Intervención con diferenciación


10

Al realizar un análisis de intervención con datos de series de tiempo (también conocido como series de tiempo interrumpido) como se discute aquí, por ejemplo, un requisito que tengo es estimar la ganancia (o pérdida) total debido a la intervención, es decir, el número de unidades ganadas o perdidas (la variable Y )

Sin comprender completamente cómo estimar la función de intervención utilizando una función de filtro dentro de R, lo hice de manera bruta, con la esperanza de que esto sea lo suficientemente general como para funcionar en cualquier situación.

Digamos que dados los datos

 cds<- structure(c(2580L, 2263L, 3679L, 3461L, 3645L, 3716L, 3955L, 
    3362L, 2637L, 2524L, 2084L, 2031L, 2256L, 2401L, 3253L, 2881L, 
    2555L, 2585L, 3015L, 2608L, 3676L, 5763L, 4626L, 3848L, 4523L, 
    4186L, 4070L, 4000L, 3498L), .Dim = c(29L, 1L), .Dimnames = list(
        NULL, "CD"), .Tsp = c(2012, 2014.33333333333, 12), class = "ts")

decidimos que el mejor modelo de ajuste es el siguiente, con la función de intervención como

dondeXtes un pulso en octubre de 2013.mt=ω0(1δB)XtXt

fit4 <- arimax(log(cds), order = c(1,1,0),include.mean=FALSE, 
               xtransf = data.frame(Oct13 = 1*(seq_along(cds)==22)),
               transfer = list(c(1,0))
               ,xreg=1*(seq_along(cds)==3))
fit4

#    ARIMA(1,1,0)                    

#    Coefficients:
#              ar1    xreg  Oct13-AR1  Oct13-MA0
#          -0.0184  0.2718     0.4295     0.4392
#    s.e.   0.2124  0.1072     0.3589     0.1485

#    sigma^2 estimated as 0.02176:  log likelihood=13.85
#    AIC=-19.71   AICc=-16.98   BIC=-13.05

Tengo dos preguntas:

1) A pesar de que hemos diferenciado los errores ARIMA, para evaluar la función de intervención, que era entonces técnicamente aptos utilizando la serie diferenciada ¿Hay algo que tenemos que hacer con el fin de "volver el cambio" la estimación de ω 0 o δ a partir usando X t a X t ?Xtω0δXtXt

2) ¿Es esto correcto? Para determinar la ganancia de la intervención, construí la intervención partir de los parámetros. Una vez que tengo m t , comparo los valores ajustados del modelo fit4 (exp () para revertir el registro) a exp (valores ajustados menos m t ) y determino que durante el período observado, la intervención resultó en 3342.37 unidades adicionales.mtmtmt

¿Es este proceso el correcto para determinar la ganancia generalmente de un análisis de intervención?

    int_vect1<-1*(seq_along(cds)==22)
    wo<- 0.4392
    delta<-0.4295


    mt<-rep(0,length(int_vect1))

    for (i in 1:length(int_vect1))
    {

      if (i>1)
      {
        mt[i]<-wo*int_vect1[i]+delta*mt[i-1]
      }

    }


    mt

sum(exp(fitted(fit4)) - (exp(fitted(fit4) - mt)))

2
¿Se pregunta si alguien puede arrojar luz sobre la forma correcta de estimar el impacto de una intervención, en general, si el procedimiento que demostré es correcto?
B_Miner

mt=exp(α(ti))ifitelse0α

Respuestas:


4

Asumiendo que este es un ejemplo de juguete:

Para responder a su primera pregunta:

1) Aunque hemos diferenciado los errores de ARIMA, para evaluar la función de intervención que técnicamente se ajustaba usando la serie diferenciada ▽ Xt, ¿hay algo que debamos hacer para "cambiar" la estimación de ω0 o δ del uso de ▽ Xt a Xt?

Cuando diferencia los datos, debe diferenciar las variables de respuesta / intervención. Cuando retrocede la diferencia (transformación) después de modelar, esto se encargaría automáticamente de la diferenciación ** Sé que esto es muy fácil cuando lo usa SAS Proc ARIMA. No se como hacer esto R.

Segunda pregunta:

2) ¿Es correcto? Para determinar la ganancia de la intervención, construí la intervención mt a partir de los parámetros. Una vez que tengo mt, comparo los valores ajustados del modelo fit4 (exp () para invertir el registro) a exp (valores ajustados menos mt) y determino que durante el período observado, la intervención resultó en 3342.37 unidades adicionales.

