Método de previsão média de movimento duplo

A página não pode ser encontrada A página que você está procurando pode ter sido removida, teve seu nome alterado ou está temporariamente indisponível. Tente o seguinte: Certifique-se de que o endereço do site exibido na barra de endereços do seu navegador esteja escrito e formatado corretamente. Se você chegou a esta página clicando em um link, entre em contato com o administrador do site para alertá-los de que o link está formatado incorretamente. Clique no botão Voltar para tentar outro link. HTTP Error 404 - Arquivo ou diretório não encontrado. Informações Técnicas dos Serviços de Informações da Internet (IIS) (para pessoal de suporte) Acesse os Serviços de Suporte ao Produto Microsoft e realize uma pesquisa de título para as palavras HTTP e 404. Abra a Ajuda do IIS. Que é acessível no Gerenciador do IIS (inetmgr) e pesquisa por tópicos intitulados Configuração do site. Tarefas administrativas comuns. E sobre mensagens de erro personalizadas. Tenho uma questão relacionada à modelagem de séries temporais curtas. Não é uma questão de modelá-los. mas como. Qual método você recomendaria para modelar (muito) séries curtas de tempo (digamos de comprimento T leq 20) Pelo melhor, quero dizer aqui o mais robusto, isso é menos propenso a erros devido ao fato de um número limitado de observações. Com as observações simples das séries curtas podem influenciar a previsão, então o método deve fornecer uma estimativa cautelosa de erros e possíveis variações ligadas à previsão. Estou geralmente interessado em séries temporais univariadas, mas também seria interessante saber sobre outros métodos. Perguntou 26 de janeiro 15 às 21:03 Independentemente dos pressupostos que você faz - quanto à sazonalidade, a estacionança, amp. - uma pequena série de tempo lhe dará a chance de detectar apenas as violações mais flagrantes, pelo que as premissas devem ser bem fundamentadas no conhecimento do domínio. Você precisa modelar ou apenas fazer previsões. A competição M3 comparou vários métodos de previsão de quotizações em séries de uma variedade de domínios, alguns tão baixos como 20. ndash Scortchi 9830 26 de janeiro 15 às 21:47 1 para o comentário de Scortchi39. Aliás, das 3,003 séries M3 (disponível no pacote Mcomp para R), 504 têm 20 observações ou menos, especificamente 55 da série anual. Então, você poderia procurar a publicação original e ver o que funcionou bem para dados anuais. Ou mesmo escavar as previsões originais submetidas à competição M3, que estão disponíveis no pacote Mcomp (lista M3Forecast). Ndash Stephan Kolassa Jan 27 15 at 12:13 É muito comum para métodos de previsão extremamente simples, como prever a média histórica para superar métodos mais complexos. Isso é ainda mais provável para séries temporais curtas. Sim, em princípio, você pode ajustar um modelo ARIMA ou ainda mais complexo a 20 ou menos observações, mas você provavelmente irá superar e obter previsões muito ruins. Então: comece com um benchmark simples, por exemplo, o histórico significa a mediana histórica para aumentar a robustez da caminhada aleatória (projete a última observação) Avalie estes dados fora da amostra. Compare qualquer modelo mais complexo com esses benchmarks. Você pode se surpreender ao ver o quão difícil é superar esses métodos simples. Além disso, compare a robustez de diferentes métodos a esses simples, p. Não apenas avaliando a precisão média fora da amostra, mas também a variância do erro. Usando sua medida de erro favorita. Sim, como Rob Hyndman escreve em seu post para o qual Aleksandr liga. O teste fora da amostra é um problema em si mesmo para séries curtas - mas realmente não há uma boa alternativa. (Não use no ajuste da amostra, o que não é um guia para a precisão da previsão). O AIC não o ajudará com a mediana e a caminhada aleatória. No entanto, você pode usar a validação cruzada de séries temporais. AIC se aproxima, de qualquer forma. Respondeu 