гауссово распределение (избыточный куртоз). Можно задать t инновационное распределение для всех условных моделей среднего и отклонения и ARIMA модели ошибок в Econometrics Toolbox™. Можно оценить степени свободы распределения t наряду с другими параметрами модели.
|
|
| Как решить между несколькими модельными подгонками? |
Можно сравнить вложенные модели с помощью тестов миссспецификации, таких как тест коэффициента вероятности, тест Уолда или тест множителя Лагранжа. Информационные критерии, такие как AIC или BIC, сравнивают подгонку модели с штрафом за сложность.
|
|
| У меня есть два или более временных рядов, которые объединены? |
Коинтеграционные тесты Йохансена и Энгле-Грейнджера оценивают доказательства коинтеграции. Рассмотрите использование модели VEC для моделирования многомерных, коинтегрированных рядов. Также рассмотрим коинтеграцию при регрессии временных рядов. Если он присутствует, он может ввести ложные регрессионые эффекты.
|
|
| Что, если я хочу включить переменные предиктора? |
ARIMAX, VARX, регрессионые модели с ошибками ARIMA и байесовские линейные регрессионые модели доступны в этом тулбоксе. Модели в пространстве состояний поддерживают данные предиктора.
|
|
| Что, если я хочу реализовать регрессию, но классические допущения линейной модели могут не применяться? |
Регрессионные модели с ошибками ARIMA доступны в этом тулбоксе. Регрессируйте надежно, используя FGLS или оценки HAC. Используйте байесовскую линейную регрессию. Для серии примеров методов регрессии временных рядов, которые иллюстрируют общие принципы и задачи при регрессионном моделировании временных рядов, смотрите Примеры Econometrics Toolbox. Для получения дополнительных опций регрессии смотрите документацию Statistics and Machine Learning Toolbox™.
|
|
| Что, если наблюдения динамического процесса включают ошибку измерения? | Стандартное линейное моделирование пространства состояний доступно в этом тулбоксе. |
|