Para determinar la ganancia en la intervención, debe tomar el exponente y luego restar -1, esto daría la proporción o el efecto incremental. Para demostrar esto en su caso, vea a continuación. Durante el primer mes, el impacto fue del 55% de las ventas originales y decae rápidamente. Acumulativo tiene 4580 unidades de efecto incremental (13 de octubre a febrero de 2014. (Me referí al Principio de pronóstico y aplicaciones de Delurgio P: 518. Hay un excelente capítulo voluminoso sobre análisis de intervención).

Alguien por favor corrija si esta metodología es correcta?

La intervención de pulso + decaimiento claramente no es suficiente en este caso, yo haría un cambio de nivel de pulso + permanente como se muestra en el diagrama (e) a continuación, que es del artículo clásico de Box y Tiao .

ingrese la descripción de la imagen aquí

ingrese la descripción de la imagen aquí


Hola @ pronosticador. ¿Cómo conseguiste 3170 como efecto? Esto es lo que hice, miré los valores ajustados del modelo, que era 8.64245833 (todavía en la escala logarítmica). Entonces, exp (8.64245833) = 5667.244674. Luego, tomé 8.64245833 - 0.4392 = 8.20325833. Desde exp (8.64245833) - exp (8.20325833) = 2014.411599 este es el efecto. exp (8.64245833) / exp (8.20325833) = 1.55 que me pareció un apoyo para esto.
B_Miner

Usó los datos reales y el efecto modelado, supongo, en comparación con mi enfoque que usaba el modelo para ambos. Usé la idea de lo que dice el modelo con y sin el efecto. ¿Lo cual está bien?
B_Miner

Hola @B_miner, con la escala de transformación logarítmica necesitamos ver la tasa de cambio. El enfoque que describí es un enfoque directo según el libro de texto, cité. Sin embargo, su enfoque también es razonable. Tomaré una captura de pantalla de las páginas del libro de texto en un futuro próximo.
pronosticador

La tasa de cambio fue de 0,55, que también es la tasa de cambio en el enfoque del modelo que adopté. Me pregunto qué enfoque es más correcto? Me inclino por el mío ya que el enfoque se basa en el modelo (veruss actuals ajustado). Si el modelo está muy cerca del real, los dos enfoques serán la muestra. Me gustaría ver las páginas. ¿Veo que el libro parece agotado?
B_Miner

Sí, el libro está agotado. El ejemplo del libro es un cambio permanente versus intervención de pulso en su ejemplo. Creo que su enfoque es directo y preciso.
pronosticador

0

@forecaster Después de permitir que AUTOBOX identificara 3 valores atípicos utilizando 29 valores (no inapropiados en su experiencia) se encontró un modelo útil ingrese la descripción de la imagen aquíy aquí ingrese la descripción de la imagen aquí. El gráfico de acf residual no sugiere un modelo subespecificado ingrese la descripción de la imagen aquí. El gráfico Real / Fit / Forecast es ingrese la descripción de la imagen aquícon Fit / Forecast aquí ingrese la descripción de la imagen aquí. El pronosticador había mencionado (correctamente) previamente cómo una variable de pulso puede transformarse en una variable de nivel / paso cuando se introduce un coeficiente de denominador de casi 1.0. Al encontrar dos cambios de nivel (el más reciente a partir de 9/2013) y un pulso a 10/2013, el modelo presenta una imagen más clara. En términos del impacto del pulso a 10/13, es simplemente el valor del coeficiente. HTH


2
¿Cuál de las dos preguntas estabas respondiendo?
B_Miner

La primera pregunta presuponía un modelo que suponía una transformación logarítmica que creo que no está justificada. El pulso en 10/2013 = 1710, que es la estimación del efecto en 10/2013
IrishStat

@B_Miner se podría decir que el cambio de nivel en 9/2013 elevó las cosas en 1480, por lo tanto, el aumento neto en 10/2013 sería 1710 + 1480 = 3190
IrishStat

Esta publicación parece ser más un comentario extenso sobre la pregunta que una respuesta a cualquier parte de la pregunta. ¿Quizás podría aumentarse para abordar las preguntas directamente?
whuber

La premisa falsa de la primera pregunta es el quid de mi respuesta: tomar registros e incorporar diferencias innecesarias es cuestionable / incorrecto en mi opinión ... por lo tanto, mi "respuesta" es en parte corregir la premisa y sugerir el efecto del impacto a 10/2013 es simplemente la suma de un cambio temporal y permanente. Aunque el OP ha aceptado otra respuesta, yo no.
IrishStat
Al usar nuestro sitio, usted reconoce que ha leído y comprende nuestra Política de Cookies y Política de Privacidad.
Licensed under cc by-sa 3.0 with attribution required.