HƯỚNG DẪN KỸ THUẬT

Tự hồi quy vectơ

Công cụ tự hồi quy vectơ (VAR) mô hình hóa nhiều chuỗi thời gian cùng nhau, với mỗi biến được dự đoán từ các giá trị trễ của chính nó và các biến khác.

Nghe hướng dẫn nàyAI thuật lại · ~3 min

Trên trang nàyĐọc trong 3 phút
  1. Tổng quan
  2. Lặn sâu
  3. Triển khai trong thế giới thực
  4. Tương lai của tự hồi quy Vector
  5. Đưa nó vào thực tế
  6. Tiếp tục khám phá
  7. Câu hỏi thường gặp

Tổng quan

Nó nắm bắt các tương tác động và hỗ trợ dự báo cũng như kiểm tra quan hệ nhân quả Granger, nhưng yêu cầu đầu vào cố định hoặc lựa chọn độ trễ thay thế thích hợp và cẩn thận.

Lặn sâu

VAR coi mỗi chuỗi trong hệ thống thời gian đa biến là nội sinh. Trong VAR(p), mọi biến được hồi quy theo giá trị độ trễ p của chính nó và độ trễ p của mọi biến được bao gồm khác, cộng với các thuật ngữ xác định hoặc đầu vào ngoại sinh khi được chỉ định. Thiết lập đối xứng này cho phép các tương tác xuất hiện từ dữ liệu thay vì chỉ định một chuỗi là phản hồi duy nhất và phần còn lại là các yếu tố dự đoán cố định. Hệ thống được trang bị có thể tạo ra các dự báo chung. Đối với hệ thống giả định về nhu cầu, giá cả và hàng tồn kho trong VAR(2), phương trình cầu sử dụng hai quan sát độ trễ của cả ba biến. Phương trình giá và phương trình tồn kho cũng làm như vậy. Tính linh hoạt này có các tham số chi phí: với các biến K và độ trễ p, mỗi phương trình có hệ số độ trễ Kp cộng với các số hạng xác định. Do đó, một chuỗi thời gian ngắn với nhiều biến số có thể quá phù hợp và nên chọn thứ tự độ trễ với các tiêu chí thông tin, kiểm tra số dư và xác thực dự báo theo thứ tự thời gian. Phân tích VAR giả định động lực được thể hiện một cách thích hợp. VAR ổn định tiêu chuẩn thường được sử dụng cho loạt phim cố định. Nếu các biến có nghiệm đơn vị nhưng có chung điểm cân bằng dài hạn, mô hình sửa lỗi vectơ có thể bảo toàn cả sự thay đổi ngắn hạn và sự đồng liên kết. Phân biệt tất cả các chuỗi có thể loại bỏ mối quan hệ dài hạn đó. Kiểm tra tính dừng, đồng liên kết và xu hướng tất định trước khi lựa chọn hình thức mô hình. Nhân quả Granger kiểm tra xem các giá trị trễ của một biến có bổ sung thêm thông tin dự đoán cho một biến khác có điều kiện dựa trên các số hạng khác của hệ thống hay không. Đó là tuyên bố về khả năng dự đoán theo thời gian theo một mô hình, chứ không phải việc xác định nguyên nhân dựa trên sự can thiệp. Các yếu tố gây nhiễu bị bỏ qua, sự phá vỡ cấu trúc và thời gian đo lường có thể ảnh hưởng đến kết luận. VAR cũng có thể được sử dụng để phân tích phản ứng xung và phân tích phương sai lỗi dự báo, nhưng những diễn giải đó phụ thuộc vào các giả định nhận dạng. Giải thích thứ tự mô hình, các biến, các phép biến đổi và độ không đảm bảo khi báo cáo kết quả; riêng các phương trình không tiết lộ cơ chế nhân quả.

Triển khai trong thế giới thực

Một nhà phân tích giả định lập mô hình nhu cầu, giá cả và hàng tồn kho hàng tháng bằng VAR(2). Mỗi phương trình bao gồm hai độ trễ của cả ba biến số, cho phép lượng hàng tồn kho và giá cả trong quá khứ cung cấp thông tin dự báo về nhu cầu.

Một nhà nghiên cứu kiểm tra xem liệu quảng cáo bị trễ có cải thiện dự đoán về doanh số bán hàng hay không sau khi tính đến doanh số bán hàng bị trễ. Một thử nghiệm Granger quan trọng cho thấy nội dung mang tính dự đoán trong mô hình chứ không phải bằng chứng cho thấy quảng cáo có tác động nhân quả làm thay đổi doanh số bán hàng.

Một hệ thống có sáu biến và nhiều độ trễ ứng viên. Số lượng hệ số tăng lên nhanh chóng, do đó nhà phân tích kiểm tra cỡ mẫu và xem xét một mô hình hoặc sự chính quy hóa chi tiết hơn.

Hai chuỗi xu hướng có vẻ liên quan với nhau. Nhà phân tích đánh giá tính dừng và sự đồng liên kết trước khi điều chỉnh một VAR ổn định tiêu chuẩn, vì sự khác biệt có thể loại bỏ thông tin cân bằng dài hạn.

