Dynamiczne modele liniowe w badaniach okresowych
Transkrypt
Dynamiczne modele liniowe w badaniach okresowych
Dynamiczne modele liniowe w badaniach okresowych mgr Kamil Wilak Katedra Statystyki UE w Poznaniu mgr Kamil Wilak Dynamiczne modele liniowe w badaniach okresowych O czym będzie mowa? I badamy zmienność pewnego parametru w czasie w pewnej populacji I co pewien okres losujemy próbę I na podstawie próby szacujemy badany parametr I precyzja oszacowania zależy od wielkości próby I co, gdy mamy za małą próbę? mgr Kamil Wilak Dynamiczne modele liniowe w badaniach okresowych Dynamiczne modele liniowe (DLM) Specyfikacja modelu Yt = F 0t θ t + εt 2 εt ∼ N(0, σε,t ) - równanie pomiaru θ t = Gt θ t−1 + η t η t ∼ N(0, Wt ) - równanie przejścia gdzie I Yt - obserwowana wartość szeregu czasowego I θ t - nieobserwowany wektor parametrów stanu I F t i Gt - wektor i macierz znanych współczynników liniowych I εt - zm. los. opisująca zmienność nieopisana przez parametry stanu / błąd obs. I η t - wektor losowy opisujący stratę w czasie informacji o wartości wektora θt I Wt - macierz kowariancji macierzy wektora losowego η t mgr Kamil Wilak Dynamiczne modele liniowe w badaniach okresowych Dynamiczne modele liniowe (DLM) Filtr Kalmana - filtrowanie Dt informacje dostępne w okresie t, θt |Dt ∼ N(m t , Ct ) I prognoza 1 krok naprzód wektora θt+1 na podstawie informacji Dt ma rozkład normalny z parametrami: a t+1 = E (θ t+1 |Dt ) = Gt+1 m t Zt+1 = Var (θ t+1 |Dt ) = Gt+1 Ct G0t+1 + Wt+1 I prognoza 1 krok naprzód Yt+1 na podstawie informacji Dt ma rozkład normalny z parametrami: ft+1 = E (Yt+1 |Dt ) = F t+1 a t 2 Qt = Var (Yt+1 |Dt ) = F t+1 Zt+1 F 0t+1 + σε,t+1 mgr Kamil Wilak Dynamiczne modele liniowe w badaniach okresowych Dynamiczne modele liniowe (DLM) Filtr Kalmana - filtrowanie cd. Dt+1 = {Dt , Yt+1 } informacje dostępne w okresie t I oszacowanie wektora θ t+1 na podstawie informacji Dt+1 ma rozkład normalny z parametrami: m t+1 = E (θ t+1 |Dt+1 ) = a t + Zt+1 F 0t+1 Q−1 t+1 (Yt+1 − ft+1 ) Ct+1 = Var (θ t+1 |Dt+1 ) = Zt+1 − Zt+1 F 0t+1 Q−1 t+1 F t+1 Zt+1 Potrzebna jest macierz Wt Można ją oszacować za pomocą Metody Największej Wiarygodności mgr Kamil Wilak Dynamiczne modele liniowe w badaniach okresowych Dynamiczne modele liniowe Filtr Kalmana - filtrowanie cd. Źródło: Solhjell Ida Kjersem [2009] Bayesian Forecasting and Dynamic Models Applied to Strain Data from Gota River Bridge mgr Kamil Wilak Dynamiczne modele liniowe w badaniach okresowych Dynamiczne modele liniowe Filtr Kalmana - wygładzanie Jeżeli θ t+1 |Dt ∼ N(st+1 , St+1 , wtedy θ t |Dt ∼ N(st , St ), gdzie: st = mt + Ct G0t+1 R−1 t+1 (st+1 − at+1 ) −1 St = Ct + Ct G0t+1 Rt+1 (St+1 − Rt+1 )R−1 t+1 Gt+1 Ct mgr Kamil Wilak Dynamiczne modele liniowe w badaniach okresowych Idea wykorzystania DLM w