Műszaki ÚTMUTATÓ

Vektor autoregresszió

A vektorautoregresszió (VAR) több idősort együttesen modellez, minden változót saját maga és a többiek késleltetett értékei alapján jósolnak meg.

Hallgassa meg ezt az útmutatótAI-narrált · ~3 min

Ezen az oldalon3 perc olvasás
  1. Áttekintés
  2. Mély merülés
  3. Valós megvalósítás
  4. A vektorautoregresszió jövője
  5. A gyakorlatba ültetés
  6. Folytassa a felfedezést
  7. Gyakran ismételt kérdések

Áttekintés

Rögzíti a dinamikus interakciókat, és támogatja az előrejelzéseket és a Granger-oksági teszteket, de állandó bemeneteket vagy megfelelő alternatívát és gondos késleltetési kiválasztást igényel.

Mély merülés

A VAR minden sorozatot egy többváltozós időrendszerben endogénként kezel. A VAR(p)-ben minden változó visszafejlődik saját maga és minden más szereplő p lag értékeire, plusz determinisztikus kifejezésekre vagy exogén bemenetekre, ha megadjuk. Ez a szimmetrikus beállítás lehetővé teszi, hogy interakciók alakuljanak ki az adatokból, ahelyett, hogy egyetlen sorozatot jelölne ki egyedüli válaszként, a többit pedig rögzített előrejelzőként. Az illesztett rendszer közös előrejelzéseket tud generálni. A kereslet, az ár és a készlet hipotetikus rendszeréhez egy VAR-ban (2) a keresleti egyenlet mindhárom változó két késleltetett megfigyelését használja. Az áregyenlet és a készletegyenlet ugyanezt teszi. Ez a rugalmasság paraméterekbe kerül: K változóval és p laggal minden egyenlet Kp késleltetési együtthatóval és determinisztikus tagokkal rendelkezik. Egy rövid, sok változót tartalmazó idősor ezért túlillesztésre kerülhet, és a késleltetési sorrendet információs kritériumokkal, maradékellenőrzésekkel és időben elrendelt előrejelzési érvényesítéssel kell kiválasztani. A VAR-elemzés feltételezi, hogy a dinamika megfelelően ábrázolva van. Állandó sorozatokhoz általában szabványos stabil VAR-t használnak. Ha a változóknak egységgyökük van, de hosszú távú egyensúlyban osztoznak, a vektoros hibajavító modell megőrizheti mind a rövid távú változásokat, mind a kointegrációt. Az összes sorozat különbsége eltávolíthatja ezt a hosszú távú kapcsolatot. A modellforma kiválasztása előtt ellenőrizze a stacionaritást, a kointegrációt és a determinisztikus trendeket. A Granger-ok-okozati összefüggést teszteli, hogy az egyik változó késleltetett értékei hozzáadnak-e prediktív információkat egy másik változóhoz, a rendszer egyéb feltételeitől függően. Ez egy kijelentés a modell alatti időbeli kiszámíthatóságról, nem pedig a beavatkozáson alapuló ok-okozati azonosításról. A kihagyott zavaró tényezők, szerkezeti törések és mérési időzítés befolyásolhatja a következtetéseket. A VAR-ok impulzus-válasz elemzésre és előrejelzési hiba variancia-bontásra is használhatók, de ezek az értelmezések az azonosítási feltevésektől függenek. Magyarázza el a modell sorrendjét, a változókat, a transzformációkat és a bizonytalanságot az eredmények jelentésénél; az egyenletek önmagukban nem tárnak fel oksági mechanizmust.

Valós megvalósítás

Egy hipotetikus elemző a havi keresletet, árat és készletet modellezi a VAR(2) segítségével. Mindegyik egyenlet mindhárom változó két késleltetését tartalmazza, lehetővé téve, hogy a múltbeli készletek és árak tájékoztassák a keresleti előrejelzéseket.

Egy kutató azt vizsgálja, hogy a késleltetett reklámozás javítja-e az eladások előrejelzését a késleltetett eladások elszámolása után. Egy jelentős Granger-teszt prediktív tartalmat jelez a modellben, nem pedig annak bizonyítékát, hogy a reklám okozatilag megváltoztatja az eladásokat.

