Bayesçi ARIMA Modeli
Bayesian Autoregressive Integrated Moving Average Model · Ayrıca şöyle bilinir: Bayesian ARIMA, BARIMA, Bayesian Box-Jenkins model, Bayesian integrated time series model
Bayesçi ARIMA modeli, klasik Box-Jenkins ARIMA çerçevesini Bayesçi çıkarım ile birleştirir. Otoregresif ve hareketli ortalama parametreleri için tekil nokta tahminleri elde etmek yerine, bunlar üzerine önsel dağılımlar yerleştirir ve inançları tam bir sonsal dağılıma güncellemek için gözlemlenen verileri kullanır, bu da tutarlı belirsizlik ölçümü ve olasılıksal tahminlemeye olanak tanır.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Tekil durağan veya eğilimli-farklanmış bir zaman seriniz olduğunda ve dinamikler hakkında önsel bilgiyi dahil etmek, nokta tahminleri yerine tam tahmin dağılımları elde etmek veya parametre belirsizliğini tahmin aralıklarına dürüstçe yaymak istediğinizde Bayesçi ARIMA'yı kullanın. Özellikle klasik maksimum-olabilirlik tahminlerinin güvenilmez olduğu kısa serilerde veya Bayes faktörleri aracılığıyla ilkeli model karşılaştırması istediğinizde değerlidir. Hesaplama kaynakları sınırlıysa ve seri bilgilendirici önsel dağılımlar olmadan uzunsa, basit bir klasik ARIMA yerine geçme olarak kullanmayın — klasik ARIMA veya sıklıkçı alternatifler büyük örneklemlerde daha hızlı ve neredeyse aynı derecede doğrudur. Ayrıca, Gauss yenilik varsayımının uygun ağır kuyruklu olabilirlik uzantısı olmadan ciddi şekilde ihlal edildiği durumlarda da kaçının.
Güçlü yönler & sınırlılıklar
- Klasik güven aralıklarının ötesinde dürüst belirsizlik ölçümü sağlayan tam sonsal ve tahmin dağılımları üretir.
- Parametre büyüklükleri veya durağanlık kısıtlamaları hakkında bilgilendirici önsel bilgiyi doğal olarak içerir.
- Ad hoc bilgi kriterleri olmadan Bayes faktörleri veya DIC aracılığıyla ilkeli model karşılaştırması.
- Klasik MLE'nin belirsiz olduğu küçük örneklemlerde daha iyi kalibre edilmiş tahmin aralıkları.
- Sonsal tahmin kontrolleri, şeffaf model yeterliliği değerlendirmesine olanak tanır.
- Tek bir olasılıksal çerçeve içinde hiyerarşik veya zamanla değişen yapılara genişletilebilir.
- Hesaplama açısından pahalı: MCMC örneklemesi, klasik ARIMA için kapalı formlu OLS veya MLE'den kat kat daha yavaştır.
- Sonuçlar, özellikle küçük örneklemlerde önsel belirlemeye duyarlıdır; kötü seçilmiş önsel dağılımlar sonsal dağılımı domine edebilir.
- Sıra seçimi (p, d, q) yine de özen gerektirir; sıralar üzerinde ortak Bayesçi arama, model karmaşıklığını önemli ölçüde artırır.
- MCMC zincirlerinin yakınsaması teşhis edilmelidir, bu da klasik tahminlemeye kıyasla ek bir doğrulama adımı ekler.
SSS
AR ve MA katsayıları için önsel dağılımları nasıl seçerim?
Yaygın bir yaklaşım, durağanlık ve tersinirlik bölgelerine göre kesilmiş veya kısıtlanmış, orta varyanslı sıfır merkezli normal önsel dağılımlar kullanmaktır. Geçmiş çalışmalar makul katsayı büyüklükleri hakkında bilgi sağlıyorsa, bunlar bilgilendirici önsel dağılımlar olarak kodlanabilir. Hassasiyet analizi — alternatif önsel dağılımlarla çıkarımı yeniden çalıştırmak — sağlamlığı değerlendirmek için önerilir.
Bayesçi ARIMA, klasik ARIMA'dan daha mı iyi?
Evrensel olarak değil. Büyük örneklemlerde, Bayesçi ve klasik ARIMA çok benzer nokta tahminleri üretir ve MCMC'nin hesaplama ek yükü nadiren haklı çıkar. Bayesçi yaklaşım, örneklem boyutları küçük olduğunda, bilgilendirici önsel dağılımlar mevcut olduğunda veya belirsizlik altında karar verme için tam tahmin dağılımlarına (sadece nokta tahminlerine değil) ihtiyaç duyulduğunda gerçek değer katar.
Bayesçi çerçevede model sırası (p, d, q) nasıl seçilir?
Sıralar Sapma Bilgi Kriteri (DIC), WAIC veya Bayes faktörleri kullanılarak karşılaştırılabilir. Bazı uygulamalar model sırasının kendisi üzerine bir önsel dağılım yerleştirir ve aday ARIMA spesifikasyonları arasında Bayesçi model ortalaması alarak model belirsizliğini tahminlere yayar.
Bayesçi ARIMA mevsimsel verileri işleyebilir mi?
Evet, mevsimsel AR ve MA polinomları ve mevsimsel bir fark operatörü ekleyen Bayesçi SARIMA modeline genişleterek. Bu, klasik SARIMA(p,d,q)(P,D,Q)_s spesifikasyonunun Bayesçi analoğudur.
Bayesçi ARIMA tahminini hangi yazılımlar destekler?
Stan (RStan veya CmdStan aracılığıyla), JAGS, PyMC ve BUGS, özel Bayesçi ARIMA modellerini destekler. 'forecast' gibi bazı R paketleri Bayesçi sarmalayıcılarla ve 'bsts' paketi (Bayesçi yapısal zaman serileri) ilgili işlevsellik sağlar.
Kaynaklar
- Pole, A., West, M., & Harrison, J. (1994). Applied Bayesian Forecasting and Time Series Analysis. Chapman & Hall. ISBN: 978-0412416903
- Box, G. E. P., Jenkins, G. M., Reinsel, G. C., & Ljung, G. M. (2015). Time Series Analysis: Forecasting and Control (5th ed.). Wiley. ISBN: 978-1118675021
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Autoregressive Integrated Moving Average Model. ScholarGate. https://scholargate.app/tr/econometrics/bayesian-arima-model
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- ARIMA Modeli (Otokorelasyonlu Entegre Hareketli Ortalama)Ekonometri↔ karşılaştır
- Bayes ARDL Sınır TestiEkonometri↔ karşılaştır
- Bayes SARIMA ModeliEkonometri↔ karşılaştır
- Bayesçi VAR Modeli (BVAR)Ekonometri↔ karşılaştır
- SARIMA ModeliEkonometri↔ karşılaştır
- Vektör Otoregresyon (VAR)Ekonometri↔ karşılaştır