badaniach okresowych Niech I Yt - badany parametr populacji I Ŷt - oszacowanie bezpośrednie parametru populacji I et - błąd oszacowania, et ∼ N(0, Vt ), Vt = Var (Ŷt ) Wtedy Ŷt = Yt + et (1) Załóżmy, że: Yt = F 0t θ t + εt 2 εt ∼ N(0, σε,t ) (2) θ t = Gt θ t−1 + η t η t ∼ N(0, Wt ) (3) (2)-(3)→(1), stąd Ŷt = F 0t θ t + εt + et = F 0t θ t + vt vt ∼ N(0, σv2 Vt ), θ t = Gt θ t−1 + η t η t ∼ N(0, Wt ) mgr Kamil Wilak σv2 ≈ 1 Dynamiczne modele liniowe w badaniach okresowych (4) (5) Przykład Dane I dane jednostkowe z Badania Aktywności Ekonomicznej Ludności 2000-2005 Populacja I osoby biorące udział w BAEL-u Badany parametr I miesięczna stopa bezrobocia Yt = NtB NtA NtB - liczba osób bezrobotnych w miesiącu t NtA - liczba osób aktywnych zawodowo w miesiącu t Losowanie próby I proste bez zwracania, wielkość próby - 500 mgr Kamil Wilak Dynamiczne modele liniowe w badaniach okresowych Przykład Oszacowanie bezpośrednie Ŷt = ntB ntA ntB - liczba osób bezrobotnych w próbie wylosowanej w miesiącu t ntA - liczba osób aktywnych zawodowo w próbie wylosowanej w miesiącu t Precyzja oszacowania bezpośredniego Vt = Var (Ŷt ) ≈ B A B (Nt −nt )nt nt (nt −nt ) Nt (nt −1) (ntA )3 Nt - wielkość populacji w miesiącu t nt - wielkość próby wylosowanej w miesiącu t p √ Var (Ŷt ) ≈ 0.023 Var (Yˆt ) Yt ≈ 0.125 mgr Kamil Wilak Dynamiczne modele liniowe w badaniach okresowych Przykład 2 et ∼ N(0, σe,t ) Ŷt = Yt + et = = Lt + St + εt + et = 2 εt ∼ N(0, σε,t ) = Lt + St + vt vt = et + εt ∼ N(0, σv2 Vt ) et - błąd oszacowania, εt - reszta modelu Lt = Lt−1 + Rt−1 Rt = Rt−1 + ωR,t trend lokalnie liniowy E (ωR,t ) = 0 2 Var (ωR,t ) = σR P6 St = j=1 St,j ∗ St,j = cos jπ St−1,j + sin jπ St−1,j + ωS,t,j 6 6 jπ ∗ ∗ ∗ St,j = − sin jπ S + cos St−1,j + ωS,t,j t−1,j 6 6 ∗ E (ωS,t,j ) = E (ωS,t,j ) = 0 2 σS,j , t = t0, j = j0 ∗ Cov (ωS,t,j , ωS,t0,j0 )= 0, wpp mgr Kamil Wilak sezonowość trygonometryczna Dynamiczne modele liniowe w badaniach okresowych Dynamiczne modele liniowe F t = (1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1, 0, 1) ∗ , . . . , St,6 )T θ t = (Lt , Rt , St,1 , St,1 S1 S6 R Gt = blockdiag(G t , Gt , . . . , Gt ) 1 1 GRt = 0 1 cos(jπ/6) sin(jπ/6) Sj Gt = − sin(jπ/6) cos(jπ/6) ∗ η t = (0, ωR,t , ωS,t,1 , ωS,t,1 , . . . , ωS,t,6 ) mgr Kamil Wilak =⇒ Ŷt = Zt θ t + vt θ t = Gt θ t−1 + ηt Dynamiczne modele liniowe w badaniach okresowych Dynamiczne Modele Liniowe w R Pakiet dlm I Giovanni Petris, Sonia Petrone, Partizia Campagnoli [2007/2011] Dynamic Linear Models with R I Giovanni Petris [2010] dlm - an R package for Bayesian analysis of Dynamic Linear Models mgr Kamil Wilak Dynamiczne modele liniowe w badaniach okresowych mgr Kamil Wilak Dynamiczne modele liniowe w badaniach okresowych Dziękuję za uwagę mgr Kamil Wilak Dynamiczne modele liniowe w badaniach okresowych