2024-07-04 07:38:41 发布
网友
我正在研究一个包含2年半的每日销售数据的时间序列。该项目的目的是估计营销支出对销售的影响,同时考虑季节性和趋势性。在
我计划使用statsmodel包中的Unobserved Components。我的问题是,外生因素的系数是与季节性、趋势和周期成分一起估计的,还是外生因素在减去季节性、趋势和周期后的残差上估计的?在
所有的东西都是一起估计的,这意味着外生参数上的系数不是在其他分量首先分别估计之后在残差上估计的。在
有两种不同的方法来估计外生数据上的系数(不过,同样,任何一种方法都是同时估计所有分量和系数的,而不是按顺序进行的):
首先,如果mle_regression=True(这是默认值),那么外生变量上的系数通过最大似然估计(以及模型的其他参数,通常包括趋势、季节等的方差项),然后使用向量{}作为模型的截距。在
mle_regression=True
如果mle_regression=False,则通过Kalman滤波器估计系数。在
mle_regression=False
在大样本中,这两种方法是等价的,甚至在小样本中,它们通常给出几乎完全相同的估计值。在
所有的东西都是一起估计的,这意味着外生参数上的系数不是在其他分量首先分别估计之后在残差上估计的。在
有两种不同的方法来估计外生数据上的系数(不过,同样,任何一种方法都是同时估计所有分量和系数的,而不是按顺序进行的):
首先,如果}作为模型的截距。在
mle_regression=True
(这是默认值),那么外生变量上的系数通过最大似然估计(以及模型的其他参数,通常包括趋势、季节等的方差项),然后使用向量{如果
mle_regression=False
,则通过Kalman滤波器估计系数。在在大样本中,这两种方法是等价的,甚至在小样本中,它们通常给出几乎完全相同的估计值。在
相关问题 更多 >
编程相关推荐