Zamanla Değişen Parametreli SARIMA Modeli (TVP-SARIMA)
Time-Varying Parameter Seasonal Autoregressive Integrated Moving Average Model · Ayrıca şöyle bilinir: TVP-SARIMA, time-varying SARIMA, state-space SARIMA, adaptive SARIMA
Zamanla Değişen Parametreli SARIMA modeli, otoregresif ve hareketli ortalama katsayılarının zaman içinde değişmesine izin vererek klasik SARIMA çerçevesini genişletir. Bir durum-uzay sistemi olarak ele alınan ve Kalman filtresi ile tahmin edilen bu model, hem mevsimsel örüntüleri hem de yapısal değişimi tek bir birleşik model içinde yakalar.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
Dinamikleri zamanla değişebilen mevsimsel tek değişkenli bir seriniz olduğunda TVP-SARIMA kullanın — örneğin, birkaç iş döngüsünü kapsayan makroekonomik agregalar, yapısal kırılmalardan etkilenen enerji veya emtia talebi veya tüketici davranışının kademeli olarak evrildiği perakende satışlar. Özellikle standart SARIMA tanılamaları parametre istikrarsızlığını (Chow veya CUSUM testleri) ortaya çıkardığında veya tahmin ufku, katsayı kaymasının ekonomik olarak anlamlı olduğu kadar uzun olduğunda değerlidir. Seri kısaysa (yaklaşık 60'tan az mevsimsel gözlem) kaçının, çünkü hem durum gürültüsü varyansını hem de SARIMA parametrelerini tanımlamak önemli miktarda veri gerektirir; ayrıca, kukla değişkenli kırılma kuklaları içeren daha basit bir SARIMA yeterince uyum sağladığında da kaçının, çünkü eklenen karmaşıklık o zaman haksızdır.
Güçlü yönler & sınırlılıklar
- Bilinen bir kırılma tarihi gerektirmeden kademeli yapısal değişimi yakalar — katsayılar sürekli olarak evrilir.
- Yorumlanabilir SARIMA mevsimsel yapısını korurken esneklik ekler.
- Kalman filtresi, en son bilgiyi doğal olarak içeren gerçek zamanlı tek adımlı tahminler sunar.
- Sabit parametreli SARIMA'yı özel bir durum olarak içerir (Q = 0), parametre sabitliğinin resmi olabilirlik oranı testi yapılmasını sağlar.
- Bayesyen uygulamalar, zamanla değişen yollar üzerinde tam sonsal belirsizlik sağlar.
- Durum-gürültü varyanslarını güvenilir bir şekilde tanımlamak için standart SARIMA'dan önemli ölçüde daha uzun seriler gerektirir.
- Hesaplama açısından daha zahmetlidir: olabilirlik değerinin her değerlendirmesi tam bir Kalman filtresi geçişi gerektirir.
- Birden fazla katsayının eş zamanlı olarak düzenleme olmaksızın değişmesine izin verilirse aşırı parametrelendirme riski.
- Temel durum denklemi (rassal yürüyüş) yanlış belirtilmişse, düzeltilmiş katsayı yollarının yorumlanması yanıltıcı olabilir.
SSS
TVP-SARIMA, Markov-geçişli SARIMA'dan nasıl farklıdır?
TVP-SARIMA, katsayıların bir rassal yürüyüş aracılığıyla sürekli ve düzgün bir şekilde kaymasına izin verir, bu da kademeli yapısal değişim için uygundur. Markov-geçişli SARIMA modelleri, ayrık bir sabit katsayılı rejimler kümesi arasındaki ani rejim değişimlerini modeller. Değişim yavaş olduğunda ve rejim üyeliği belirsiz olduğunda TVP'yi seçin; kırılmalar keskin olduğunda ve rejimler ekonomik olarak farklı olduğunda Markov-geçişliyi seçin.
Hangi katsayıları zamanla değişen yapacağımı nasıl seçerim?
Ekonomik akıl yürütmeyle başlayın — hangi katsayının kayması en olasıdır? Her katsayı için CUSUM veya Nyblom istikrar testi ile parametre sabitliğini test edin. Yalnızca bir veya iki parametrenin değişmesine izin vermek, özellikle orta büyüklükteki örneklemlerle modeli tanımlanmış ve yorumlanabilir tutar.
TVP-SARIMA'yı çok adımlı tahmin için kullanabilir miyim?
Evet. Kalman filtresi, belirsizliği durum denklemi aracılığıyla doğal olarak yayar, bu nedenle çok adımlı tahmin aralıkları hem gözlem gürültüsünü hem de katsayı belirsizliğini hesaba katar. Ancak, katsayılar kaydığında, uzun ufuklu tahminler önemli parametre belirsizliği taşır ve aralıklar önemli ölçüde genişler.
Hangi yazılım TVP-SARIMA'yı uygular?
dlm ve KFAS gibi R paketleri genel durum-uzay modellerini uygular ve TVP-SARIMA spesifikasyonlarını temsil edebilir. Python'ın statsmodels UnobservedComponents sınıfı ve Stan tabanlı Bayesyen uygulamalar da yaygın olarak kullanılmaktadır. MATLAB'ın Sistem Tanımlama Araç Kutusu benzer işlevsellik sunar.
Durum-gürültü varyansı Q nasıl tahmin edilir?
Q, Kalman filtresinin tahmin hatası ayrıştırması kullanılarak en yüksek olabilirlik aracılığıyla bir hiperparametre olarak veya Bayesyen ayarlarda ters-Wishart öncülü ile MCMC aracılığıyla tahmin edilir. Q = 0 (sabit SARIMA) ile Q > 0'ı karşılaştıran bir olabilirlik oranı testi, zaman varyasyonunun istatistiksel olarak haklı olup olmadığını resmi olarak test eder.
Kaynaklar
- Harvey, A. C. (1990). Forecasting, Structural Time Series Models and the Kalman Filter. Cambridge University Press. ISBN: 9780521321969
- Durbin, J., & Koopman, S. J. (2012). Time Series Analysis by State Space Methods (2nd ed.). Oxford University Press. ISBN: 9780199641178
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Time-Varying Parameter Seasonal Autoregressive Integrated Moving Average Model. ScholarGate. https://scholargate.app/tr/econometrics/time-varying-parameter-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
- Kalman FiltresiBayesçi↔ karşılaştır
- SARIMA ModeliEkonometri↔ karşılaştır
- Durum Uzay Modeli (Kalman Filtresi)Ekonometri↔ karşılaştır