Erklärung, was Nate Silver über Löß gesagt hat

In einer Frage, die ich kürzlich gestellt habe , wurde mir gesagt, dass es ein großes "Nein-Nein" sei, mit Löss zu extrapolieren. In Nate Silvers jüngstem Artikel auf FiveThirtyEight.com ging er jedoch auf die Verwendung von Löss für Wahlvorhersagen ein.

Er diskutierte mit Löß die Besonderheiten aggressiver versus konservativer Vorhersagen, aber ich bin gespannt, ob zukünftige Vorhersagen mit Löß gültig sind.

Ich interessiere mich auch für diese Diskussion und welche anderen Alternativen es gibt, die ähnliche Vorteile wie Löß haben könnten.

— a.powell
quelle

Wenn Ihre x-Variable die Zeit ist, wäre es gefährlich, Löß zu verwenden, um die Zukunft vorherzusagen (was außerhalb des Bereichs der Daten liegen würde). Das heißt aber nicht, dass Sie mit Löß keine allgemeineren Vorhersagen treffen können.

— Glen_b -Reinstate Monica

@Glen_b aus Neugierde was würde ich etwas "allgemeiner" vorhersagen können?

— a.powell

Stellen Sie sich ein nichtlineares Verhältnis zwischen dem Anteil der Personen vor, die dazu neigen, für Partei A zu stimmen, und der Arbeitslosenquote (zusammen mit anderen Prädiktoren - beispielsweise Auswirkungen für die einzelnen Staaten). Stellen Sie sich außerdem vor, dass gerade neue Arbeitslosenzahlen verfügbar werden. innerhalb des Wertebereichs des Trainingssatzes, aber nicht notwendigerweise eines Wertes, der in diesem Satz dargestellt ist (z. B. die Arbeitslosigkeit in der Vergangenheit liegt zwischen 5 und 12% und wir haben jetzt einen Wert von 8,3%, der als stabil prognostiziert wird). Dann könnten wir Löss verwenden, um den Stimmenanteil A vorherzusagen, ohne 5-12% Arbeitslosigkeit zu überschreiten.

— Glen_b -Reinstate Monica

@ Glen_b Danke. Das ist ein wunderbares Beispiel dafür, wie es für Prognosen verwendet werden kann.

— a.powell

Das Problem bei Lowess oder Loess ist, dass eine Polynominterpolation verwendet wird. Es ist bekannt, dass sich Polynome in den Schwänzen unregelmäßig verhalten. Bei der Interpolation bieten stückweise Polynome 3. Grades eine hervorragende und flexible Modellierung von Trends, während sie bei der Extrapolation über den Bereich der beobachteten Daten hinaus explodieren. Wenn Sie spätere Daten in der Zeitreihe beobachtet hätten, müssten Sie definitiv einen weiteren Haltepunkt in die Splines einfügen, um eine gute Anpassung zu erzielen.

Prognosemodelle sind jedoch an anderer Stelle in der Literatur gut erforscht. Filterverfahren wie der Kalman-Filter und der Partikelfilter liefern hervorragende Vorhersagen. Grundsätzlich ist ein gutes Vorhersagemodell alles, was auf Markov-Ketten basiert, wobei die Zeit im Modell nicht als Parameter behandelt wird, aber vorhergehende Modellzustände zum Informieren von Vorhersagen verwendet werden.

— AdamO
quelle