Analisis intervensi dengan deret waktu multi dimensi

Saya ingin melakukan analisis intervensi untuk mengukur hasil keputusan kebijakan tentang penjualan alkohol dari waktu ke waktu. Saya cukup baru dalam analisis deret waktu, jadi saya punya beberapa pertanyaan pemula.

Pemeriksaan literatur mengungkapkan bahwa peneliti lain telah menggunakan ARIMA untuk memodelkan penjualan alkohol seri waktu, dengan variabel dummy sebagai regressor untuk memodelkan efek intervensi. Meskipun ini tampak seperti pendekatan yang masuk akal, set data saya sedikit lebih kaya daripada yang saya miliki dalam literatur. Pertama, kumpulan data saya dipilah berdasarkan jenis minuman (yaitu bir, anggur, alkohol), dan kemudian dipilah berdasarkan zona geografis.

Sementara saya bisa membuat analisis ARIMA terpisah untuk setiap kelompok yang dipisahkan dan kemudian membandingkan hasilnya, saya menduga ada pendekatan yang lebih baik di sini. Adakah yang lebih mengenal data deret waktu multi dimensi yang dapat memberikan saran atau saran?

Model ARIMA dengan variabel dummy untuk intervensi adalah kasus khusus dari model linier dengan kesalahan ARIMA.

Anda dapat melakukan hal yang sama di sini tetapi dengan model linier yang lebih kaya termasuk faktor-faktor untuk jenis minuman dan zona geografis.

Dalam R, model dapat diestimasi menggunakan arima () dengan variabel regresi dimasukkan melalui argumen xreg. Sayangnya, Anda harus kode faktor menggunakan variabel dummy, tetapi jika tidak relatif mudah.

Jika Anda ingin membuat model penjualan jenis minuman sebagai vektor [penjualan anggur pada t, penjualan bir pada t, penjualan roh pada t], Anda mungkin ingin melihat model Vector Autoregression (VAR). Anda mungkin menginginkan varietas VARX yang memiliki vektor variabel eksogen seperti wilayah dan boneka intervensi kebijakan, di samping rangkaian anggur, bir, dan arwah. Mereka cukup mudah untuk dipasangkan dan Anda akan mendapatkan fungsi respons impuls untuk mengekspresikan dampak guncangan eksogen, yang mungkin juga menarik. Ada diskusi komprehensif dalam buku Lütkepohl tentang rangkaian waktu multivarian.

Akhirnya, saya jelas bukan ekonom, tetapi bagi saya Anda mungkin juga berpikir tentang rasio jenis minuman ini dan juga levelnya. Orang mungkin beroperasi di bawah batasan anggaran minuman keras - saya tahu saya lakukan - yang akan menyamakan tingkat dan (anti-) mengkorelasikan kesalahan.

Setiap deret waktu harus dievaluasi secara terpisah dengan ide akhir pengumpulan yaitu mengelompokkan deret yang sama ke dalam kelompok atau bagian yang memiliki struktur yang sama / umum. Karena data deret waktu dapat diintervensi oleh struktur deterministik yang tidak diketahui pada waktu yang tidak ditentukan, seseorang disarankan untuk melakukan Deteksi Intervensi untuk menemukan di mana intervensi sebenarnya berpengaruh. Jika Anda tahu undang-undang mulai berlaku pada titik tertentu (de jure) ini mungkin sebenarnya (de facto) bukan tanggal ketika intervensi benar-benar terjadi. Sistem dapat merespons sebelum tanggal efek yang diketahui atau bahkan setelah tanggal karena ketidakpatuhan atau non-respons. Menentukan tanggal intervensi dapat menyebabkan Bias Spesifikasi Model. Saya menyarankan agar Anda google "Deteksi Intervensi" atau "Deteksi Outlier". Buku bagus tentang ini adalah karya Prof. Wei dari Temple University yang diterbitkan oleh Addison-Wessley. Saya percaya judulnya adalah "Analisis Rangkaian Waktu". Satu komentar lebih lanjut, Variabel Intervensi dapat muncul sebagai Pulsa atau Pergeseran Tingkat / Langkah atau Pulsa Musiman atau Tren Waktu Lokal.

Menanggapi memperluas diskusi tentang Tren Waktu Lokal:

Jika Anda memiliki seri yang menampilkan 1,2,3,4,5,7,9,11,13,15,16,17,18,19 ... ada perubahan tren pada periode 5 dan 10 Bagi saya pertanyaan utama dalam deret waktu adalah deteksi pergeseran level, misalnya 1,2,3,4,5,8,9,10, ... atau contoh lain dari pergeseran level 1,1,1,1,2 , 2,2,2, DAN / ATAU atau deteksi tren waktu istirahat. Sama seperti Pulse adalah perbedaan dari Langkah, Langkah adalah perbedaan dari Trend. Kami telah memperluas teori Deteksi Intervensi ke dimensi 4 i, e, Trend Point Change. Dalam hal keterbukaan, saya telah mampu mengimplementasikan skema Deteksi Intervensi tersebut bersama dengan ARIMA dan Model Fungsi Transfer. Saya adalah salah satu ahli statistik seri waktu senior yang telah berkolaborasi dalam pengembangan AUTOBOX yang menggabungkan fitur-fitur ini. Saya tidak mengetahui siapa pun yang telah memprogram inovasi menarik ini.