다음과 같은 일반적인 질문이 이해 되기를 바랍니다 . 이 특정 질문의 목적 상 나는 비선형 성을 도입하는 이론적 (주체 영역) 이유에 관심이 없다는 것을 명심하십시오. 따라서 다음과 같이 전체 질문 을 공식화합니다 .
이론적 (주체 영역) 이외의 이유로 통계 모델에 비선형 성을 도입하기위한 논리적 프레임 워크 ( 기준 및 가능한 경우 의사 결정 프로세스 )는 무엇입니까? 항상 그렇듯이 관련 자료와 참고 자료도 환영합니다.
다음과 같은 일반적인 질문이 이해 되기를 바랍니다 . 이 특정 질문의 목적 상 나는 비선형 성을 도입하는 이론적 (주체 영역) 이유에 관심이 없다는 것을 명심하십시오. 따라서 다음과 같이 전체 질문 을 공식화합니다 .
이론적 (주체 영역) 이외의 이유로 통계 모델에 비선형 성을 도입하기위한 논리적 프레임 워크 ( 기준 및 가능한 경우 의사 결정 프로세스 )는 무엇입니까? 항상 그렇듯이 관련 자료와 참고 자료도 환영합니다.
답변:
모델 구축 프로세스에는 많은 결정을 내리는 모델 빌더가 포함됩니다. 결정 중 하나는 탐색 할 여러 모델 클래스 중에서 선택하는 것 입니다. 고려할 수있는 많은 종류의 모델이 있습니다. 예를 들어 ARIMA 모델, ARDL 모델, 다중 오류 상태 공간 모델, LSTAR 모델, Min-Max 모델 등이 있습니다. 물론, 일부 모델 클래스는 다른 클래스보다 광범위하며 일부 모델 클래스 가 다른 클래스 의 하위 클래스라는 것은 일반적이지 않습니다 .
문제의 본질을 감안할 때, 우리는 주로 두 가지 클래스의 모델에만 집중할 수 있습니다. 선형 모델 및 비선형 모델 .
위의 그림을 염두에두고 비선형 모델을 채택하는 것이 유용한시기와이를위한 논리적 프레임 워크가 있는지에 대한 OPs 문제를 통계적 및 방법 론적 관점에서 다루겠습니다.
가장 먼저 주목할 것은 선형 모델은 비선형 모델의 작은 하위 클래스라는 것입니다. 즉, 선형 모델은 비선형 모델의 특수한 경우입니다. 그 진술에는 몇 가지 예외가 있지만, 현재의 목적으로, 우리는 문제를 단순화하기 위해 그것을 받아들임으로써 많은 것을 잃지 않을 것입니다.
일반적으로 모델 빌더는 모델 클래스를 선택하고 일부 방법론을 사용하여 특정 클래스 내에서 모델을 선택합니다. 간단한 예는 ARIMA 프로세스로 시계열을 모델링 한 다음 Box-Jenkins 방법론에 따라 ARIMA 모델 클래스에서 모델을 선택하는 경우입니다. 이러한 방식으로 모델 패밀리와 관련된 방법론을 사용하는 것은 실질적인 필요성의 문제입니다.
비선형 모델을 구축하기로 결정한 결과, 더 작은 선형 모델 중에서 선택하는 것과 비교할 때 모델 선택 문제가 훨씬 커지고 (더 많은 모델을 고려해야하고 더 많은 결정에 직면하게 됨) 실제적인 문제. 더욱이, 일부 비선형 모델 군에서 선택하기 위해 사용할 완전히 개발 된 방법론 (알려지고, 받아 들여지고, 이해되고, 의사 소통하기 쉬운)이 없을 수도 있습니다. 또한 비선형 모델을 구축 할 때의 또 다른 단점은 선형 모델을 사용하기 쉽고 확률 적 속성을 더 잘 알고 있다는 것입니다 ( Teräsvirta, Tjøstheim 및 Granger (2010) ).
그러나 OP는 실용적이거나 도메인 이론적 결정보다는 결정을 안내하는 통계적 근거를 요구하므로 계속 진행해야한다.
작업 할 비선형 모델 선택을 처리하는 방법을 고려하기 전에 먼저 선형 모델 또는 비선형 모델을 사용할지 결정해야합니다. 결정! 이 선택을하는 방법?
Granger와 Terasvirta (1993) 에게 호소함으로써 다음 두 가지 질문에 대한 두 가지 주요 요점을 갖는 다음과 같은 주장을 채택합니다.
