En el tema del ajuste automático de la serie de tiempo usando R

tenemos que caber alrededor de 2000 o series de tiempo impar cada mes, tienen un comportamiento muy idiosincrásico en particular, algunos son arma/arima, algunos son ewma, algunos son arch/garch con o sin estacionalidad y/o tendencia (lo único en común es el aspecto de serie de tiempo).En el tema del ajuste automático de la serie de tiempo usando R

En teoría, se puede construir un modelo de conjunto con criterio ático o bic para elegir el modelo que mejor se adapte, pero ¿conoce la comunidad cualquier biblioteca que intente resolver este problema?

Google me hizo consciente de la continuación uno por Rob J Hyndman link

pero ¿son otras alternativas?

Fuente

2009-09-09 Arun

El enlace a mi paquete de previsión es incorrecto. Debería ser http://robjhyndman.com/software/forecast –

disculparse y corregirlo, gracias por escribir el paquete BTW – Arun

Hay dos métodos automáticos en la forecast package: auto.arima() que se encargará de modelado automático utilizando modelos ARIMA, y ets() que se seleccione automáticamente el mejor modelo de la familia de suavizado exponencial (incluyendo tendencia y estacionalidad en su caso). El AIC se usa en ambos casos para la selección del modelo. Sin embargo, ninguno maneja los modelos ARCH/GARCH. El paquete se describe con cierto detalle en este artículo JSS: http://www.jstatsoft.org/v27/i03

En respuesta a su pregunta:

¿Cuándo será posible utilizar funciones del paquete pronóstico, especialmente función ets, con alta dimensión datos (datos semanales, por ejemplo)?

Probablemente a principios del próximo año. El documento está escrito (ver robjhyndman.com/working-papers/complex-seasonality) y estamos trabajando en el código ahora.

Fuente

2009-09-09 23:50:35

Rob: Parece que auto.arima() solo funciona con ts objetos. ¿Alguna idea de permitirle aceptar otras series temporales irregulares (por ejemplo, con un zoológico)? Como un ejemplo simple con el paquete quantmod: {getSymbols ("GS"); auto.arima (as.zoo (GS [, 'GS.Close']))} – Shane

No. Los modelos ARIMA para datos espaciados irregularmente son muy complicados. Esencialmente, debe ajustarse a un ARMA de tiempo continuo (consulte los artículos de Brockwell et al), que es un tipo de modelo muy diferente al de la contraparte de tiempo discreto. –

Gracias useRs, he probado el paquete de pronóstico, que también como un compuesto de arima y ets, pero no con muchas aclamaciones de aic o bic (sbc), así que ahora estoy tentado de tratar cada una de las series de tiempo para su propio svm (máquina de vectores de soporte) debido a su mejor adaptabilidad a la genralización y además de poder agregar otras variables aparte de las funciones de kernel no lineales

¿Alguna premonición?

Fuente

2009-09-12 20:01:50 Arun

No puede comparar el AIC de ARIMA y ETS ya que se basan en diferentes conjuntos de datos debido a la diferenciación. Además, no he visto evidencia de que svm sea un buen algoritmo de pronóstico de series temporales generales. Por ejemplo, las competiciones M de predicción han demostrado que los métodos de minería de datos no lineales tienden a funcionar peor que los modelos estadísticos lineales en grandes conjuntos de datos de series temporales univariadas. Hay mucha literatura sobre esto. Le sugiero que lea los documentos relacionados con la competencia M3 antes de tratar de encontrar su propio método no probado. –

En el tema del ajuste automático de la serie de tiempo usando R

Respuesta

Cuestiones relacionadas