2.1 Modelos médios em movimento (modelos MA) Os modelos de séries temporais conhecidos como modelos ARIMA podem incluir termos autorregressivos e os termos médios em movimento. Na semana 1, aprendemos um termo autorregressivo em um modelo de séries temporais para a variável x t é um valor remanescente de x t. Por exemplo, um termo autorregressivo de lag 1 é x t-1 (multiplicado por um coeficiente). Esta lição define os termos médios móveis. Um termo médio móvel em um modelo de séries temporais é um erro passado (multiplicado por um coeficiente). Deixe (wt overset N (0, sigma2w)), o que significa que o w t é idêntico, distribuído independentemente, cada um com uma distribuição normal com média 0 e a mesma variância. O modelo de média móvel de 1ª ordem, denotado por MA (1) é (xt mu wt theta1w) O modelo de média móvel de 2ª ordem, denotado por MA (2) é (xt mu wt theta1w theta2w) O modelo de média móvel da ordem q , Denotado por MA (q) é (xt mu wt theta1w theta2w dots thetaqw) Nota. Muitos livros didáticos e programas de software definem o modelo com sinais negativos antes dos termos. Isso não altera as propriedades teóricas gerais do modelo, embora ele flip os signos algébricos de valores de coeficientes estimados e termos (desactuados) em fórmulas para ACFs e variâncias. Você precisa verificar seu software para verificar se os sinais negativos ou positivos foram usados para escrever corretamente o modelo estimado. R usa sinais positivos em seu modelo subjacente, como fazemos aqui. Propriedades teóricas de uma série de tempo com um modelo MA (1) Observe que o único valor diferente de zero na ACF teórica é para o atraso 1. Todas as outras autocorrelações são 0. Assim, uma amostra ACF com autocorrelação significativa apenas no intervalo 1 é um indicador de um possível modelo MA (1). Para estudantes interessados, as provas dessas propriedades são um apêndice para este folheto. Exemplo 1 Suponha que um modelo de MA (1) seja x t 10 w t .7 w t-1. Onde (com o excesso de N (0,1)). Assim, o coeficiente 1 0,7. O ACF teórico é dado por um gráfico deste ACF segue. O enredo que acabamos de mostrar é o ACF teórico para um MA (1) com 1 0,7. Na prática, uma amostra geralmente não fornece um padrão tão claro. Usando R, simulamos n 100 valores de amostra usando o modelo x t 10 w t .7 w t-1 onde w t iid N (0,1). Para esta simulação, segue-se um gráfico de séries temporais dos dados da amostra. Não podemos dizer muito dessa trama. A amostra ACF para os dados simulados segue. Vemos um pico no intervalo 1 seguido de valores geralmente não significativos para atrasos após 1. Observe que o ACF de amostra não corresponde ao padrão teórico da MA subjacente (1), que é que todas as autocorrelações por atrasos após 1 serão 0 . Uma amostra diferente teria uma ACF de amostra ligeiramente diferente mostrada abaixo, mas provavelmente teria os mesmos recursos amplos. Propriedades terapêuticas de uma série de tempo com um modelo MA (2) Para o modelo MA (2), as propriedades teóricas são as seguintes: Observe que os únicos valores não nulos no ACF teórico são para atrasos 1 e 2. As autocorrelações para atrasos superiores são 0 . Assim, uma amostra de ACF com autocorrelações significativas nos intervalos 1 e 2, mas as autocorrelações não significativas para atrasos maiores indicam um possível modelo de MA (2). Iid N (0,1). Os coeficientes são de 1 0,5 e 2 0,3. Uma vez que este é um MA (2), o ACF teórico terá valores diferentes de zero apenas nos intervalos 1 e 2. Os valores das duas autocorrelações não-zero são A Um gráfico do ACF teórico segue. Como quase sempre é o caso, os dados da amostra não se comportam tão perfeitamente quanto a teoria. Nós simulamos n 150 valores de amostra para o modelo x t 10 w t .5 w t-1 .3 w t-2. Onde w t iid N (0,1). A série de séries temporais dos dados segue. Tal como acontece com a série de séries temporais para os dados da amostra MA (1), você não pode contar muito com isso. A amostra ACF para os dados simulados segue. O padrão é típico para situações em que um modelo de MA (2) pode