각 시계열은 유사한 시리즈를 수집하여 유사 / 공통 구조를 갖는 그룹 또는 섹션으로 그룹화하는 궁극적 인 아이디어로 개별적으로 평가되어야합니다. 시계열 데이터는 지정되지 않은 위치에서 알려지지 않은 결정 론적 구조에 의해 개입 될 수 있기 때문에 개입이 실제로 영향을 미치는 위치를 찾기 위해 개입 감지를 수행하는 것이 좋습니다. 법이 특정 시점 (법률)에서 시행되었다는 것을 알고 있다면 실제로는 실제로 개입이 발생한 날짜가 아닐 수도 있습니다. 시스템은 알려진 효과 날짜 이전에 또는 비준수 또는 비 응답으로 인해 날짜 이후에도 응답 할 수 있습니다. 개입 날짜를 지정하면 모델 사양 바이어스가 발생할 수 있습니다. Google의 "중재 감지"또는 "이탈 감지"를 권장합니다. 이에 대한 좋은 책은 Addison-Wessley가 출판 한 Temple University의 Wei 교수가 쓴 것입니다. 제목이 "시계열 분석"이라고 생각합니다. 추가로 중재 변수는 펄스 또는 레벨 / 스텝 시프트 또는 계절 펄스 또는 로컬 시간 추세로 나타날 수 있습니다.
현지 시간 추세에 대한 토론이 확대됨에 따라
1,2,3,4,5,7,9,11,13,15,16,17,18,19를 나타내는 시리즈를 보유하고 있다면 5 기 및 10 기의 추세에 변화가있었습니다. 나에게 시계열의 주요 질문은 레벨 시프트의 검출, 예를 들어 1,2,3,4,5,8,9,10, 또는 레벨 시프트의 다른 예 1,1,1,1,2입니다. , 2,2,2, AND / OR 또는 타임 트렌드 감지. 펄스가 단계의 차이 인 것처럼 단계는 추세의 차이입니다. 중재 탐지 이론을 4 차원, 즉 트렌드 포인트 변경으로 확장했습니다. openess와 관련하여 ARIMA 및 전달 함수 모델과 함께 이러한 중재 탐지 체계를 구현할 수있었습니다. 저는 이러한 기능을 통합 한 AUTOBOX 개발에 협력해온 시니어 시계열 통계 학자 중 한 사람입니다. 나는이 흥미로운 혁신을 프로그램 한 다른 사람을 모른다.
Local Time Trend
중재 변수가 어떻게 보이는지 좀 더 자세히 설명해 주 시겠습니까? 나는 다른 세 가지에 익숙하다.