Please use this identifier to cite or link to this item:
http://essuir.sumdu.edu.ua/handle/123456789/68080
Or use following links to share this resource in social networks:
Tweet
Recommend this item
Title | Comparative analysis of univariate time series modeling and forecasting techniques for short-term unstable data |
Other Titles |
Компаративний аналіз методів моделювання та прогнозування нестабільних часових рядів короткої вибірки Сравнительный анализ методов моделирования и прогнозирования нестабильных временных рядов короткой выборки |
Authors |
Marynych, Tetiana Oleksandrivna
Nazarenko, Liudmyla Dmytrivna Khomenko, Nataliia Hryhorivna |
ORCID |
http://orcid.org/0000-0002-1393-7607 |
Keywords |
time series часовий ряд временной ряд decomposition декомпозиція декомпозиция forecast прогноз outlier аномальні відхилення аномальные отклонения autoregressive and moving average model (ARMA) модель авто регресії та ковзного середнього модель авторегрессии и скользящего среднего exponential smoothing експоненційне згладжування экспоненциальное сглаживание |
Type | Article |
Date of Issue | 2017 |
URI | http://essuir.sumdu.edu.ua/handle/123456789/68080 |
Publisher | Національний технічний університет «Харківський політехнічний інститут» |
License | |
Citation | Marynych, T.O. Comparative analysis of univariate time series modeling and forecasting techniques for short-term unstable data [Text] / T.O. Marynych, L.D. Nazarenko, N.H. Khomenko // Вісник НТУ "ХПІ": збірник наукових праць. Серія: Математичне моделювання в техніці та технологіях. – Харків: НТУ "ХПІ", 2017. – № 6 (1228). – С. 63–69. |
Abstract |
The article summarizes the international experience in univariate time series modeling approaches and methodology. It aims to make empirical assessment of their relevance and forecasting power for short sample volatile data with numerous aberrant observations and structural breaks with the help of the time series R packages. The findings revealed the pitfalls of outliers’ neglection including stationarity and model misspecification, biased parameter estimates, deterioration of residuals’ properties and prediction accuracy of the models. Empirical research demonstrated the outperformance of the outlier detection methods versus robust approaches that use smaller weights for aberrant observations. We tested a method of improving the forecasting power of the ARMA models by proper identification of hidden patterns and incorporation of additional information about extraordinary events into the model. We also considered frequency domain and nonparametric methods including exponential smoothing, seasonal and trend-cycle decomposition, structural and neural networks models to make comparative forecasting diagnostics. The findings showed slightly worse accuracy of the exponential smoothing and structural state-space models for short prediction horizons and their outperformance for longer forecasting periods. Neural networks showed outstanding in-sample approximation but poor out-of-sample quality. We recommend further studying of the Bayesian regime switching models that have proven to be a comprehensive way to explore hidden patterns in data, as well as dynamic factor multivariate models that can improve explanatory and forecasting power of the time series models in various applications. Проведено емпіричне оцінювання адекватності та прогнозної точності класичних лінійних моделей авторегресії та ковзного середнього, моделей експоненційного згладжування, структурних, нелінійних та непараметричних моделей для одновимірних часових рядів невеликої вибірки з чисельними відхиленнями. Запропоновано метод покращення якості ARMA моделі за рахунок включення фіктивних та пояснювальних змінних, які відтворюють інформацію щодо рідких і аномальних спостережень ряду, та відповідної корекції порядку інтегрування. Проведено эмпирическое оценивание адекватности и прогнозной точности классических линейных моделей авторегрессии и скользящего среднего, моделей экспоненциального сглаживания, структурных, нелинейных и непараметрических моделей для одномерных временных рядов небольшой выборки с многочисленными отклонениями. Предложен метод улучшения качества ARMA модели за счет включения фиктивных и объясняющих переменных, отражающих информацию о редких и аномальных наблюдениях ряда, а также коррекции соответствующего порядка интегрирования модели. |
Appears in Collections: |
Наукові видання (ЕлІТ) |
Views
Australia
176245636
Brazil
1
Germany
7336412
Greece
1
Ireland
406833
Italy
1
Lithuania
1
Netherlands
1005
Pakistan
1
Singapore
793817908
South Korea
1
Sweden
1
Taiwan
62616
Thailand
1
Ukraine
-1277230321
United Kingdom
14657091
United States
552276384
Unknown Country
43157269
Vietnam
4018
Downloads
China
1
Germany
1
Lithuania
1
Pakistan
793817906
Singapore
1
Ukraine
114814385
United Kingdom
3422766
United States
793817904
Unknown Country
332
Vietnam
1
Files
File | Size | Format | Downloads |
---|---|---|---|
Marynych_Nazarenko_Khomenko_Vestnik_KhPI_2017_6.pdf | 359.13 kB | Adobe PDF | 1705873298 |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.