ser útil. Existem dois picos estatisticamente significativos nos intervalos 1 e 2 seguidos de valores não significativos para outros atrasos. Observe que, devido ao erro de amostragem, a amostra ACF não corresponde exatamente ao padrão teórico. ACF para General MA (q) Modelos Uma propriedade de modelos de MA (q) em geral é que existem autocorrelações diferentes de zero para os primeiros intervalos de q e autocorrelações 0 para todos os atrasos gt q. Não singularidade de conexão entre valores de 1 e (rho1) em MA (1) Modelo. No modelo MA (1), para qualquer valor de 1. O recíproco 1 1 dá o mesmo valor para Como exemplo, use 0,5 para 1. E depois use 1 (0,5) 2 para 1. Você obterá (rho1) 0.4 em ambos os casos. Para satisfazer uma restrição teórica chamada invertibilidade. Nós restringimos os modelos de MA (1) para ter valores com valor absoluto inferior a 1. No exemplo que acabamos de dar, 1 0.5 será um valor de parâmetro permitido, enquanto que 1 10.5 2 não irá. Invertibilidade de modelos de MA Um modelo de MA é considerado inversível se for algébricamente equivalente a um modelo de AR de ordem infinita convergente. Ao convergir, queremos dizer que os coeficientes de AR diminuem para 0, enquanto nos movemos para trás no tempo. Invertibilidade é uma restrição programada em software de série temporal usado para estimar os coeficientes de modelos com termos MA. Não é algo que buscamos na análise de dados. Informações adicionais sobre a restrição de invertibilidade para modelos MA (1) são apresentadas no apêndice. Nota de teoria avançada. Para um modelo MA (q) com um ACF especificado, existe apenas um modelo inversível. A condição necessária para a invertibilidade é que os coeficientes possuem valores tais que a equação 1- 1 y-. - q e q 0 possui soluções para y que se encontram fora do círculo da unidade. Código R para os Exemplos No Exemplo 1, traçamos o ACF teórico do modelo x t 10 w t. 7w t-1. E depois simulou n 150 valores desse modelo e traçou as séries temporais da amostra e a amostra ACF para os dados simulados. Os comandos R utilizados para traçar o ACF teórico foram: acfma1ARMAacf (mac (0,7), lag. max10) 10 lags de ACF para MA (1) com theta1 0,7 lags0: 10 cria uma variável chamada atrasos que varia de 0 a 10. trama (Lag, acfma1, xlimc (1,10), ylabr, typeh, ACF principal para MA (1) com theta1 0,7) abline (h0) adiciona um eixo horizontal ao gráfico O primeiro comando determina o ACF e o armazena em um objeto Nomeado acfma1 (nossa escolha de nome). O comando de parcela (o comando 3) representa atrasos em relação aos valores ACF para os atrasos 1 a 10. O parâmetro ylab rotula o eixo y e o parâmetro principal coloca um título no gráfico. Para ver os valores numéricos do ACF, use simplesmente o comando acfma1. A simulação e os gráficos foram feitos com os seguintes comandos. Xcarima. sim (n150, list (mac (0.7))) Simula n 150 valores de MA (1) xxc10 acrescenta 10 para fazer a média 10. Padrões de simulação significa 0. plot (x, typeb, mainSimulated MA (1) dados) Acf (x, xlimc (1,10), mainACF para dados de amostra simulados) No Exemplo 2, traçamos o ACF teórico do modelo xt 10 wt .5 w t-1 .3 w t-2. E depois simulou n 150 valores desse modelo e traçou as séries temporais da amostra e a amostra ACF para os dados simulados. Os comandos R utilizados foram acfma2ARMAacf (mac (0.5,0.3), lag. max10) acfma2 lags0: 10 plot (lags, acfma2, xlimc (1,10), ylabr, typeh, ACF principal para MA (2) com theta1 0,5, Theta20.3) abline (h0) xcarima. sim (n150, list (mac (0.5, 0.3))) xxc10 plot (x, typeb, principal Simulated MA (2) Series) acf (x, xlimc (1,10), MainACF para dados simulados de MA (2) Apêndice: Prova de propriedades de MA (1) Para estudantes interessados, aqui estão as provas para propriedades teóricas do modelo MA (1). Variance: (texto (texto) (mu wt theta1 w) Texto de 0 texto (wt) (theta1w) sigma2w theta21sigma2w (1theta21) sigma2w) Quando h 1, a expressão anterior 1 w 2. Para qualquer h 2, a expressão anterior 0 . A razão é que, por definição de independência do peso. E (w k w