Proc Arima Moving Average

Proc Arima A análise dos dados da série temporal no domínio do tempo é feita com este procedimento. A metodologia Box-Jenkins (o ajuste de modelos ARIMA para dados de séries temporais) e também os modelos de função de transferência (tipo de entrada) podem ser utilizados. A análise do domínio de freqüência das séries temporais pode ser feita usando o Proc Spectra. A estrutura para a análise é que a série temporal observada X (t) é estacionária e satisfaz uma equação ARMA da forma em que Z (t) é um processo de ruído branco. As constantes phi (1). Phi (p) são chamados de coeficientes autorregressivos e o número p é chamado de ordem do componente autorregressivo. As constantes theta (1). Theta (q) são chamados de coeficientes de média móvel e o número q é chamado de ordem do componente de média móvel. É possível que p ou q seja zero. O uso de procrima para se adequar aos modelos ARMA consiste em 3 etapas. O primeiro passo é a identificação do modelo, em que a série observada é transformada para ser estacionária. A única transformação disponível no proc arima é a diferenciação. O segundo passo é a estimativa do modelo, na qual as ordens p e q são selecionadas e os parâmetros correspondentes são estimados. A terceira etapa é a previsão, na qual o modelo estimado é usado para prever valores futuros das séries temporais observáveis. Como exemplo, o arquivo de dados milk. dat contendo dados sobre a produção de leite retirada da Cryer será analisado. Aqui estão os comandos que podem ser usados ​​para cada uma das 3 etapas. OPÇÕES PARA A DECLARAÇÃO DE IDENTIFICAÇÃO: A instrução var é necessária e especifica a (s) variável (s) no conjunto de dados a serem analisados. Os números opcionais entre parênteses especificam o LAG no qual as diferenças devem ser computadas. Uma declaração varmilk analisaria a série de leite sem qualquer variante varmilk (1) analisaria a primeira diferença de leite varmilk (1,1) a segunda diferença de leite. A instrução var produz 3 lotes para a variável especificada: a função de autocorrelação da amostra, a função de autocorrelação inversa da amostra e a função de autocorrelação parcial da amostra. Esses gráficos em bruto e tabelas de seus valores são impressos na janela de saída. Parcelas de maior qualidade podem ser produzidas através do uso de outras opções (detalhadas abaixo) e proc gplot. A opção nlag faz com que os 3 gráficos impriman valores até a lag 30. Se não for especificado, o padrão é nlag24 ou 25 do número de observações, o que for menor. A opção central subtrai a média da série especificada pela instrução var. A média é adicionada de volta automaticamente durante a etapa de previsão. A opção outcov coloca os valores das funções de correlação de amostra em um conjunto de dados SAS. Esses valores podem ser usados ​​para produzir gráficos de alta qualidade dessas funções usando proc gplot. As variáveis ​​de saída são: LAG. VAR (nome da variável especificada na opção var), CROSSVAR (nome da variável especificada na opção crosscorr), N (número de observações utilizadas para calcular o valor atual da covariância ou crosscovariance), COV (valor da cruz) Covariâncias), CORR (valor da função de autocorrelação da amostra), STDERR (erro padrão das autocorrelações), INVCORR (valores da função de autocorrelação inversa da amostra) e PARTCORR (valores da função de autocorrelação parcial da amostra). A opção noprint suprime a saída dos gráficos de baixa qualidade normalmente criados pela instrução var. Esta opção é usada principalmente com a opção outcov. OPÇÕES PARA A DECLARAÇÃO DE ESTIMAÇÃO: as opções de p1 q3 especificam que as ordens de regressão automática e móvel são adequadas. Outras formas dessas especificações são: q (3) para especificar que SOMENTE o parâmetro theta (3) pode ser diferente de zero p (12) (3) para um modelo sazonal (1-phi (12) B12) (1 - phi (3) B3) onde B é o operador de retrocesso p (3,12) para um modelo no qual apenas phi (3) e phi (12) podem ser diferentes de zero. A opção nodf usa o tamanho da amostra em vez dos graus de liberdade como o divisor ao estimar a variação do ruído branco. A opção do método seleciona o método de estimativa para os parâmetros. As escolhas são ml para estimativa de probabilidade máxima (gaussiana), uls para mínimos quadrados incondicionais e cls para mínimos quadrados condicionais. A opção de trama produz os mesmos 3 lotes que na declaração de identificação para o RESIDUALS depois que os