Karena kita tidak dapat mencocokkan model ARIMA ketika asumsi varians konstan dilanggar, model apa yang dapat digunakan agar sesuai dengan deret waktu univariat?
Karena kita tidak dapat mencocokkan model ARIMA ketika asumsi varians konstan dilanggar, model apa yang dapat digunakan agar sesuai dengan deret waktu univariat?
Jawaban:
Ada sejumlah opsi pemodelan untuk memperhitungkan varian yang tidak konstan, misalnya ARCH (dan GARCH, dan banyak ekstensi mereka) atau model volatilitas stokastik.
Model ARCH memperluas model ARMA dengan persamaan deret waktu tambahan untuk istilah galat kuadrat. Mereka cenderung mudah diperkirakan (paket fGRACH R misalnya).
Model SV memperluas model ARMA dengan persamaan deret waktu tambahan (biasanya AR (1)) untuk log varian yang tergantung waktu. Saya telah menemukan model-model ini diperkirakan terbaik menggunakan metode Bayesian (OpenBUGS telah bekerja dengan baik untuk saya di masa lalu).
Anda dapat menyesuaikan model ARIMA, tetapi pertama-tama Anda harus menstabilkan varians dengan menerapkan transformasi yang sesuai. Anda juga dapat menggunakan transformasi Box-Cox. Ini telah dilakukan dalam buku Time Series Analysis: With Applications in R , halaman 99, dan kemudian mereka menggunakan transformasi Box-Cox. Periksa tautan ini pemodelan Box-Jenkins Referensi lain adalah halaman 169, Pengantar Seri Waktu dan Peramalan, Brockwell dan Davis, “Setelah data ditransformasikan (misalnya, dengan beberapa kombinasi Box-Cox dan transformasi yang berbeda atau dengan menghilangkan komponen tren dan musiman) ke titik di mana seri X_t yang ditransformasikan berpotensi dapat dipasang oleh model ARMA nol-rata, kita dihadapkan pada masalah pemilihan nilai yang sesuai untuk pesanan p dan q. ” Karena itu, Anda perlu menstabilkan varians sebelum cocok dengan model ARIMA.
Pertama saya akan bertanya mengapa residu dari model ARIMA tidak memiliki varian konstan sebelum saya meninggalkan pendekatan. Apakah residunya sendiri tidak menunjukkan struktur korelasi? Jika mereka melakukannya mungkin beberapa istilah moving average perlu dimasukkan ke dalam model.
Tapi sekarang mari kita anggap bahwa residu tampaknya tidak memiliki struktur autokorelasi. lalu dengan cara apa varians berubah dengan waktu (meningkat, menurun, atau berfluktuasi naik turun)? Cara varians berubah mungkin menjadi petunjuk untuk apa yang salah dengan model yang ada. Mungkin ada kovariat yang saling berkorelasi dengan deret waktu ini. Dalam hal ini kovariat dapat ditambahkan ke model. Residu mungkin kemudian tidak lagi menunjukkan varian tidak konstan.
Anda dapat mengatakan bahwa jika seri berkorelasi silang dengan kovariat yang muncul dalam autokorelasi residu. Tapi itu tidak akan menjadi masalah jika korelasinya sebagian besar pada lag 0.
Jika penambahan istilah moving average atau pengenalan kovariat tidak membantu menyelesaikan masalah, Anda mungkin dapat mempertimbangkan untuk mengidentifikasi fungsi yang bervariasi waktu untuk varian residual berdasarkan pada beberapa parameter. Kemudian hubungan itu dapat dimasukkan ke dalam fungsi kemungkinan untuk memodifikasi estimasi model.