Fitimet:
- Aftësi për të kuptuar konceptet e tendencës, sezonalitetit, stacionaritetit dhe rrënjës së njësisë dhe përdorimit të inteligjencës artificiale me të dhëna të sakta për modelimin dhe parashikimin e serive kohore.
- Aftësia për të interpretuar modelet ARIMA/sezonale dhe për të parashikuar pasigurinë (intervali i besimit, analiza e mbetur) dhe për të shmangur regresionin e rremë
- Të jesh në gjendje të dallosh se parashikimi i inteligjencës artificiale bazohet në modelet e së kaluarës dhe se gjykimi i ekspertëve del në pah në periudhat e thyerjes strukturore dhe krizës.
Pjesa më e madhe e të dhënave që përbëjnë bukën e gojës së ekonomistëve dhe analistëve financiarë janë seri kohore: vlerat e së njëjtës variabël të matura në intervale të rregullta në kohë (inflacioni mujor, çmimi ditor i aksioneve, PBB tremujore). Seritë kohore ndryshojnë rrënjësisht nga të dhënat e zakonshme të kryqëzimit, sepse vëzhgimet nuk janë të pavarura: vlera e sotme varet nga e djeshmja. Kjo varësi është njëkohësisht një mundësi (mund të parashikojmë të ardhmen) dhe një rrezik (regresioni i zakonshëm mashtron lehtësisht këtu). Në këtë njësi, ne do të shohim se si inteligjenca artificiale (AI) po përshpejton modelimin dhe parashikimin e serive kohore, por pse kurthi më i rrezikshëm - regresioni i rremë - kërkon vëmendje.
Konceptet bazë
Një seri kohore në përgjithësi përmban tre komponentë: prirje (prirje afatgjatë rritëse/rënëse), sezonalitet (model i rregullt që përsëritet gjatë gjithë vitit, p.sh. rritja e turizmit në verë) dhe cikli/zhurma (paqëndrueshmëria e mbetur). Para modelimit, tipari më kritik i serisë është stacionariteti.
Një seri stacionare është një seri, vetitë statistikore të së cilës (mesatarja, varianca) mbeten konstante me kalimin e kohës. Një seri jo-stacionare përmban një prirje, varianca e saj rritet ose ka një rrënjë njësi. Një rrënjë njësi është një strukturë në të cilën seria "kujton" përgjithmonë tronditjet dhe nuk kthehet në mesataren e saj; Një seri e tillë sillet si një shëtitje e rastësishme. Pse është e rëndësishme? Për shkak se regresioni midis dy serive jo-stacionare mund të prodhojë koeficientë të lartë R-katror dhe të rëndësishëm edhe nëse nuk ka asnjë lidhje në realitet - ky quhet regresion i rremë. Vetëm trendi i përbashkët i bën të dy serialet të duken të “lidhura”.
Kujdes: Dy seri në rritje (p.sh. popullsia e një vendi dhe shitja e akulloreve të një vendi tjetër) mund të jenë shumë të ndërlidhura; pasi që të dyja rriten me kalimin e kohës. Kjo nuk është një marrëdhënie, por një iluzion i trendit të përbashkët. Sigurohuni që të kontrolloni stacionaritetin përpara se të filloni regresionin në seritë kohore.
Rrjedha e punës e serive kohore hap pas hapi
1. Vizualizoni. Tregoni serinë: a ka një tendencë, a ka sezonalitet, a ndryshon varianca me kalimin e kohës, a ka një thyerje strukturore (ndryshim i papritur i nivelit)?
2. Testoni stacionaritetin. Testi ADF (Augmented Dickey-Fuller) dhe testi i KPSS testi i njësisë së rrënjës/stacionaritetit. Të dyja plotësojnë njëra-tjetrën: në ADF hipoteza zero është "ka një rrënjë njësi", në KPSS është "stacionare". Është më e sigurt të përdoren të dyja së bashku.
3. Stagnoj. Nëse seria nuk është e palëvizshme, ajo zakonisht është e diferencuar (ndryshimi i vëzhgimeve të njëpasnjëshme; kjo heq tendencën). Diferencimi një herë e bën të palëvizshme një seri "të integruar të rendit të parë" (I(1)). Transformimi i regjistrit gjithashtu ndihmon nëse varianca është në rritje.
4. Ndërtoni një model. Korniza më e zakonshme është ARIMA (AutoRegressive Integrated Moving Average): Ai kombinon komponentët AR (varësia e serisë nga vlerat e veta të së kaluarës), I (shkalla e diferencimit), MA (efekti i gabimeve të së shkuarës). Nëse ka sezonalitet, përdoret SARIMA. AI gjeneron kod për mjetet e përzgjedhjes automatike si auto.arima; Por mos e pranoni verbërisht përzgjedhjen automatike.
5. Kontrolloni për mbetjet. Mbetjet e një modeli të mirë duhet të jenë zhurma e bardhë: pa model, pa autokorrelacion. Testi Ljung-Box e teston këtë. Nëse ka ende një model në mbetjet, modeli është i paplotë.