Egy rendszer hat változóból és sok jelölt késésből áll. Az együtthatók száma gyorsan növekszik, ezért az elemző ellenőrzi a minta méretét, és egy szűkszavúbb modellt vagy szabályzást fontolgat.

Úgy tűnik, két felkapott sorozat kapcsolódik egymáshoz. Az elemző értékeli a stacionaritást és a kointegrációt, mielőtt egy szabványos stabil VAR-t beilleszt, mivel a különbségtétel elvetheti a hosszú távú egyensúlyi információkat.

A vektorautoregresszió jövője

A VAR előrejelzések és interakciós elemzések javíthatók a transzformációk, a késleltetési sorrend, a stabilitási ellenőrzések és az impulzus-válasz értelmezés mögött meghúzódó feltételezések megadásával. Az elemzőknek össze kell hasonlítaniuk az előrejelzési teljesítményt egyváltozós és egyszerű többváltozós alapvonalakkal a későbbi ablakokban. Ha a hosszú távú kointegráció számít, a VECM megfelelőbb lehet, mint a kapcsolat elkülönülése. A szerkezeti törések figyelése fontos, mert az illesztett kölcsönhatások változhatnak. A Granger-eredményeket feltételes prediktív összefüggésként kell közölni, az ok-okozati összefüggéseket a beavatkozás értelmezését támogató terveknek fenntartva.

A gyakorlatba ültetés

Miért számít

  • Költség és költségvetés. Az építészeti döntések évekig növelik a teljesítményt és a működési költségeket.
  • Tisztább döntések. A technikai oktatás segít a csapatoknak a megfelelő verem kiválasztásában, nem csak a legújabb készletben.
  • Minőségellenőrzés. A jobb mérnöki döntések csökkentik a termelés megbízhatósági incidenseit.

Vigyázz

  • Egy benchmark optimalizálása elrejtheti a rendszer általános hiányosságait.
  • Az infrastrukturális és karbantartási költségeket gyakran alábecsülik.
  • A biztonsági és megfigyelhetőségi hiányosságok a rendszerek bonyolultabbá válásával nőhetnek.

Következő lépések

  1. Határozza meg a késleltetési, minőségi és költségcélokat a megvalósítás előtt.
  2. Benchmark reális terhelési és adatviszonyok mellett.
  3. Műszerfigyelés a hibák, az eltolódás és a felhasználói hatások szempontjából.
  4. A méretezés előtt készítse elő a visszagörgetési és az incidensre adott válaszútvonalakat.

Folytassa a felfedezést

Ingyenes hírlevél

Szerezze meg a napi AI összefoglalót

Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.

Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.

Teszteld magad

Take the Vector Autoregression quiz

Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.

Kezdő kvíz

Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt

Gyakran ismételt kérdések

Mi az a vektorautoregresszió?

A vektorautoregresszió (VAR) több idősort együttesen modellez, minden változót saját maga és a többiek késleltetett értékei alapján jósolnak meg. Rögzíti a dinamikus interakciókat, és támogatja az előrejelzéseket és a Granger-oksági teszteket, de állandó bemeneteket vagy megfelelő alternatívát és gondos késleltetési kiválasztást igényel.

Milyen prediktorok jelennek meg az egyes egyenletekben a VAR(p)-ben?

Minden egyenlet az összes benne lévő endogén változó p lag-ját használja, valamint bármely meghatározott determinisztikus vagy exogén kifejezést.

Egy három változós VAR(2) esetén hány késleltetési együttható jelenik meg az egyes egyenletekben a metszéspontok előtt?

Két-két késleltetésnél három változó van, tehát minden egyenletnek 3-szor 2 = 6 késleltetési együtthatója van.

Mit támogat a Granger-ok-okozati összefüggés megállapítása?

A Granger-ok-okozati összefüggés a késleltetett értékekből származó feltételes előrejelzésre vonatkozik, nem pedig a beavatkozáson alapuló ok-okozati azonosításra.

Miért értékeljük a kointegrációt, mielőtt több nem stacionárius sorozatot megkülönböztetünk?

Ha nem stacionárius változókat integrálunk, a VECM megőrzi azokat a hosszú távú kapcsolatokat, amelyeket a különbségek elvethetnek.

Miért illeszthet túl egy nagy dimenziós VAR egy rövid sorozatot?

A paraméterek száma a változók számával és a késleltetésekkel növekszik, ami elegendő megfigyelést igényel a stabil becsléshez.