parâmetros do modelo são estimados. Esta é outra verificação útil da brancura dos resíduos. OPÇÕES PARA A DECLARAÇÃO DE PREVISÃO: A opção principal especifica o número de intervalos de tempo no futuro para o qual as previsões devem ser feitas. Ao usar as opções out e printall na declaração de previsão, será criado um conjunto de dados SAS que conterá os valores da série original e os valores previstos da série usando o modelo em todos os momentos. Isso pode ser útil para uma análise do desempenho passado do modelo. Na prática, várias declarações de estimativas diferentes são testadas sequencialmente para ver qual modelo melhor se adapta aos dados. Proc arima é interativo, no sentido dessas tentativas seqüenciais podem ser feitas sem reiniciar o procedimento. Basta enviar as declarações de estimativas sucessivas, a declaração de identificação original será mantida. Os modelos de função de transferência podem ser ajustados usando a opção crosscorr da declaração de identificação e a opção de entrada da declaração de estimativa. A mecânica deste procedimento é ilustrada para um falso de conjunto de dados que contém duas séries temporais que estão relacionadas por um modelo de função de transferência. Neste caso, Y depende de X. Primeiro, o processo X é modelado usando as declarações de identificação e estimativa. Então Y é identificado e a correlação cruzada entre os processos pré-cobrimentos X e Y é estimada. O programa pode ser assim. A partir da informação de correlação cruzada, os atrasos em que o processo de entrada X influenciam Y podem ser tentativamente identificados. Note-se que apenas modelos causais são permitidos que as correlações cruzadas não-zero em atrasos negativos não podem ser modeladas no proc arima. Para ilustração, digamos que os atrasos não-zero são 2 e 4. O processo Y pode ser estimado da seguinte forma. A entrada é da forma cB2 dB4 B2 (c dB2). É esta última forma que dá a forma da declaração de entrada. Observe que a declaração de estimativa sempre se refere à declaração de identificação mais recente para decidir quais as variáveis ​​a serem incluídas no modelo. Assim, a diferenciação e a centralização são tratadas automaticamente (se usado) EXCETO que a diferenciação deve ser explicitamente especificada na declaração crosscorr. Para mais detalhes, veja a ajuda on-line sob SAS SYSTEM HELP - MODELING amp ANALYSIS TOOLS - ECONOMETRICS amp TIME SERIES - ARIMA ou o SAS ETS Guide. Copyright cópia de 1997 por Jerry Alan Veeh. Todos os direitos reservados. Introdução para ARIMA: modelos não-sazonais. A equação de previsão ARIMA (p, d, q): os modelos ARIMA são, em teoria, a classe de modelos mais geral para a previsão de uma série temporal que pode ser feita para ser 8220stationary8221 por diferenciação (se Necessário), talvez em conjunção com transformações não-lineares, como registro ou desinflação (se necessário). Uma variável aleatória que é uma série temporal é estacionária se suas propriedades estatísticas são todas constantes ao longo do tempo. Uma série estacionária não tem tendência, suas variações em torno de sua média têm uma amplitude constante, e ela muda de forma consistente. Isto é, seus padrões de tempo aleatório de curto prazo sempre parecem os mesmos em um sentido estatístico. A última condição significa que suas autocorrelações (correlações com seus próprios desvios anteriores da média) permanecem constantes ao longo do tempo, ou de forma equivalente, que seu espectro de potência permanece constante ao longo do tempo. Uma variável aleatória deste formulário pode ser visualizada (como de costume) como uma combinação de sinal e ruído, e o sinal (se um é aparente) pode ser um padrão de reversão média rápida ou lenta, ou oscilação sinusoidal, ou alternância rápida no signo , E também poderia ter um componente sazonal. Um modelo ARIMA pode ser visto como um 8220filter8221 que tenta separar o sinal do ruído, e o sinal é então extrapolado para o futuro para obter previsões. A equação de previsão de ARIMA para uma série de tempo estacionária é uma equação linear (isto é, regressão) em que os preditores consistem em atrasos da variável dependente e / ou atrasos dos erros de previsão. Isto é: valor previsto de Y uma constante e ou uma soma ponderada de um ou mais valores recentes de Y e ou uma soma ponderada de um ou mais valores recentes dos erros. Se os preditores consistem apenas em valores atrasados ​​de Y. é um modelo autoregressivo puro (8220 