Wie erreicht man streng positive Prognosen?

Ich arbeite an einer Zeitreihe, deren Werte streng positiv sind . Bei der Arbeit mit verschiedenen Modellen wie AR, MA, ARMA usw. konnte ich keine einfache Möglichkeit finden, streng positive Prognosen zu erzielen.

Ich verwende R für meine Vorhersagen, und alles, was ich finden konnte, war forecast.hts {hts}, das einen hier beschriebenen positiven Parameter hat:

Prognose einer hierarchischen oder gruppierten Zeitreihe, Paket-HTS

## S3 method for class 'gts':
forecast((object, h,
  method = c("comb", "bu", "mo", "tdgsf", "tdgsa", "tdfp", "all"),
  fmethod = c("ets", "rw", "arima"), level, positive = FALSE,
    xreg = NULL, newxreg = NULL, ...))

positive
    If TRUE, forecasts are forced to be strictly positive

http://www.inside-r.org/packages/cran/hts/docs/forecast.gts

Anregungen für nicht hierarchische Zeitreihen? Was ist mit der Verallgemeinerung der Verwendung anderer Einschränkungen wie Minimum, Maximum usw.?

Auch wenn dies nicht in R implementiert ist, sind Vorschläge zu Artikeln, Modellen oder hilfreichen allgemeinen Variablentransformationen erwünscht.

time-series forecasting constrained-regression

— Ho1
quelle

Eine der einfachsten, aber nicht immer richtigen Maßnahmen in diesem Fall ist die Prognose des Protokolls der Variablen.

— mpiktas

Um @mpiktas teilweise wiederzugeben, muss man auf der Log-Skala arbeiten. In der Praxis werden dadurch oft mehrere Aspekte des Modells gleichzeitig verbessert. Während sich die Vorhersageintervalle gut zurückverwandeln, müssen Sie sich um mittlere Vorhersagen kümmern (wenn die Normalität in den Protokollen angemessen ist, können Sie einen Schätzwert für den Mittelwert des logarithmischen Normalwerts erhalten, der normalerweise angemessen ist, wenn die Stichprobengröße groß ist). Eine Alternative, die manchmal für einige einfache Zeitreihenmodelle funktioniert, ist die Verwendung eines Gamma-Modells.

— Glen_b

Mit dem forecastPaket für R einfach lambda=0beim Einbau eines Modells einstellen . Beispielsweise:

fit <- auto.arima(x, lambda=0)
forecast(fit)

lambdalambda $\lambda=0$ lambda=0

Weitere Informationen finden Sie unter http://www.otexts.org/fpp/2/4 .

— Rob Hyndman
quelle

Vielen Dank an Prof. Hyndman für Ihre freundliche Hilfe. Ich denke, ich sollte dieses Kapitel noch einmal ernsthaft lesen! Denken Sie, dass es hilfreich sein kann, dies in Kapitel 2-4 zu erwähnen? Ich glaube schon! :-) Einige Fragen bleiben für mich offen: Kann irgendeine Art von Transformation für minimale (oder maximale) mögliche Werte verwendet werden? Ich versuche dies mit einer log-basierten Funktion zu tun, aber ist das resultierende Konfidenzintervall mathematisch korrekt?

— Ho1

Bitte stellen Sie die min / max Frage separat. Ja, die Vorhersageintervalle sind bei der Rücktransformation korrekt.

— Rob Hyndman

@ Ho1 Angewandte Zeitreihenanalyse für Management-Prognosen von NELSON; Holden-Day 1973 S. 162-165 diskutiert dies im Detail ... mit einer unterschiedlichen Meinung

— IrishStat

Leider hat es nicht wie erwartet funktioniert, da es die Methode geändert hat, und statt einer netten erwarteten Abweichung der Vorhersagen hat es nur eine flache Linie um den Durchschnitt gemacht

— Diego Duarte