4 votos

Cómo interpretar la constante de un modelo ARMA

Estoy tratando de ajustar un modelo ARMA(1,0) para una serie temporal que comienza en $10$ y desciende lentamente hasta $4$ en torno a $180$ pasos. Para ello, he intentado ajustar un modelo ARMA en python utilizando lo siguiente:

# contrived dataset
data1 = data['beta_0'].tolist()

# fit model
model = ARMA(data1, order = (1,0))
model_fit = model.fit()

Los resultados son los siguientes:

enter image description here

Me cuesta entender por qué la constante sería tan grande. ¿No significaría esto que si se dice, por ejemplo, que $y_0 = 10$ (como en mi serie temporal), entonces $y_1 = 6.8840 + 0.9916y_0 + \epsilon$ . Supongo que entonces los valores de esta serie temporal se dispararían ¿no?

Entonces, ¿cómo puede ser que esta sea la salida de una serie que baja lentamente de 10 a 4?

Cualquier ayuda será muy apreciada.

3voto

Owen Fraser-Green Puntos 642

Su ecuación es

$$[y(t)-6.8840][1-.9916B]= +ϵ(t)$$

o

$$y(t)= .0084\times6.8840 + .9916\cdot y(t-1)$$

$$y(t)= .0578 + .9916\cdot y(t-1)$$

enter image description here

Lo que te ha confundido es que para tu modelo estacionario la constante que se estima es una constante del lado izquierdo y no del lado derecho que esperabas (¡normalmente!).

Su modelo, en mi opinión, debería cambiarse a un modelo de primera diferencia, ya que su coeficiente ar no es diferente de 1,0 .

Editado después de los comentarios de @whuber:

Me intrigó el interesante debate y decidí sacar mi fiel simulador de series temporales enter image description here y generó una realización del siguiente modelo enter image description here . La naturaleza del modelo sugiere que otras realizaciones podrían tener patrones diferentes.

La serie tiene sus altibajos como lo que cabría esperar de un proceso en el que el valor esperado es el último valor más o menos.

El ACF y el PACF están aquí

enter image description here

El modelo estimado está aquí enter image description here y aquí (con una constante no significativa PERO necesaria ) enter image description here

Expresado como una ecuación pura del lado derecho aquí enter image description here

El gráfico ACTUAL/FIT/FORECAST está aquí enter image description here

El historial muestra las tendencias al alza y a la baja de los distintos segmentos.

Tratado objetivamente el modelo es simplemente un paseo aleatorio enter image description here

1 votos

Su fórmula no se ajusta a las convenciones utilizadas por Statsmodels: véase stats.stackexchange.com/questions/280507 . Estoy de acuerdo en que el resultado indica la conveniencia de la primera diferenciación, pero la respuesta corta es que esto parece un paseo aleatorio y, dado que la varianza de la innovación se estima como $0.294^2=0.0684,$ en el transcurso de $180$ pasos independientes la varianza del cambio total es $15.56,$ indicando un típico cambio de $\sqrt{15.56}\approx 4.$ Este valor y la constante estimada de $6.88$ son perfectamente coherentes con los datos que van desde $10$ a $4.$

0 votos

Un paseo aleatorio es un caso particular de un modelo de primera diferencia que permite un posible parámetro de deriva o incluso una estructura de arma. En mi lenguaje, un paseo aleatorio es un modelo de primera diferencia sin deriva y sin estructura de arma... estos datos sugieren una deriva que puede no ser significativa. He seguido tu hilo sugerido pero como siempre estoy (ligeramente) confundido . ¿Está seguro de que su URL es correcta?

0 votos

Pido disculpas: el último dígito del número de la pregunta se cortó durante la operación de copiar y pegar. Lo he restaurado. Debería enlazar con un hilo titulado "Generación de ecuación a partir del resumen del modelo ARMA en python".

i-Ciencias.com

I-Ciencias es una comunidad de estudiantes y amantes de la ciencia en la que puedes resolver tus problemas y dudas.
Puedes consultar las preguntas de otros usuarios, hacer tus propias preguntas o resolver las de los demás.

Powered by:

X