Cuando para iniciar la transformación de una serie de tiempo antes de ajustar un modelo ARIMA

Question

Anteriormente he utilizado pronóstico del pro para la previsión de univariado de series de tiempo, pero cambiaré mi flujo de trabajo a R. El pronóstico del paquete de R contiene una gran cantidad de funciones útiles, pero una cosa que no hace es cualquier tipo de transformación de datos antes de ejecutar el auto.arima(). En algunos casos forecast pro decide registro de transformar los datos antes de hacer pronósticos, pero todavía no he descubierto por qué.

Así que mi pregunta es: cuándo se debe iniciar la transformación de mi serie de tiempo antes de intentar ARIMA métodos?

/edit: después de leer sus respuestas, voy a usar algo como esto, donde x es mi serie de tiempo:

library(lmtest)
if ((gqtest(x~1)$p.value < 0.10) {
    x<-log(x)
}

¿Esto tiene sentido?

Answer 1

Trace una gráfica de los datos contra el tiempo. Si se parece a la variación aumenta con el nivel de la serie, tomar registros. De lo contrario, el modelo de los datos originales.

Answer 2

Algunas advertencias antes de proceder. Como a menudo me sugiero a mis estudiantes, auto.arima() cosas sólo como una primera aproximación a su resultado final o si desea tener un modelo parsimonioso al comprobar que su rival basada en la teoría del modelo de hacerlo mejor.

Datos

Usted tiene claramente al inicio de la descripción de datos de series de tiempo que usted está trabajando. En los macro-econométricos de trabajar con datos agregados, y el geométrico medio (sorprendentemente) tienen más evidencia empírica para la macro de datos de series de tiempo, probablemente porque la mayoría de ellos descomponible en aumento exponencial de la tendencia.

Por cierto Rob sugerencia "visualmente" obras para la serie de tiempo con clara de temporada parte, como lentamente variación anual de los datos es menos clara para los incrementos en la variación. Por suerte exponencialmente creciente tendencia es generalmente visto (si es que parece ser lineal, que sin necesidad de registros).

Modelo

Si su análisis se basa en una teoría que afirma que algunas media geométrica ponderada $Y(t) = X_1^{\alpha_1}(t)...X_k^{\alpha_k}(t)\varepsilon(t)$ más conocido como el multiplicativo modelo de regresión es el que tiene que trabajar. A continuación, usted por lo general se mueven a una log-log modelo de regresión, que es lineal en los parámetros y la mayoría de sus variables, pero algunas de las tasas de crecimiento, se transforman.

En econometría financiera de los registros son una cosa común debido a la popularidad de registro-devuelve, porque...

Registro de transformaciones tienen buenas propiedades

En log-log modelo de regresión es la interpretación del parámetro estimado, decir $\alpha_i$ como la elasticidad de $Y(t)$$X_i(t)$.

En la corrección de error de los modelos tenemos una empíricamente más fuerte suposición de que las proporciones son más estables (estacionario) de las diferencias absolutas.

En econometría financiera es fácil para agregar el registro devuelve a lo largo del tiempo.

Hay muchas otras razones que no se mencionan aquí.

Finalmente

Tenga en cuenta que log-la transformación se aplica generalmente a los no-negativos (nivel) de las variables. Si usted observar las diferencias de las dos series (neto de exportación, por ejemplo) no es posible ni siquiera para tomar el registro, usted tiene ya sea para la búsqueda de los datos originales en los niveles o asumir la forma de la tendencia común que se resta.

[adición después de editar] Si usted todavía desea un criterio estadístico para hacer la transformación de registro de una solución más sencilla sería que alguna de las pruebas de heterocedasticidad. En el caso de aumento de la varianza yo recomendaría Goldfeld-Quandt Prueba o similar. En R se encuentra en library(lmtest) y se denota por gqtest(y~1) función. Simplemente retroceder en el término de intersección si usted no tiene ningún modelo de regresión, y es su variable dependiente.

Answer 3

Por Sus Frutos Los Conoceréis

La asunción (para ser probado) es que los errores del modelo tienen varianza constante. Nota esto no significa que los errores de un supuesto modelo. Cuando se utiliza un simple análisis gráfico, básicamente está suponiendo un modelo lineal en el tiempo.

Por lo tanto, si usted tiene un modelo inadecuado tal como podría ser sugerido por un casual de la trama de los datos contra el tiempo que usted incorrectamente puede concluir acerca de la necesidad de un poder de transformación. Box y Jenkins hizo en su Aerolínea de Datos de ejemplo. No no cuenta para los 3 valores inusuales en los datos más recientes, así que de forma incorrecta la conclusión de que hubo mayor variación en los residuos en el nivel más alto de la serie.

Para más información sobre este tema, por favor consulte http://www.autobox.com/pdfs/vegas_ibf_09a.pdf

Answer 4

Usted puede ser que desee para iniciar la transformación de la serie cuando están de alguna manera, naturalmente, geométrica o cuando el valor de tiempo de una inversión implica que se va a comparar a un mínimo de riesgo de los bonos que tiene un retorno positivo. Esto los hará más "linearizable", y por lo tanto adecuado para una simple diferenciación de la recurrencia de la relación.