Wie kann man überprüfen, welches Modell in der Zustandsraum-Zeitreihenanalyse besser ist?

Ich mache eine Zeitreihendatenanalyse nach Zustandsraummethoden. Mit meinen Daten hat das stochastische Modell auf lokaler Ebene das deterministische Modell völlig übertroffen. Das deterministische Pegel- und Steigungsmodell liefert jedoch bessere Ergebnisse als mit dem stochastischen Pegel und der stochastisch / deterministischen Steigung. Ist das etwas übliches? Alle Methoden in R erfordern Anfangswerte, und ich habe irgendwo gelesen, dass es eine Möglichkeit ist, zuerst ein ARIMA-Modell anzupassen und Werte von dort als Anfangswerte für die Zustandsraumanalyse zu verwenden. möglich? oder irgendein anderer Vorschlag? Ich sollte hier gestehen, dass mir die Zustandsraumanalyse völlig neu ist.

time-series state-space-models

— Scortchi - Wiedereinsetzung von Monica
quelle

Bitte geben Sie das Beispiel an. Jetzt ist unklar, was Ihr eigentliches Problem ist.

— mpiktas

Meinen Sie ein exponentiell glättendes Zustandsraummodell? Welche R-Pakete verwenden Sie?

— Zach

Versuchen Sie, Modelle zu vergleichen, oder möchten Sie ein Modell auswählen?

— Naught101

Erstens ist, wie bereits erwähnt, nicht klar, was Ihr eigentliches Problem ist. Sie schreiben, dass A besser abschneidet als B und B bessere Ergebnisse liefert als A. Dies ist verwirrend. Zweitens verfügt das "Forecast" -R-Paket über einige automatische Zeitreihenmethoden. Dazu gehören: auto.arima (), ets (), tbats () und bats ().

— Macht

Können Sie erklären, was Sie meinen, wenn Sie "übertroffen" sagen und "bessere Ergebnisse liefern als"?

— Glen_b -Reinstate Monica

Um Ihre erste Frage zu beantworten. Ja, alles ist möglich. Es ist nicht üblich oder ungewöhnlich. Sie sollten sich anhand der Daten mitteilen lassen, um welches Modell es sich handelt. Versuchen Sie, das Modell nach Möglichkeit mit Saisonalen, Zyklen und erklärenden Regressoren zu erweitern.

Sie sollten nicht nur das Akaike Information Criterion (AIC) vergleichen, um Modelle zu vergleichen, sondern auch prüfen, ob Residuen (unregelmäßiger Ausdruck) normal, homoskedastisch und unabhängig sind (Ljung-Box-Test). Wenn Sie ein Modell finden, das all diese wünschenswerten Eigenschaften aufweist. Dies sollte Ihr bevorzugtes Modell sein (wahrscheinlich hat ein Modell mit all diesen Eigenschaften den besten AIC).

Obwohl sich die Anfangswerte darauf auswirken, welcher Maximalpunkt der Log-Likelihood-Funktion gefunden wird, sollte Ihr Modell nicht zu stark variieren und es sollte einen offensichtlichen Kandidaten für das beste Modell mit den besten Anfangswerten geben. Ich mache eine Menge solcher Analysen in Matlab und fand, dass der beste Weg, um anfängliche Werte zu finden, darin besteht, ein bisschen herumzuspielen. Es kann mühsam sein, aber es funktioniert am Ende gut.

— JoeDanger
quelle