6. Parashikoni dhe tregoni pasiguri. Parashikimi nuk është një linjë e vetme; jepet gjithmonë me një interval besimi/vlerësimi. Gama zgjerohet ndërsa horizonti zgjatet - kjo është një shenjë ndershmërie, jo e metë.
Kointegrimi: marrëdhënie reale me seritë jo-stacionare
Dy seri jo të palëvizshme nuk japin gjithmonë marrëdhënie të rreme. Nëse ekziston një ekuilibër real afatgjatë ndërmjet tyre (ato lëvizin së bashku), ky quhet kointegrim dhe mund të modelohet me modelin e korrigjimit të gabimit (ECM). Pra, zgjidhja nuk është “ndryshimi dhe flakja e informacionit”; është që së pari të testohet kointegrimi. Ky dallim dallon regresionin e rremë nga korrelacioni i vërtetë afatgjatë dhe është një konsideratë teorike që AI nuk mund të vendosë vetë.
grafik krahasimi
Statusi
simptomë
qasje e drejtë
seri stacionare
Mesatarja/varianca konstante
HARKIMI i drejtpërdrejtë
Me trend (rrënjë njësi)
Rritja e vazhdueshme, ADF është e pakuptimtë
Diferenca, pastaj modeli
Dy seri jo të palëvizshme
R² e lartë mund të jetë e rreme
Së pari, testi i kointegrimit
sezonale
Modeli i përsëritur vjetor
SARIMA / ndryshim sezonal
thyerje strukturore
Ndryshimi i menjëhershëm i nivelit/pjerrësisë
Testi i thyerjes, gjykimi i ekspertit
Katër kërkesa të kopjueshme
1. Diagnoza e stacionaritetit:
Roli juaj: asistent i serive kohore. Unë dua kodin R, nuk i ndaj të dhënat. 'seri' është një seri kohore mujore (objekt ts). Detyra: (1) vizatoni grafikët e serisë dhe autokorrelacionit (ACF/PACF), (2) aplikoni testet ADF dhe KPSS, (3) shpjegoni se si të interpretoni rezultatet së bashku. Unë do të marr vendimin për të marrë diferencën; Ju bëni një diagnozë.
2. Ndërtesa model (e mbikëqyrur):
Seria ime duket e palëvizshme në ndryshimin e parë. Propozoni një model me auto.arima por: (1) shpjegoni urdhrat e zgjedhur (p, d, q) dhe PSE u zgjodhën, (2) shtoni kodin për të provuar nëse mbetjet janë zhurmë të bardhë me Ljung-Box, (3) më kujtoni që të mos e pranoj verbërisht përzgjedhjen automatike.
3. Paralajmërim i rremë i regresionit:
Unë dua të vendos regresionin midis dy serive të mia kohore (X, Y) por të dyja janë të detrenduara. Shkruani kodin e rrjedhës së punës që kontrollon rrezikun e regresionit të rremë: së pari provoni stacionaritetin e të dyjave, më pas aplikoni një test kointegrimi (Engle-Granger ose Johansen). Përpara se të drejtoj drejtpërdrejt lm(), më ndaloni dhe më shpjegoni pse është e rrezikshme.
4. Parashikimi dhe pasiguria:
Shkruani një kod që prodhon një parashikim 12-mujor përpara me modelin ARIMA që kam krijuar; Paraqitni vlerësimin me intervalet e tij të besueshmërisë 80% dhe 95%. Shtoni një shënim poshtë grafikut që parashikimi bazohet në modelet e kaluara dhe mund të bëhet i pavlefshëm në rast të një thyerjeje/krize strukturore.
Prompt i dobët / Prompt i fortë
Njoftim i dobët:
Gjeni lidhjen e këtyre dy serive me regresionin dhe parashikoni vitin e ardhshëm.
Ky pretendim është një ftesë për kurthin e regresionit të rremë: nëse regresioni krijohet pa kontrolluar stacionaritetin, shfaqet një "marrëdhënie" me R-katror të lartë, por të pakuptimtë dhe një vlerësim i pajustifikuar.
Njoftim i fuqishëm:
Roli juaj: asistent i kujdesshëm i serive kohore. Vazhdoni hap pas hapi: (1) testoni stacionaritetin e të dy serive dhe raportit, (2) nëse ato nuk janë të palëvizshme, MOS bëni regresion të drejtpërdrejtë, testoni së pari kointegrimin, (3) nëse prodhoni një parashikim, sigurohuni që të shtoni një interval besimi dhe të shkruani një paralajmërim strukturor të ndërprerjes. Më lini mua vendimin në çdo hap; përparim automatik.
Ndryshimi: kërkesa e fortë kërkon stacionaritet dhe kointegrim përpara regresionit, duke e paraqitur vlerësimin me pasiguri.
tre mini kuti
Rasti 1 - Regresion i rremë. Një analist gjeti R²=0.91, p<0.001 midis dy serive në rritje (xhiroja e një sektori dhe konsumi i energjisë i një vendi tjetër) dhe shkroi "marrëdhënie të fortë". Kur konsulenti i tij kërkoi testin e stacionaritetit, u pa se të dy kishin rrënjë njësi dhe kur u morën dallimet e tyre, lidhja (r = 0.04) u zhduk plotësisht. R-katrori i lartë ishte thjesht një iluzion i prirjes së zakonshme. Mësimi: regresioni i serive kohore nuk është i besueshëm pa testuar stacionaritetin.