self-regressed8221), que é apenas um caso especial de um modelo de regressão e que poderia ser equipado com um software de regressão padrão. Por exemplo, um modelo autoregressivo de primeira ordem (8220AR (1) 8221) para Y é um modelo de regressão simples no qual a variável independente é apenas Y rezagada por um período (LAG (Y, 1) em Statgraphics ou YLAG1 em RegressIt). Se alguns dos preditores são atrasos nos erros, um modelo ARIMA não é um modelo de regressão linear, porque não existe nenhuma maneira de especificar o erro 8222 do último erro82221 como uma variável independente: os erros devem ser computados numa base de período a período Quando o modelo é ajustado para os dados. Do ponto de vista técnico, o problema com o uso de erros atrasados ​​como preditores é que as previsões do modelo8217s não são funções lineares dos coeficientes. Mesmo que sejam funções lineares dos dados passados. Assim, os coeficientes nos modelos ARIMA que incluem erros atrasados ​​devem ser estimados por métodos de otimização não-linear (8220hill-climbing8221) ao invés de apenas resolver um sistema de equações. O acrônimo ARIMA significa Auto-Regressive Integrated Moving Average. Lags da série estacionada na equação de previsão são chamados quota de termos degressivos, os atrasos dos erros de previsão são chamados quotmoving termos de média, e uma série de tempo que precisa ser diferenciada para ser estacionada é uma versão quotintegratedquot de uma série estacionária. Modelos de caminhada aleatória e tendência aleatória, modelos autoregressivos e modelos de suavização exponencial são todos os casos especiais de modelos ARIMA. Um modelo ARIMA não-sazonal é classificado como um quot de quotARIMA (p, d, q), onde: p é o número de termos autorregressivos, d é o número de diferenças não-sazonais necessárias para a estacionaridade e q é o número de erros de previsão atrasados ​​em A equação de predição. A equação de previsão é construída da seguinte forma. Primeiro, digamos a d ª diferença de Y. o que significa: Observe que a segunda diferença de Y (o caso d2) não é a diferença de 2 períodos atrás. Em vez disso, é a primeira diferença de primeira diferença. Que é o análogo discreto de uma segunda derivada, isto é, a aceleração local da série em vez da sua tendência local. Em termos de y. A equação geral de previsão é: Aqui, os parâmetros de média móvel (9528217s) são definidos de modo que seus sinais são negativos na equação, seguindo a convenção introduzida por Box e Jenkins. Alguns autores e software (incluindo a linguagem de programação R) os definem para que eles tenham sinais de mais. Quando os números reais estão conectados à equação, não há ambigüidade, mas é importante saber qual a convenção que seu software usa quando você está lendo a saída. Muitas vezes, os parâmetros são indicados por AR (1), AR (2), 8230 e MA (1), MA (2), 8230 etc. Para identificar o modelo ARIMA apropriado para Y. você começa por determinar a ordem de diferenciação (D) necessidade de estacionar a série e remover as características brutas da sazonalidade, talvez em conjunto com uma transformação estabilizadora de variância, como o registro ou a desinflação. Se você parar neste ponto e prever que a série diferenciada é constante, você ajustou apenas uma caminhada aleatória ou modelo de tendência aleatória. No entanto, a série estacionada ainda pode ter erros auto-correlacionados, sugerindo que alguns números de AR (p 8805 1) e ou alguns termos de MA de número (q 8805 1) também são necessários na equação de previsão. O processo de determinação dos valores de p, d e q que são melhores para uma determinada série de tempo será discutido em seções posteriores das notas (cujos links estão no topo desta página), mas uma visualização de alguns tipos Os modelos ARIMA não-sazonais que são comumente encontrados são dados abaixo. Modelo autoregressivo de primeira ordem ARIMA (1,0,0): se a série estiver estacionada e autocorrelada, talvez ela possa ser predita como um múltiplo de seu próprio valor anterior, além de uma constante. A equação de previsão neste caso é 8230, que é regredida por si mesmo atrasada por um período. Este é um modelo 8220ARIMA (1,0,0) constante8221. Se a média de Y for zero, então o termo constante não seria incluído. Se o coeficiente de inclinação 981 1 for positivo e menor que 1 em magnitude (deve ser inferior a 1 em magnitude se Y estiver estacionário), o modelo descreve o comportamento de reversão média em que o valor do período 