Tương lai của tự hồi quy Vector

Dự báo VAR và phân tích tương tác có thể được cải thiện bằng cách nêu rõ các biến đổi, thứ tự độ trễ, kiểm tra độ ổn định và các giả định đằng sau bất kỳ cách giải thích phản ứng xung lực nào. Các nhà phân tích nên so sánh hiệu suất dự báo với các đường cơ sở đơn biến và đa biến đơn giản trong các giai đoạn sau. Khi sự hợp nhất lâu dài có ý nghĩa quan trọng, VECM có thể phù hợp hơn là phân biệt mối quan hệ. Việc giám sát các đứt gãy cấu trúc rất quan trọng vì các tương tác được lắp đặt có thể thay đổi. Kết quả Granger nên được truyền đạt dưới dạng mối quan hệ dự đoán có điều kiện, với các tuyên bố nhân quả dành riêng cho các thiết kế hỗ trợ việc giải thích can thiệp.

Đưa nó vào thực tế

Tại sao nó quan trọng

  • Chi phí và ngân sách. Các quyết định về kiến ​​trúc sẽ thúc đẩy hiệu suất và chi phí vận hành trong nhiều năm.
  • Quyết định rõ ràng hơn. Giáo dục kỹ thuật giúp các nhóm chọn nhóm phù hợp chứ không chỉ nhóm mới nhất.
  • Kiểm soát chất lượng. Lựa chọn kỹ thuật tốt hơn làm giảm sự cố về độ tin cậy trong sản xuất.

coi chừng

  • Tối ưu hóa một điểm chuẩn có thể che giấu những điểm yếu của hệ thống rộng hơn.
  • Chi phí cơ sở hạ tầng và bảo trì thường được đánh giá thấp.
  • Khoảng cách về bảo mật và khả năng quan sát có thể tăng lên khi hệ thống trở nên phức tạp hơn.

Các bước tiếp theo

  1. Xác định các mục tiêu về độ trễ, chất lượng và chi phí trước khi triển khai.
  2. Điểm chuẩn trong điều kiện tải và dữ liệu thực tế.
  3. Giám sát thiết bị về lỗi, độ lệch và tác động của người dùng.
  4. Chuẩn bị đường dẫn khôi phục và ứng phó sự cố trước khi mở rộng quy mô.

Tiếp tục khám phá

Bản tin miễn phí

Nhận bản tóm tắt AI hàng ngày

Ba câu chuyện AI đã được xác minh vào mỗi buổi sáng các ngày trong tuần, được viết bằng tiếng Anh đơn giản. Miễn phí mãi mãi, không có quảng cáo.

Một email mỗi ngày trong tuần. Hủy đăng ký trong một cú nhấp chuột. Chúng tôi không bao giờ bán hoặc chia sẻ địa chỉ của bạn.

Tự kiểm tra

Take the Vector Autoregression quiz

Phản hồi tức thì về mọi câu trả lời và chứng chỉ có thể chia sẻ với ID có thể xác minh sau khi bạn vượt qua khóa học.

Bắt đầu bài kiểm tra

Hỗ trợ giáo dục AI miễn phí. AI Understanding là tổ chức phi lợi nhuận 501(c)(3) — không bao giờ có quảng cáo, không có tường phí. Hãy quyên góp

Câu hỏi thường gặp

Tự hồi quy Vector là gì?

Công cụ tự hồi quy vectơ (VAR) mô hình hóa nhiều chuỗi thời gian cùng nhau, với mỗi biến được dự đoán từ các giá trị trễ của chính nó và các biến khác. Nó nắm bắt các tương tác động và hỗ trợ dự báo cũng như kiểm tra quan hệ nhân quả Granger, nhưng yêu cầu đầu vào cố định hoặc lựa chọn độ trễ thay thế thích hợp và cẩn thận.

Trong VAR(p), yếu tố dự đoán nào xuất hiện trong mỗi phương trình?

Mỗi phương trình sử dụng độ trễ p của tất cả các biến nội sinh được bao gồm, cùng với bất kỳ số hạng xác định hoặc ngoại sinh cụ thể nào.

Trong một VAR(2) có ba biến, có bao nhiêu hệ số trễ xuất hiện trong mỗi phương trình trước khi bị chặn?

Có ba biến ở mỗi độ trễ, vì vậy mỗi phương trình có 3 nhân 2 = 6 hệ số độ trễ.

Việc tìm kiếm quan hệ nhân quả Granger hỗ trợ điều gì?

Nhân quả Granger liên quan đến dự đoán có điều kiện từ các giá trị trễ, chứ không phải việc xác định nguyên nhân dựa trên can thiệp.

Tại sao phải đánh giá sự đồng liên kết trước khi lấy vi phân một số chuỗi không cố định?

Khi các biến không cố định được đồng liên kết, VECM duy trì các mối quan hệ lâu dài mà phương pháp sai phân có thể loại bỏ.

Tại sao VAR chiều cao có thể phù hợp hơn với một loạt phim ngắn?

Số lượng tham số tăng theo số lượng biến và độ trễ, đòi hỏi phải quan sát đủ để ước tính ổn định.