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: 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 Australia
176245636
Brazil Brazil
1
Germany Germany
7336412
Greece Greece
1
Ireland Ireland
406833
Italy Italy
1
Lithuania Lithuania
1
Netherlands Netherlands
1005
Pakistan Pakistan
1
Singapore Singapore
793817908
South Korea South Korea
1
Sweden Sweden
1
Taiwan Taiwan
62616
Thailand Thailand
1
Ukraine Ukraine
-1277230321
United Kingdom United Kingdom
14657091
United States United States
552276384
Unknown Country Unknown Country
43157269
Vietnam Vietnam
4018

Downloads

China China
1
Germany Germany
1
Lithuania Lithuania
1
Pakistan Pakistan
793817906
Singapore Singapore
1
Ukraine Ukraine
114814385
United Kingdom United Kingdom
3422766
United States United States
793817904
Unknown Country Unknown Country
332
Vietnam 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.