j) 0 para qualquer k j. Além disso, porque o w t tem 0, E (w j w j) E (w j 2) w 2. Para uma série de tempo, aplique este resultado para obter o ACF fornecido acima. Um modelo de MA reversível é aquele que pode ser escrito como um modelo de AR de ordem infinita que converge para que os coeficientes de AR convergem para 0 à medida que nos movemos infinitamente de volta no tempo. Bem, demonstre invertibilidade para o modelo MA (1). Em seguida, substituímos a relação (2) para w t-1 na equação (1) (3) (zt wt theta1 (z - theta1w) wt theta1z - theta2w) No momento t-2. A equação (2) torna-se então substituímos a relação (4) para w t-2 na equação (3) (zt wt theta1 z - theta21w wt theta1z - theta21 (z - theta1w) wt theta1z - theta12z theta31w) Se continuássemos ( Infinitamente), obteríamos o modelo de AR de ordem infinita (zt wt theta1 z - theta21z theta31z - theta41z dots) Note, no entanto, que se 1 1, os coeficientes que multiplicam os atrasos de z aumentarão (infinitamente) de tamanho à medida que avançarmos Tempo. Para evitar isso, precisamos de 1 lt1. Esta é a condição para um modelo de MA reversível (1). Modelo de ordem infinita MA Na semana 3, veja que um modelo de AR (1) pode ser convertido em um modelo de MA de ordem infinita: (xt - mu wt phi1w phi21w dots phik1 w dots sum phij1w) Este somatório de termos de ruído branco passados é conhecido Como a representação causal de um AR (1). Em outras palavras, x t é um tipo especial de MA com um número infinito de termos que retornam no tempo. Isso é chamado de uma ordem infinita MA ou MA (). Uma ordem finita MA é uma ordem infinita AR e qualquer ordem finita AR é uma ordem infinita MA. Recorde na Semana 1, observamos que um requisito para um AR estacionário (1) é aquele 1 lt1. Vamos calcular o Var (x t) usando a representação causal. Este último passo usa um fato básico sobre séries geométricas que requerem (phi1lt1) caso contrário a série diverge. Processo Médio de Navegação Processo Médio de Ordem Um MA (1) Significado do Processo Médico em Movimento da Ordem Um MA (1) Um processo de série temporal gerado como uma função linear do valor atual e um valor atrasado de uma variância média, variável constante, estocástica não correlacionada processo. Web site para visitar: fu-berlin. de Autor do texto: não indicado no documento original do texto acima. Se você é o autor do texto acima e não concorda em compartilhar seus conhecimentos de ensino, pesquisa, bolsa de estudos (para Uso justo como indicado nos direitos autorais dos Estados Unidos baixos), envie-nos um e-mail e removeremos seu texto rapidamente. O uso justo é uma limitação e exceção ao direito exclusivo concedido pela lei de direitos autorais ao autor de um trabalho criativo. Na legislação de direitos autorais dos Estados Unidos, o uso justo é uma doutrina que permite o uso limitado de material protegido por direitos autorais sem adquirir permissão dos detentores de direitos. Exemplos de uso justo incluem comentários, motores de busca, críticas, notícias, pesquisa, ensino, arquivamento de bibliotecas e bolsas de estudos. Ele prevê a citação legal ou não licenciada ou a incorporação de material protegido por direitos autorais em outros autores trabalham sob um teste de equilíbrio de quatro fatores. (Fonte: en. wikipedia. orgwikiFairuse) As informações de medicina e saúde contidas no site são de natureza geral e propósito puramente informativo e, por esse motivo, não pode substituir em nenhum caso, o conselho de um médico ou uma entidade qualificada Legalmente para a profissão. Processo Médio em Movimento da Ordem 1 MA (1) Processo Médio em Movimento da Ordem 1 MA (1) Os seguintes textos são propriedade de seus respectivos autores e agradecemos por nos dar a oportunidade de compartilhar gratuitamente estudantes, professores e usuários de A Web seus textos serão usados apenas para fins educacionais e científicos ilustrativos. Todas as informações em nosso site são fornecidas para fins educacionais sem fins lucrativos. A informação de medicina e saúde contida no site é de