Cómo detectar un cambio significativo en datos de series de tiempo debido a una "política de" cambio?

Question

Espero que este sea el lugar adecuado para este post, he considerado que la publicación del mismo en los escépticos, pero se me figura que acababa de decir el estudio fue estadísticamente mal. Tengo curiosidad acerca de la otra cara de la cuestión, que es cómo hacerlo bien.

En el sitio web yo Cuantificado, el autor publicó los resultados de un experimento de algunas métricas de salida medido en sí mismo a lo largo del tiempo y en comparación antes y después de suspender abruptamente el consumo de café. Los resultados fueron evaluados de manera subjetiva y que el autor creía que tenía pruebas de que hubo un cambio en la serie de tiempo y se relacionó con el cambio en la política (el consumo de café)

Lo que esto me recuerda a los modelos de la economía. Sólo tenemos una economía (que nos importa por el momento), por lo que los economistas son a menudo haciendo esencialmente de n=1 experimentos. Los datos es casi seguro que autocorrelated a lo largo del tiempo a causa de esto. Los economistas generalmente están viendo, a decir de la Fed, como es el inicio de una política y tratando de decidir si la serie de tiempo cambiado, potencialmente en la cuenta de la política.

¿Qué es la prueba apropiada para determinar si la serie de tiempo tiene aumento o disminución de la base en los datos? La cantidad de datos que necesito? ¿Qué herramientas existen? Mi primera googlear sugieren Markov de Tiempo de Conmutación de la Serie de Modelos, pero no es mi googlear habilidades se me fallaba a ayudar a hacer cualquier cosa con sólo el nombre de la técnica.

Answer 1

El Cuadro-Tiao papel que se refiere por Jason se basa en un cambio de la ley. La pregunta aquí es la forma de detectar el punto en el tiempo. La respuesta es utilizar el Tsay procedimiento para detectar las Intervenciones que los Pulsos, el nivel de Turnos , de Temporada, Legumbres y/o de las tendencias en el tiempo.

Answer 2

Mirando a través de algunas de las notas antiguas de quiebres estructurales, tengo estos dos cites:

Enders, "Aplicado Econométricos de Series de Tiempo", 2ª edición, cap. 5.

Enders se analizan las intervenciones, el pulso de funciones, cambio gradual de funciones, funciones de transferencia, etc. Este artículo también puede ser útil:

Box, G. E. P. y G. C. Tiao. 1975. "Análisis de la intervención con Aplicaciones a Problemas Económicos y Medioambientales." Revista de la Asociación Americana de Estadística 70: 70-79.

Answer 3

No podía usted sólo tiene que utilizar un punto de cambio de modelo y, a continuación, tratar de identificar el punto de cambio utilizando un algoritmo MCMC tales como el Muestreo de Gibbs?

Esto debería ser relativamente simple de implementar, siempre y cuando usted tiene algunos antes de las distribuciones de los datos o de la totalidad del condicional distirbution (de Gibbs).

Usted puede encontrar una visión general rápida aquí

Answer 4

Si usted estuviera considerando todos los puntos de tiempo como candidato a los puntos de cambio (un.k.una. puntos de ruptura de una.k.una. cambio estructural), a continuación, el strucchange paquete es una muy buena opción.

Parece que en su escenario particular, no es sólo uno de los candidatos punto en el tiempo. En este caso, varios rápida opciones vienen a la mente:

1. T-test: un t-test en las horas de concentración por día en el "antes de salir" vs "después de dejar de fumar" períodos. Si usted está preocupado con el día a día de correlación, usted podría dar algunas observaciones de forma que usted tiene el tiempo suficiente intervalos para creer que los días no están correlacionados. Con este enfoque,usted será el comercio de alimentación con sencillez.
2. AR: Ajuste de un modelo de AR con uno ficticio: "después de dejar de fumar". Si el predictor es significativo, entonces usted tiene un cambio. El uso de un AR, la captura de la (posible) la dependencia entre los días.

Answer 5

Hace un par de años escuché una charla por un estudiante de posgrado, Stacey Hancock, durante un local ASA capítulo de la reunión y fue en "cambio estructural de la estimación" de la serie de tiempo. La charla fue muy interesante y he hablado con ella y después de ella estaba trabajando con Richard Davis (de Brockwell-Davis), luego en la Universidad Estatal de Colorado, ahora en Columbia. La charla fue una extensión de Davis et al. trabajo en el 2006, JASA papel que se llama Strutural Romper la Estimación de Modelos de Serie de Tiempo No estacionaria, que está disponible gratuitamente aquí.

Davis tiene un software de aplicación del método que él llama Auto-PARM, que él hizo en un ejecutable de Windows. Si usted en contacto con él, usted puede ser capaz de obtener una copia. Yo tengo una copia, y aquí está el ejemplo de salida en un área de 1,200 tiempo de observación de la serie:

    ============== RESULTS ===============
  ISLAND           1
    SC=   1910.58314770669
    Breaking point/AR order
           1              1
         351              1
         612              3
    ======================================
 Total time:   5.812500

Así que la serie es un AR(1) en el principio, en la observación 351 el AR(1) cambios en el proceso a otro AR(1) proceso (usted puede obtener los parámetros) y, a continuación, en la observación 612 los cambios en el proceso AR(3).

Una configuración interesante traté de Auto-PARM estaba mirando semanal retiro en CAJERO automático de datos que fue parte de la NN5 de la competencia. Recuerdo el algoritmo de búsqueda de quiebres estructurales a finales de noviembre de un año determinado, por ejemplo, el principio de los EE.UU. temporada de compras navideñas.

Entonces, ¿cómo utilizar este algoritmo a través de las implementaciones existentes? Bueno, de nuevo, podría llegar a Davis y ver si usted puede conseguir el ejecutable de Windows. Cuando yo estaba en el Rogue Wave Software trabajé con Davis para obtener Auto-PARM en el IMSL Librerías Numéricas. El primer idioma fue portado a fue Fortran, donde se llama Auto_PARM, y sospecho que Rogue Wave de la liberación de un C puerto de pronto, con Python, C# y Java puertos a seguir.