Sur la question de l'ajustement automatique des séries temporelles en utilisant R

nous devons adapter environ 2000 séries temporelles ou impaires chaque mois, ils ont un comportement très idiosyncratique en particulier, certains sont des arma/arima, certains sont des ewma, certains sont arch/garch avec ou sans saisonnalité et/ou tendance (la seule chose en commun est l'aspect série chronologique).Sur la question de l'ajustement automatique des séries temporelles en utilisant R

En théorie, on peut construire un modèle d'ensemble avec un critère aic ou bic pour choisir le meilleur modèle, mais la communauté est-elle au courant de toute bibliothèque qui tente de résoudre ce problème?

Google m'a fait prendre conscience de la ci-dessous un par Rob J Hyndman link

mais sont-ils d'autres alternatives?

Source

2009-09-09 Arun

Le lien vers mon module de prévision est incorrect. Il devrait être http://robjhyndman.com/software/forecast –

s'excuser et ainsi corrigé, merci d'écrire le paquet BTW – Arun

Il existe deux méthodes automatiques dans le forecast package: auto.arima() qui va gérer la modélisation automatique à l'aide des modèles Arima, et ets() qui sélectionne automatiquement le meilleur modèle de la famille de lissage exponentiel (y compris la tendance et la saisonnalité, le cas échéant). L'AIC est utilisé dans les deux cas pour la sélection du modèle. Ni l'un ni l'autre ne gère les modèles ARCH/GARCH. Le paquet est décrit en détail dans cet article JSS: http://www.jstatsoft.org/v27/i03

Suite à votre question:

Quand il sera possible d'utiliser fonctions de paquet de prévision, en particulier fonction ets, avec une grande dimension données (données hebdomadaires, par exemple)?

Probablement au début de l'année prochaine. L'article est écrit (voir robjhyndman.com/working-papers/complex-seasonality) et nous travaillons sur le code maintenant.

Source

2009-09-09 23:50:35

Rob: Il ressemble à auto.arima() ne fonctionne qu'avec les objets ts. Avez-vous pensé à lui permettre d'accepter d'autres séries chronologiques irrégulières (par exemple avec un zoo)? Comme un exemple simple avec le paquet quantmod: {getSymbols ("GS"); auto.arima (as.zoo (GS [, 'GS.Close']))} – Shane

Non. Les modèles ARIMA pour les données espacées irrégulièrement sont très délicats. Essentiellement, vous devez adapter un ARMA en temps continu (voir les articles de Brockwell et al.) Qui est un type de modèle très différent de celui de la contrepartie en temps discret. –

Merci, j'ai essayé le progiciel de prévision, aussi comme un composite d'arima et ets, mais pas très acclamé par aic ou bic (sbc), donc je suis maintenant tenté de traiter chaque série temporelle à sa propre svm (machine à vecteurs de support) en raison de sa meilleure adaptabilité à la généra- lisation et aussi en mesure d'ajouter d'autres variables à l'exception des retards et des fonctions non linéaires du noyau

Des prémonitions?

Source

2009-09-12 20:01:50 Arun

Vous ne pouvez pas comparer l'AIC d'ARIMA et d'ETS car ils sont basés sur différents jeux de données en raison de la différenciation. De plus, je n'ai vu aucune preuve que svm est un bon algorithme général de prévision des séries temporelles. Par exemple, les concours M prévisionnels ont montré que les méthodes d'exploration de données non linéaires ont tendance à être moins performantes que les modèles statistiques linéaires sur de grands ensembles de données de séries temporelles univariées. Il y a beaucoup de littérature à ce sujet. Je vous suggère de lire les articles associés à la compétition M3 avant d'essayer de trouver votre propre méthode non testée. –

Sur la question de l'ajustement automatique des séries temporelles en utilisant R

Répondre

Questions connexes