Как оцениваются коэффициенты в Unobserved Components из пакета statsmodels?

Я работаю над временным рядом, который содержит ежедневные данные о продажах за 2 с половиной года. Цель проекта – оценить влияние маркетинговых расходов на продажи с учетом сезонности и тенденций.

Я планировал использовать ненаблюдаемые компоненты из Пакет статистической модели. Мой вопрос заключается в том, оцениваются ли коэффициенты для экзогенных факторов вместе с компонентами сезонности, тренда и цикла или если экзогенные факторы оцениваются по остаткам после вычитания сезонности, тренда и цикла?


python statsmodels time-series decomposition
person Technologic    schedule 31.12.2017    source источник

Ответы (1)


arrow_upward
1
arrow_downward

Все оценивается вместе, а это означает, что коэффициенты экзогенных параметров не оцениваются по остаткам после того, как другие компоненты сначала оцениваются по отдельности.

Существует два разных способа оценки коэффициентов на экзогенных данных (опять же, в любом случае все компоненты и коэффициенты оцениваются одновременно, а не последовательно):

Во-первых, если mle_regression=True (это значение по умолчанию), то коэффициенты экзогенных переменных оцениваются через максимальное правдоподобие (наряду с другими параметрами модели, которые обычно включают условия дисперсии для тренда, сезонности и т. д.), а затем вектор exog.dot(coeffs) используется как точка пересечения модели.

Если mle_regression=False, то коэффициенты оцениваются через фильтр Калмана.

В больших выборках эти два подхода эквивалентны, и даже в малых выборках обычно дают почти одинаковые оценки.

person cfulton    schedule 13.01.2018