natureza geral e propósito puramente informativo e, por esse motivo, não pode substituir em nenhum caso, o conselho de um médico ou Uma entidade qualificada legalmente para a profissão. Processo Médio em Movimento da Ordem 1 MA (1) Publicação de Ciências e Educação É bastante óbvio que os ACFs em (1.4) e o em 1.8 são cortados após o intervalo dois. Isso é indicativo do fato de que um processo médio móvel de ordem dois e um processo diagonal de séries temporais diagonal puro de ordem dois têm estruturas de autocorrelação semelhantes. Como resultado, existe uma possibilidade de classificação incorreta de um processo bilinear diagonal puro de ordem dois como um processo médio móvel de ordem dois. A facilidade com que os modelos lineares são ajustados ea prática de aproximação de modelos não-lineares por modelos lineares também pode causar a falta de especificação do processo bilineal diagonal puro não-linear de ordem dois. Do que precede, é imperativo investigar a implicação estatística da classificação errada do modelo acima mencionado. A este respeito, iremos nos concentrar na função de penalidade associada à classificação errada de um processo PDB (2) como um processo MA (2). 2. Relação entre os Parâmetros do Processo Bililear Diagonal Puro da Ordem Dois e Processo Médico em Movimento da Ordem Dois Tendo observado que o processo médio móvel da ordem dois e puro processo diagonal bilinear de ordem dois possui estruturas de autocorrelação semelhantes, vale a pena derivar A relação entre os parâmetros dos dois modelos. Esses relacionamentos nos ajudarão a obter a função de penalidade para classificar incorretamente o modelo não-linear como o modelo linear concorrente. O método dos momentos que envolve a equação do primeiro e segundo momentos do modelo bilinear diagonal puro para os momentos correspondentes do processo médio móvel não zero de ordem dois deve ser utilizado para esse fim. Equacionar significa que temos variações equativas, obtemos Considerando a tabela completa contendo 2129 conjuntos de valores, podemos ver que a função de penalidade para classificação errada de um processo PDB (2) como um processo MA (2) (P) assume valores positivos Para todos os valores de,. . O valor positivo da penalidade por classificação errada de um processo PDB (2) como um processo MA (2) mostra que essa classificação errada leva a aumentar a variação dos erros. Este achado concorda com os resultados obtidos em 6 em relação à classificação errada de um processo PDB (1) como um processo MA (1). Para fins preditivos, temos que encontrar a relação entre P e. Primeiro, planejamos P em relação a cada um. A Figura 1 mostra a trama de P contra. Tabela 1. Penalidades para vários Valores de Parâmetros de Processo de MA (2) e PDB (2) O valor de p de 0,00 na Tabela 3 implica que o modelo de regressão ajustado é adequado para descrever a relação entre P e. 4. Conclusão Neste estudo, determinamos o efeito de classificação incorreta de um processo diagonal bilinear puro de ordem dois como um processo médio móvel de ordem dois. Foi definida uma função de penalidade e foi utilizada para calcular penalidades para classificação errada do processo bilinear diagonal puro de ordem dois como o processo médio móvel de ordem dois com base em vários conjuntos de valores dos parâmetros dos dois processos. As penalidades calculadas assumiram valores positivos. Isso indicou aumento na variação de erro devido à classificação errada do processo bilinear diagonal puro de ordem dois como um processo médio móvel de ordem dois. Um modelo de regressão quadrática foi encontrado adequado para prever as penalidades com base nos parâmetros do processo bilinear diagonal puro de ordem dois. Referências Bessels, S. (2006). Um passo além da equação solvente. Staff. science. uu. ncAfstudeerscriptieSanderBessels. pdf (Este site foi visitado em junho de 2013). Box, G. E. P. Jenkins, G. M. e Reinsel, G. C. (1994). Análise de séries temporais: previsão e controle. 3º ed. Prentice-Hall, Englewood Cliffs, N. J.
No comments:
Post a Comment