Peramalan deret waktu yang sangat berkorelasi


8

Dalam peramalan deret waktu menggunakan berbagai model seperti AR, MA, ARMA, dll, kami biasanya fokus pada pemodelan data dalam perubahan waktu. Tetapi ketika kita memiliki 2 seri waktu yang menunjukkan koefisien korelasi Pearson mereka sangat berkorelasi, apakah mungkin untuk memodelkan nilai ketergantungan dan perkiraan mereka satu dari yang lain? Misalnya, ketika satu seri memiliki hubungan linier dengan yang lain, tampaknya mungkin. Tetapi apakah ada metode umum untuk jenis analisis ketergantungan ini?



Terima kasih! Ini artikel yang bagus, dan saya menemukan paket ini untuk R: vars link
Ho1

@ John: apakah Anda ingin memposting komentar Anda sebagai jawaban? Lebih baik mendapat jawaban singkat daripada tidak menjawab sama sekali. Siapa pun yang memiliki jawaban yang lebih baik dapat mempostingnya.
Stephan Kolassa

1
@StephanKolassa Menambahkan beberapa detail sebagai jawaban.
John

stats.stackexchange.com/questions/398489/… memberikan beberapa panduan di bidang ini.
IrishStat

Jawaban:


2

Model AR, MA, dan ARMA adalah contoh model deret waktu univariat. Masing-masing model memiliki mitra multivariat: Vector Autogression (VAR), Vector Moving Average (VMA), dan Vector Autoregressive Moving Average (VARMA), masing-masing.

VAR mungkin merupakan alasan paling sederhana jika Anda lebih terbiasa dengan regresi linier. Model AR (p) membuat deret waktu terhadap p lagnya. Sejalan dengan itu, model VAR (p) adalah serangkaian regresi, sehingga setiap seri mengalami regresi terhadap kelambanan p dan kelambanan p dari semua variabel lainnya. Setelah melakukan regresi, Anda dapat menghitung residu dari setiap seri dan mengevaluasi seberapa berkorelasi residual.

Seperti halnya model univariat, stasioneritas juga merupakan masalah penting untuk model multivariat. Ini mengarah ke model seperti Vector Error Correction Model (VECM), yang memungkinkan variabel untuk berbagi tren jangka panjang yang stabil dengan penyimpangan jangka pendek.

Dengan menggunakan situs kami, Anda mengakui telah membaca dan memahami Kebijakan Cookie dan Kebijakan Privasi kami.
Licensed under cc by-sa 3.0 with attribution required.