27 de janeiro 15 às 11:37 Estou novamente usando uma questão como uma oportunidade para aprender mais sobre séries temporais - um dos (muitos) tópicos do meu interesse. Após uma breve pesquisa, parece-me que existem várias abordagens para o problema da modelagem de séries temporais curtas. A primeira abordagem é usar modelos de séries temporais lineares (AR, MA, ARMA, etc.), mas prestar atenção a certos parâmetros, conforme descrito nesta publicação 1 por Rob Hyndman, que não precisa de uma introdução em séries temporais e previsão mundo. A segunda abordagem, referida pela maior parte da literatura relacionada que eu vi, sugerem o uso de modelos de séries temporais não-lineares. Em particular, os modelos de limiar 2, que incluem o modelo autoregressivo de limiar (TAR). TAP autônomo (SETAR). Modelo de média móvel vertical autônomo (TARMA). E o modelo TARMAX, que estende o modelo TAR para séries temporais exógenas. Uma excelente visão geral dos modelos de séries temporais não-lineares, incluindo modelos de limiar, pode ser encontrada neste artigo 3 e neste artigo 4. Finalmente, outro trabalho de pesquisa relacionado à IMHO 5 descreve uma abordagem interessante, que é baseada na representação de Volterra-Weiner de não - sistemas lineares - veja isso 6 e este 7. Esta abordagem é argumentada para ser superior a outras técnicas no contexto de séries temporais curtas e ruidosas. Hyndman, R. (4 de março de 2017). Modelos ajustáveis ​​para séries temporais curtas. Postagem do blog. Retirado de robjhyndmanhyndsightshort-time-series Pennsylvania State University. (2017). Modelos de limiar. Material de curso on-line. STAT 510, Análise das séries temporais aplicadas. Retirado de onlinecourses. science. psu. edustat510node82 Zivot, E. (2006). Modelos de séries temporais não-lineares. Notas de classe. ECON 584, Time Series Econometrics. Universidade de Washington. Retirado de faculty. washington. eduezivotecon584notesnonlinear. pdf Chen, C. W. S. So, M. K. P. amp Liu, F.-C. (2017). Uma revisão dos modelos limiar de séries temporais em finanças. Estatística e sua interface, 4. 167181. Retirado de intlpresssitepubfilesfulltextjournalssii201700040002SII-2017-0004-0002-a012.pdf Barahona, M. amp Poon, C.-S. (1996). Detecção de dinâmicas não-lineares de séries temporais curtas e ruidosas. Natureza, 381. 215-217. Retirado de bg. ic. ac. ukresearchm. barahonanonlindetecnature. PDF Franz, M. O. (2017). Série Volterra e Wiener. Scholarpedia, 6 (10): 11307. Retirado de scholarpedia. orgarticleVolterraandWienerseries Franz, M. O. amp Scholkopf, B. (n. d.). Uma visão unificadora da teoria de Wiener e Volterra e regressão do kernel polinomial. Retirado de is. tuebingen. mpg. defileadminuseruploadfilespublicationsnc055B05D. pdf respondido em 26 de janeiro 15 às 22:43 1 Você se importaria de escrever as referências para esses documentos na sua resposta. Nós descobrimos recentemente que muitos links para papéis apodram depois de um tempo, eventualmente Tornando-os quase inúteis, a menos que os autores, títulos, etc. do papel também sejam mencionados no texto. Ndash whuber 9830 26 de janeiro 15 às 23:11 whuber: Obrigado. Nada de problema, vou atualizar minha resposta com referências nesta noite. Ndash Aleksandr Blekh 26 de janeiro 15 às 23:49 1 para o link para o post de Rob Hyndman39. (No entanto, estou tentado a -1 para os modelos complexos. Eu sou extremamente desconfiado de usar o limiar ou qualquer outro método de séries temporais não-lineares em séries temporais de menos de 20 observações. Você está quase certo a superar, o que vai diretamente contra o O requisito do OP39 de um método robusto.) Ndash Stephan Kolassa 27 de janeiro 15 às 11:25 2,3,4 não menciona séries curtas de tempo e veja as parcelas em 2: observações gt120. 4 concentra-se em finanças, onde você tem enormemente mais de 20 observações. 