Q : 비선형 모델을 만드는 것이 언제 유용한가요? 요컨대, 선형 모델의 클래스가 이미 검사 중 관계를 특성화하기에 충분하지 않은 것으로 간주되고 간주 될 때 비선형 모델을 작성하는 것이 유용 할 수 있습니다. 이 비선형 모델링 절차 (의사 결정 과정)는 선형에서 비선형으로 진행된다는 의미에서 단순에서 일반으로 진행될 수 있습니다.
Q : 비선형 모델 구축을 정당화하는 데 사용할 수있는 통계적 근거가 있습니까? 선형성 테스트 결과를 기반으로 비선형 모델을 작성하기로 결정했다면, 그렇습니다. 선형성 테스트에서 관계에 유의미한 비선형 성이 없음을 시사하는 경우 비선형 모델을 작성하지 않는 것이 좋습니다. 테스트는 구축 결정에 앞서야합니다.
나는 Granger와 Terasvirta (1993)를 직접 참조하여이 점들을 설명 할 것이다.
비선형 모델을 작성하기 전에 실제로 선형 모델이 분석중인 [경제적] 관계를 적절히 특성화하는지 확인하는 것이 좋습니다. 이 경우 비선형 모델이 적절한 경우보다 합리적인 모델을 구축 할 수있는 통계 이론이 더 많을 것입니다. 또한, 모형이 선형 인 경우 한주기 이상의 최적 예측치를 얻는 것이 훨씬 간단합니다. 변수 간의 실제 관계가 선형이지만 조사자가 비선형 모델을 성공적으로 추정하는 것은 적어도 시계열이 짧은 경우에 발생할 수 있습니다. 따라서 모델 구축을 불필요하게 복잡하게 만드는 위험은 실제로 발생하지만 선형성 테스트를 통해 줄일 수 있습니다.
가장 최근의 저서 인 Teräsvirta, Tjøstheim, Granger (2010)에서도 같은 종류의 조언이 제시되어 있습니다.
실제적인 관점에서보다 복잡한 비선형 모델의 추정을 시도하기 전에 선형성을 테스트하는 것이 유용합니다. 대부분의 경우 통계적 관점에서 테스트가 필요합니다. 많은 인기있는 비선형 모델은 선형성으로 식별되지 않습니다. 데이터를 생성 한 실제 모델이 선형이고 비선형 모델이이 선형 모델을 중첩하는 데 관심이있는 경우 비선형 모델의 매개 변수를 일관되게 추정 할 수 없습니다. 따라서 선형성 테스트는 비선형 모델링 및 추정보다 우선해야합니다.
예를 들어 보겠습니다.
비즈니스주기 모델링의 맥락에서, 비선형 모델의 구축을 정당화하기 위해 통계적 근거를 사용하는 실제 예는 다음과 같습니다. 선형 일 변량 또는 벡터 자기 회귀 모델은 비대칭 주기적 시계열을 생성 할 수 없기 때문에 데이터의 비대칭을 처리 할 수있는 비선형 모델링 접근법이 고려할 가치가 있습니다. 데이터 가역성 에 대한이 예제의 확장 된 버전은 Tong (1993) 에서 찾을 수 있습니다 .
시계열 모델에 너무 집중했다면 사과드립니다. 그러나 일부 아이디어는 다른 설정에도 적용 할 수 있습니다.
중요한 문제는 선형성이 어떤 유형의 문제를 예상 할 것인지 결정하는 것입니다. 그렇지 않으면 표본 크기가 허용하는대로 관계가 비선형이되도록합니다. 생물학, 사회 과학 및 기타 분야의 대부분의 프로세스는 비선형입니다. 선형 관계를 기대하는 유일한 상황은 다음과 같습니다.
큰 데이터 세트에서 선형적인 관계는 거의 없습니다.
회귀 모형에 비선형 성을 포함시키는 결정은 전 세계 통계 원칙이 아니라 세계가 작동하는 방식에서 비롯됩니다. 차선의 통계 프레임 워크를 선택하고 프레임 워크를 잘못 선택하기 위해 비선형 성 또는 상호 작용 항을 도입해야하는 경우는 예외입니다. 언더 모델링 (예 : 선형성을 가정하여) 주요 효과를 상쇄하기 위해 상호 작용 항이 필요할 수 있습니다. 다른 주 효과의 모델링 부족으로 인한 정보 손실을 상쇄하기 위해 더 많은 주 효과가 필요할 수 있습니다.
연구자들은 때때로 다른 변수들이 선형 적으로 작용하도록 강요함으로써 다른 변수들에 적합하지 않은 상태에서 특정 변수를 포함시킬 것인지 고민합니다. 내 경험상 선형성 가정은 가장 중요한 모든 가정 중 가장 위반되는 것 중 하나입니다.
이것은 체계적인 접근 방식이 아니지만 내가 항상하는 일 중 하나 일뿐입니다.