Rasti 2 — Besim i verbër në modelin automatik. Një student përdori modelin e zgjedhur nga auto.arima pa e shqyrtuar; ai nuk vuri re më në analizën e tij një sezonalitet domethënës. Modelja nënvlerësoi sistematikisht muajt e verës. Testi Ljung-Box tregoi autokorrelacion në mbetjet. Mënyra e saktë: ishte shtimi i komponentit sezonal (SARIMA). Mësimi: përzgjedhja automatike është fillimi, jo fjala e fundit; Mbetjet duhet të kontrollohen.
Rasti 3 - Parashikimi i kolapsit në thyerjen strukturore. Një model parashikoi kërkesën e vitit 2020 me të dhënat e vitit 2019; intervali i besimit ishte i ngushtë, vlerësimi ishte i sigurt. Goditja e madhe (pandemia) e vitit 2020 e shpërtheu plotësisht parashikimin sepse modelja dinte vetëm modelin e kaluar. Mësimi: parashikimi i serive kohore supozon se e kaluara do të jetë e ngjashme me të ardhmen; Në kohë krize/prishjeje del në pah gjykimi i ekspertëve.
Gabimet e zakonshme
- Vendosja e regresionit pa kontrolluar stacionaritetin. Regresioni i rremë prodhon një marrëdhënie të lartë R-katrore, por të parëndësishme; Aplikoni fillimisht ADF/KPSS.
- Diferencimi dhe anashkalimi i bashkëintegrimit. Nëse ka një marrëdhënie të vërtetë afatgjatë, marrja e verbër e dallimit hedh poshtë informacionin; Së pari testoni kointegrimin.
- Përdorimi i modelit automatik pa e kontrolluar atë. auto.arima është një fillim i mirë, por jo i besueshëm pa kontrolluar mbetjet (Ljung-Box).
- Paraqitja e vlerësimit si një rresht i vetëm. Vlerësimi pa një interval besimi krijon saktësi të rreme; Tregoni gjithmonë pasiguri.
- Injorimi i thyerjes strukturore. Kriza/ndryshimi i regjimit prish modelin e kaluar; Modeli nuk mund ta dijë këtë, kërkohet gjykimi i ekspertit.
Këshillë: Përpara se të shkruani një gjetje të serive kohore, shikoni përsëri grafikun e papërpunuar të serisë. Një prirje apo thyerje e qartë që e shihni me sytë tuaj është paralajmërimi më i fortë se asnjë provë nuk duhet t'ju bëjë të harroni.
Në përmbledhje
Në analizën e serive kohore, vëzhgimet nuk janë të pavarura; Kjo njëkohësisht jep fuqi parashikuese dhe krijon gracka të tilla si regresioni i rremë. Testoni stacionaritetin (ADF/KPSS) përpara modelimit; testoni kointegrimin në vend të vendosjes së drejtpërdrejtë të regresionit ndërmjet serive jo-stacionare; Kontrolloni mbetjet e modelit ARIMA/SARIMA derisa të ketë zhurmë të bardhë; Paraqisni gjithmonë vlerësimin me një interval besimi. AI gjeneron kodin për të gjitha këto hapa, por eksperti kontrollon zgjedhjen automatike të modelit, vendimin e bashkëintegrimit dhe interpretimin e ndarjes strukturore. Parashikimi bazohet në të kaluarën; Në kohë krize, gjykimi njerëzor e ka fjalën e fundit.
Detyra e aplikimit
Zgjidhni një seri kohore (mujore ose tremujore). Përpara AI, kërkoni dhe ekzekutoni diagnostikimin e stacionaritetit (grafiku, ACF/PACF, ADF, KPSS) dhe klasifikojeni serinë si stacionare/jo-stacionare. Diferenconi nëse është e nevojshme, vendosni një model ARIMA/SARIMA dhe kontrolloni mbetjet me Ljung-Box. Krijoni një parashikim të periudhës 6-12 përpara dhe vizatoni atë me një interval besimi. Së fundi, merrni parasysh në një paragraf se si parashikimi juaj mund të jetë i gabuar nëse do të kishte një thyerje strukturore në të dhënat tuaja.
listë kontrolli
- [ ] Kam komplotuar serialin dhe kam ekzaminuar vizualisht tendencat, sezonalitetin dhe pushimet.
- [ ] Kam testuar stacionaritetin me ADF dhe KPSS; Kam marrë diferencën e kërkuar.
- [ ] Unë shmanga regresionin e drejtpërdrejtë dhe testova kointegrimin midis serive jo-stacionare.
- [ ] Kontrollova mbetjet e modelit (Ljung-Box) dhe konfirmova se ishte zhurmë e bardhë.
- [ ] Kam paraqitur vlerësimin me interval besimi; Nuk e kam dhënë si një rresht të vetëm.
- [ ] Kam vënë në dukje kufijtë e parashikimit në rast të thyerjes/krizës strukturore.