8217 seguinte deve ser previsto 981 1 vezes como Muito longe da média, já que esse valor do período é de $ 127. Se 981 1 for negativo, ele prevê um comportamento de reversão média com alternância de sinais, ou seja, ele também prevê que Y estará abaixo do período médio seguinte se estiver acima da média desse período. Em um modelo autoregressivo de segunda ordem (ARIMA (2,0,0)), haveria um termo Y t-2 também à direita e assim por diante. Dependendo dos sinais e das magnitudes dos coeficientes, um modelo ARIMA (2,0,0) pode descrever um sistema cuja reversão média ocorre de forma sinusoidalmente oscilante, como o movimento de uma massa em uma mola sujeita a choques aleatórios . ARIMA (0,1,0) caminhada aleatória: se a série Y não estiver estacionária, o modelo mais simples possível para ele é um modelo de caminhada aleatória, que pode ser considerado como um caso limitante de um modelo AR (1) no qual o autorregressivo O coeficiente é igual a 1, ou seja, uma série com reversão média infinitamente lenta. A equação de predição para este modelo pode ser escrita como: onde o termo constante é a mudança média do período para o período (ou seja, a derivação de longo prazo) em Y. Esse modelo poderia ser ajustado como um modelo de regressão sem intercepção em que o A primeira diferença de Y é a variável dependente. Uma vez que inclui (apenas) uma diferença não-sazonal e um termo constante, ela é classificada como um modelo quotARIMA (0,1,0) com constante. quot O modelo random-walk-without-drift seria um ARIMA (0,1, 0) modelo sem modelo ARADA constante (1,1,0) diferenciado do modelo autoregressivo de primeira ordem: se os erros de um modelo de caminhada aleatória forem autocorrelacionados, talvez o problema possa ser corrigido adicionando um atraso da variável dependente à equação de predição - - é Regressando a primeira diferença de Y em si mesma atrasada por um período. Isso produziria a seguinte equação de predição: que pode ser rearranjada para Este é um modelo autoregressivo de primeira ordem com uma ordem de diferenciação não-sazonal e um termo constante - ou seja. Um modelo ARIMA (1,1,0). ARIMA (0,1,1) sem alisamento exponencial simples constante: Outra estratégia para corrigir erros autocorrelacionados em um modelo de caminhada aleatória é sugerida pelo modelo de suavização exponencial simples. Lembre-se de que, para algumas séries temporais não estacionárias (por exemplo, que exibem flutuações ruidosas em torno de uma média variando lentamente), o modelo de caminhada aleatória não funciona, bem como uma média móvel de valores passados. Em outras palavras, ao invés de tomar a observação mais recente como a previsão da próxima observação, é melhor usar uma média das últimas observações para filtrar o ruído e, com mais precisão, estimar a média local. O modelo de suavização exponencial simples usa uma média móvel ponderada exponencialmente de valores passados ​​para alcançar esse efeito. A equação de predição para o modelo de suavização exponencial simples pode ser escrita em várias formas matematicamente equivalentes. Um dos quais é o chamado formulário 8220error correction8221, no qual a previsão anterior é ajustada na direção do erro que ele fez: porque e t-1 Y t-1 - 374 t-1 por definição, isso pode ser reescrito como : Que é uma equação de previsão ARIMA (0,1,1) sem constante constante com 952 1 1 - 945. Isso significa que você pode ajustar um alisamento exponencial simples especificando-o como um modelo ARIMA (0,1,1) sem Constante e o coeficiente estimado de MA (1) corresponde a 1-menos-alfa na fórmula SES. Lembre-se que, no modelo SES, a idade média dos dados nas previsões de 1 período anterior é de 1 945, o que significa que tenderão a atrasar as tendências ou os pontos de viragem em cerca de 1 945 períodos. Segue-se que a idade média dos dados nas previsões de 1 período de um ARIMA (0,1,1) - sem modelo constante é 1 (1 - 952 1). Assim, por exemplo, se 952 1 0.8, a idade média é 5. Como 952 1 aborda 1, o modelo ARIMA (0,1,1) sem modelo constante torna-se uma média móvel de muito longo prazo e, como 952 1 Aproxima-se de 0, torna-se um modelo de caminhada aleatória sem drift. O que é a melhor maneira de corrigir a autocorrelação: adicionar termos AR ou adicionar termos MA Nos dois modelos anteriores discutidos acima, o problema dos erros auto-correlacionados em um modelo de caminhada aleatória foi reparado de duas formas diferentes: adicionando um valor atrasado da série diferenciada