Sağlam SARIMA Modeli
Robust Seasonal Autoregressive Integrated Moving Average Model · Ayrıca şöyle bilinir: robust SARIMA, outlier-resistant SARIMA, robust seasonal ARIMA, M-estimator SARIMA
Sağlam SARIMA, standart en küçük kareler ölçütünü sağlam bir kayıp fonksiyonuyla (örneğin, bir M-tahmin edicisi) değiştirerek klasik Mevsimsel ARIMA çerçevesini genişletir; böylece mevsimsel zaman serilerindeki aykırı değerler ve kalın kuyruklu yenilikler parametre tahminlerini bozamaz veya tahminleri geçersiz kılamaz.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Mevsimsel zaman serinizde muhtemelen aykırı değerler, ölçüm hataları veya ara sıra yapısal şoklar içeren durumlarda Sağlam SARIMA'yı kullanın — makroekonomik göstergeler, enerji talebi ve perakende satış verilerinde yaygındır. Özellikle tahmin doğruluğunun tek bir anomaliden daha önemli olduğu veya standart SARIMA teşhislerinin normal olmayan, kalın kuyruklu artıklar ortaya çıkardığı durumlarda değerlidir. Seri temiz ve Gauss ise kullanmayın: sağlamlık, mütevazı bir verimlilik maliyetiyle gelir ve klasik SARIMA o zaman biraz daha verimlidir. Ayrıca hızlı, yorumlanabilir bir temel model gerektiğinde kaçının; sağlam yinelemenin ek karmaşıklığı daha dikkatli yazılım kullanımı gerektirir.
Güçlü yönler & sınırlılıklar
- Manuel veri temizliği gerektirmeden eklenen aykırı değerler, yenilikçi aykırı değerler ve seviye kaymalarından kaynaklanan bozulmalara dirençlidir.
- Bulaşmış serilerde bile güvenilir mevsimsel ve eğilim ayrıştırması sağlar.
- Parametre tahminleri ve tahminler, temiz verilerden elde edilecek tahminlere yakın kalır.
- Tüm SARIMA dereceleri yelpazesine uygulanabilir, bu da onu klasik modele bırak-tabanlı sağlamlaştırılmış bir alternatif haline getirir.
- Resmi M-tahmin temeli, hafif bulaşma altında asimptotik teori ve geçerli çıkarım sağlar.
- Tahmin yinelemelidir ve klasik SARIMA'dan hesaplama açısından daha ağırdır, bu da yüksek frekanslı uzun seriler için önemli olabilir.
- Uygulama, özel yazılım gerektirir (örneğin, R paketleri robets, robustarima veya özel M-tahmin edici kod); standart ekonometri paketlerinde kutudan çıktığı gibi bulunmaz.
- Verilerin aslında Gauss ve aykırı değer içermediği durumlarda klasik SARIMA'ya göre mütevazı verimlilik kaybı.
- Model seçimi (ACF/PACF yoluyla derece belirleme) hala verinin yapısına dayanır ve sağlam tahmin uygulanmadan önce bulaşma tarafından karmaşık hale getirilebilir.
- Eklenen ile yenilikçi aykırı değerleri pratikte ayırt etmek teşhis özeni gerektirir ve temizleme stratejisini etkileyebilir.
SSS
Sağlam SARIMA, standart SARIMA'yı uyandırmadan önce aykırı değerleri basitçe kaldırmaktan nasıl farklıdır?
Manuel kaldırma, hangi gözlemlerin önceden aykırı değer olduğunu bilmeyi gerektirir ve gerçek sinyali silme riski taşır. Sağlam SARIMA, resmi etki fonksiyonlarını kullanarak tahmin sırasında potansiyel aykırı değerleri otomatik olarak ağırlığını azaltır, bu nedenle eşik veri odaklıdır ve prosedür bir ön işleme yargı kararı yerine model uyumunun bir parçasıdır.
Hangi ψ fonksiyonunu seçmeliyim — Huber veya Tukey bisquare?
Huber fonksiyonu iyi bir denge sağlar: küçük artıklar için karesel (OLS gibi) ve büyük olanlar için doğrusaldır, sürekliliği sağlar. Tukey'nin bisquare'i çok büyük artıklar için sıfıra doğru yeniden iner, aşırı aykırı değerlere karşı daha güçlü direnç sunar ancak dışbükey olmayan bir hedef maliyetiyle. Çoğu ekonomik seri için Huber güvenli bir varsayılan değerdir; aşırı aykırı değerler şiddetliyse bisquare kullanın.
Derece seçimi için Sağlam SARIMA'da standart AIC/BIC kullanabilir miyim?
Gauss olasılığına dayalı standart bilgi ölçütleri aykırı değerler tarafından bozulur. Sağlam model seçimi ölçütlerini (örneğin, M-tahmin edici log-olasılığına dayalı sağlam AIC) tercih edin veya öncelikli bir bulaşmaya dayanıklı uyumdan sonra sağlam artıkların ACF/PACF'sini kullanın.
Sağlam SARIMA tüm dört tür aykırı değeri ele alır mı?
Çoğu uygulama eklenen aykırı değerleri (AO) ve yenilikçi aykırı değerleri (IO) doğrudan ele alır. Seviye kaymaları (LS) ve geçici değişiklikler (TC) de, X-12-ARIMA literatüründe popülerleşen yaklaşıma göre, aykırı değer türü belirlendikten sonra kukla regresörler eklenerek modele dahil edilebilir.
Sağlam SARIMA, sağlam standart hatalara sahip SARIMA ile aynı mı?
Hayır. Sağlam standart hatalar (HAC, sandviç tahmin ediciler) katsayı tahminlerinin kovaryans matrisini değişen varyans veya otokorelasyon için düzeltir ancak katsayıların kendilerinin nasıl tahmin edildiğini değiştirmez. Sağlam SARIMA, dışarıdaki gözlemlerin katsayı tahminleri üzerindeki etkisini azaltacak şekilde hedef fonksiyonunu değiştirir.
Kaynaklar
- Muler, N., Peña, D., & Yohai, V. J. (2009). Robust estimation for ARMA models. The Annals of Statistics, 37(2), 816–840. DOI: 10.1214/07-AOS570 ↗
- Franses, P. H., & Ghijsels, H. (1999). Additive outliers, GARCH and forecasting volatility. International Journal of Forecasting, 15(1), 1–9. DOI: 10.1016/S0169-2070(98)00053-3 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Robust Seasonal Autoregressive Integrated Moving Average Model. ScholarGate. https://scholargate.app/tr/econometrics/robust-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
- Sağlam Regresyonİstatistik↔ karşılaştır
- SARIMA ModeliEkonometri↔ karşılaştır
- X-13ARIMA-SEATS Mevsimsel DüzeltmeEkonometri↔ karşılaştır