Bayes SARIMA Modeli
Bayesian Seasonal Autoregressive Integrated Moving Average Model · Ayrıca şöyle bilinir: Bayesian SARIMA, Bayesian seasonal ARIMA, BSARIMA, Bayesian seasonal time-series model
Bayes SARIMA modeli, mevsimsel zaman serisi verilerini işlemek üzere klasik Box-Jenkins Mevsimsel ARIMA çerçevesini Bayesçi çıkarım ile birleştirir. Tek bir nokta tahmini üretmek yerine, model parametreleri üzerinde tam bir sonsal dağılım elde eder, parametre belirsizliğini doğrudan tahminlere yayar ve önsel bilginin ilkeli bir şekilde dahil edilmesini sağlar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Açık mevsimsel periyoda sahip tek değişkenli bir zaman seriniz olduğunda (örneğin, aylık perakende satışları, üç aylık GSYİH, günlük elektrik talebi) ve nokta tahminleri yerine tam tahmin dağılımları istediğinizde Bayes SARIMA'yı kullanın. Özellikle kısa serilerde — klasik maksimum olabilirlik SARIMA'nın kesinliği abarttığı durumlarda — veya alan bilgisinin tahminleri stabilize etmek için önsellerde kodlanabildiği durumlarda değerlidir. Ayrıca, marjinal olabilirlikler (Bayes faktörleri) aracılığıyla rekabet eden SARIMA derecelerini karşılaştırırken de tercih edilir. Mevsimsel olmayan serilerde (düz Bayes ARIMA yeterlidir), hesaplama kaynakları ciddi şekilde kısıtlıysa (MCMC, OLS tarzı uydurmadan daha yavaştır) veya uygulayıcı makul bir önsel taahhüdünde bulunamıyorsa ve örneklem önselleri önemsiz kılacak kadar büyükse bundan kaçının.
Güçlü yönler & sınırlılıklar
- Parametre belirsizliğini ve gözlem gürültüsünü doğru bir şekilde yayan, aşırı güvenli tahminlerden kaçınan tam sonsal tahmin aralıkları.
- Mevsimsel güç, eğilim yönü veya parametre aralıkları hakkındaki önsel bilginin ilkeli bir şekilde dahil edilmesi.
- Marjinal olabilirlikler veya WAIC aracılığıyla model karşılaştırması, rekabet eden SARIMA dereceleri arasından seçim yapmayı kolaylaştırır.
- Maksimum olabilirlik tahminlerinin güvenilmez olduğu kısa serilerle iyi çalışır.
- MCMC şemasındaki veri artırma yoluyla eksik gözlemleri doğal olarak ele alır.
- Hesaplama açısından yoğundur: MCMC örneklemesi, uzun seriler veya karmaşık mevsimsel yapılar için dakikalar ila saatler sürebilir.
- Sonuçlar önsel seçimlere duyarlıdır, özellikle kısa serilerde; kötü seçilmiş önseller sonsalı domine edebilir.
- Klasik SARIMA'nın yaptığı gibi, modellemeden önce durağanlık kontrolleri ve uygun fark almayı gerektirir.
- Model derecesi seçimi (p, d, q, P, D, Q) hala tanısal çaba gerektirir ve tam olarak otomatikleştirilemez.
- Sonsalın yorumlanması, tek bir katsayı tablosunu okumaktan daha karmaşıktır.
SSS
AR ve MA katsayıları için önseli nasıl seçerim?
Yaygın bir varsayılan, orta varyanslı (örneğin, N(0, 0.5²)) sıfırda merkezlenmiş bir normal önselin, reddetme örneklemesi veya parametre dönüşümleri ile zorlanan durağanlık ve tersine çevrilebilirlik kısıtlamalarıyla birleştirilmesidir. Alan bilgisi kalıcı mevsimsellik öneriyorsa, mevsimsel AR katsayıları için sıfırın biraz üzerinde bir önsel makuldür. Daha sıkı ve daha gevşek önsellerle yeniden çalıştırma olan hassasiyet analizi raporlanmalıdır.
Mevsimsel derece s nasıl belirlenir?
Periyot s, veri toplama frekansı ile belirlenir: aylık veriler için s = 12, üç aylık veriler için s = 4, haftalık mevsimselliğe sahip günlük veriler için s = 7. Verilerden tahmin edilmez, bilinen periyodikliğe göre ayarlanır. Mevsimsel alt seri grafiğini görsel olarak inceleyerek veya s'nin katlarında ACF sivri uçlarını inceleyerek doğrulayın.
Bayes SARIMA'yı çok adımlı tahmin için kullanabilir miyim?
Evet. Parametrelerin her sonsal çekimi, gelecekteki değerlerin tam bir yörüngesini üretir. Yörünge koleksiyonu, herhangi bir ufkun marjinal dağılımının okunabileceği ortak tahmin dağılımını oluşturur. Bu, her adımda parametre belirsizliğini yansıttığı için klasik tak-bırak tahmininden daha dürüsttür.
Bayes SARIMA modelini hangi yazılım uyarlayabilir?
Stan (RStan veya PyStan aracılığıyla) ve JAGS, özel önseller için en esnek seçeneklerdir. R'deki bsts paketi, SARIMA yapılarını kapsayan Bayesçi yapısal zaman serisi modellerini uygular. Python'un PyMC ve NumPyro'su da bir Bayesçi çerçevede özel ARIMA benzeri spesifikasyonları destekler.
Klasik SARIMA'ya göre Bayes SARIMA'yı ne zaman tercih etmeliyim?
Seri kısa olduğunda (yaklaşık 60 gözlemden az), dahil etmek için gerçek önsel bilginiz olduğunda, simetrik normal yaklaşımlar yerine tam tahmin dağılımlarına ihtiyaç duyduğunuzda veya Bayes faktörleri aracılığıyla model derecelerini resmi olarak karşılaştırdığınızda Bayes sürümünü tercih edin. Bilgilendirici önseli olmayan çok uzun seriler için, klasik maksimum olabilirlik SARIMA daha hızlıdır ve neredeyse aynı nokta tahminlerini üretir.
Kaynaklar
- 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
- Geweke, J., & Whiteman, C. (2006). Bayesian forecasting. In G. Elliott, C. W. J. Granger, & A. Timmermann (Eds.), Handbook of Economic Forecasting (Vol. 1, pp. 3–80). Elsevier. link ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Bayesian Seasonal Autoregressive Integrated Moving Average Model. ScholarGate. https://scholargate.app/tr/econometrics/bayesian-sarima-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
- Bayesçi VAR Modeli (BVAR)Ekonometri↔ karşılaştır
- SARIMA ModeliEkonometri↔ karşılaştır
- Durum Uzay Modeli (Kalman Filtresi)Ekonometri↔ karşılaştır