Para a equação ou adicionando um valor atrasado do erro de previsão. Qual abordagem é melhor Uma regra de ouro para esta situação, que será discutida com mais detalhes mais adiante, é que a autocorrelação positiva geralmente é melhor tratada adicionando um termo AR ao modelo e a autocorrelação negativa geralmente é melhor tratada adicionando um Termo MA. Nas séries temporais de negócios e econômicas, a autocorrelação negativa surge frequentemente como um artefato de diferenciação. (Em geral, a diferenciação reduz a autocorrelação positiva e pode até causar uma mudança de autocorrelação positiva para negativa). Assim, o modelo ARIMA (0,1,1), no qual a diferenciação é acompanhada por um termo MA, é mais usado do que um Modelo ARIMA (1,1,0). ARIMA (0,1,1) com alisamento exponencial constante e constante: ao implementar o modelo SES como modelo ARIMA, você realmente ganha alguma flexibilidade. Em primeiro lugar, o coeficiente estimado de MA (1) pode ser negativo. Isso corresponde a um fator de alisamento maior do que 1 em um modelo SES, que geralmente não é permitido pelo procedimento de montagem do modelo SES. Em segundo lugar, você tem a opção de incluir um termo constante no modelo ARIMA, se desejar, para estimar uma tendência média não-zero. O modelo ARIMA (0,1,1) com constante tem a equação de previsão: as previsões de um período anteriores deste modelo são qualitativamente similares às do modelo SES, exceto que a trajetória das previsões de longo prazo é tipicamente uma Linha inclinada (cuja inclinação é igual a mu) em vez de uma linha horizontal. ARIMA (0,2,1) ou (0,2,2) sem alisamento exponencial linear constante: modelos de alisamento exponencial linear são modelos ARIMA que utilizam duas diferenças não-sazonais em conjunto com os termos MA. A segunda diferença de uma série Y não é simplesmente a diferença entre Y e ela mesma atrasada por dois períodos, mas é a primeira diferença da primeira diferença - isto é. A mudança de mudança de Y no período t. Assim, a segunda diferença de Y no período t é igual a (Y t - Y t-1) - (Y t-1 - Y t-2) Y t - 2Y t-1 Y t-2. Uma segunda diferença de uma função discreta é análoga a uma segunda derivada de uma função contínua: mede a quotaccelerationquot ou quotcurvaturequot na função em um determinado ponto no tempo. O modelo ARIMA (0,2,2) sem constante prediz que a segunda diferença da série é igual a uma função linear dos dois últimos erros de previsão: o que pode ser rearranjado como: onde 952 1 e 952 2 são o MA (1) e MA (2) coeficientes. Este é um modelo de suavização exponencial linear geral. Essencialmente o mesmo que o modelo Holt8217s, e o modelo Brown8217s é um caso especial. Ele usa médias móveis exponencialmente ponderadas para estimar um nível local e uma tendência local na série. As previsões de longo prazo deste modelo convergem para uma linha reta cuja inclinação depende da tendência média observada no final da série. ARIMA (1,1,2) sem alisamento exponencial linear constante de tendência amortecida. Este modelo está ilustrado nos slides que acompanham os modelos ARIMA. Ele extrapola a tendência local no final da série, mas acha-se em horizontes de previsão mais longos para introduzir uma nota de conservadorismo, uma prática que tem suporte empírico. Veja o artigo em quotPor que a Tendência Damped funciona por Gardner e McKenzie e o artigo de QuotGolden Rulequot de Armstrong et al. para detalhes. Em geral, é aconselhável manter os modelos em que pelo menos um de p e q não é maior do que 1, ou seja, não tente se ajustar a um modelo como o ARIMA (2,1,2), pois isso provavelmente levará a uma superposição E quotcommon-factorquot questões que são discutidas em mais detalhes nas notas sobre a estrutura matemática dos modelos ARIMA. Implementação da planilha: os modelos ARIMA, como os descritos acima, são fáceis de implementar em uma planilha eletrônica. A equação de predição é simplesmente uma equação linear que se refere a valores passados ​​de séries temporais originais e valores passados ​​dos erros. Assim, você pode configurar uma planilha de previsão ARIMA armazenando os dados na coluna A, a fórmula de previsão na coluna B e os erros (dados menos previsões) na coluna C. A fórmula de previsão em uma célula típica na coluna B seria simplesmente Uma expressão linear que se refere a valores nas linhas precedentes das colunas A e C, multiplicadas pelos coeficientes AR ou MA apropriados armazenados em células em outro lugar na planilha.