5 escreve sobre séries temporais quotshort, normalmente 1.000 pontos de duração (p.221). Não vejo maneira de ajustar de forma confiável e robusta um TAR ou um modelo semelhante, ou qualquer um dos mais complexos com os quais você liga, com lt20 observações. (BTW: Eu também faço algumas estatísticas inferenciais no lado e com menos de 20 observações, você realmente não pode estimar mais do que o parâmetro médio e mais um.) Ndash Stephan Kolassa 27 de janeiro 15 às 11:55 Você é bem-vindo -) Eu acho O takeaway é que o quotshortquot é muito dependente do contexto: para a série de leitura de sensores ou em finanças, 1000 pontos de dados são quotshortquot - mas no gerenciamento da cadeia de suprimentos, 20 observações mensais são quase normais e quotshortquot só começará em 12 ou menos observações. Ndash Stephan Kolassa 27 de janeiro 15 às 12:15 Não, não há o melhor método de extrapolação univariante para uma série de tempo curto com a série T leq 20. Os métodos de extrapolação precisam de muitos e muitos dados. Os métodos qualitativos que se seguem funcionam bem na prática para dados muito curtos ou não: previsões compostas Pesquisas Método Delphi Construção de cenários Previsão por analogia Opinião executiva Um dos melhores métodos que eu sei que funciona muito bem é o uso de analogias estruturadas (5º na lista acima ) Onde você procura produtos similares similares na categoria que você está tentando prever e usá-los para prever previsões de curto prazo. Veja este artigo para obter exemplos, e o documento SAS sobre como fazer isso usando, claro, SAS. Uma limitação é que a previsão por analogias funcionará apenas de você tem boas analogias, caso contrário você poderia confiar na previsão de julgamento. Aqui está outro vídeo do software Forecastpro sobre como usar uma ferramenta como Forecastpro para fazer previsões por analogia. Escolher uma analogia é mais arte do que ciência e você precisa de conhecimentos de domínio para selecionar produtos análogos. Dois recursos excelentes para a previsão de produtos curtos ou novos: Princípio de previsão pela nova previsão de produtos Armstrong por Kahn O seguinte é para fins ilustrativos. Acabei de terminar a leitura de Sinal e Ruído por Nate Silver, na medida em que há um bom exemplo em EUA e japonês ( Analógico para o mercado dos EUA) bolha e previsão do mercado imobiliário. No gráfico abaixo, se você parar em 10 pontos de dados e usar um dos métodos de extrapolação (exponencial smootingetsarima.) E ver onde você leva e onde o real terminou. Novamente, o exemplo que eu mostrei é muito mais complexo do que a extrapolação de tendência simples. Isso é apenas para destacar os riscos de extrapolação de tendência usando pontos de dados limitados. Além disso, se o seu produto tiver um padrão sazonal, você deve usar alguma forma de situação de produtos análogos para prever. Eu leio um artigo que penso na revista Journal of Business que, se você tiver 13 semanas de vendas de produtos em produtos farmacêuticos, você poderia prever dados com maior precisão usando produtos análogos. Respondeu em 26 de janeiro 15 às 22:45 A suposição de que o número de observações é crítica veio de um comentário livre por G. E.P. Caixa sobre o tamanho mínimo da amostra para identificar um modelo. Uma resposta mais matizada no que me diz respeito é que a qualidade do problema da identificação do modelo não se baseia apenas no tamanho da amostra, mas na relação entre o sinal e o ruído que está nos dados. Se você tem uma forte relação sinal / ruído, você precisa de menos observações. Se você tiver baixo sn, então você precisa de mais amostras para identificar. Se o seu conjunto de dados for mensal e você tiver 20 valores, não é possível identificar empiricamente um modelo sazonal NO ENTÃO, se você acha que os dados podem ser sazonais, então você poderia iniciar o processo de modelagem, especificando um diagnóstico ar (12) e depois do modelo ( Testes de significância) para reduzir ou aumentar seu modelo estruturalmente deficiente, respondido em 26 de janeiro 15 às 23:04