का उपयोग कर SARIMAX मॉडल के लिए संख्यात्मक विधि वर्तमान में मेरा मित्र समय सीमा मॉडल मॉडल, सरिमैक्स (मौसमी एरिमा एक्सोजेनस) के पैरामीटर के अनुमान के बारे में अपने कार्य पर काम कर रहा है, अधिकतम लिकेलिड अनुमान (एमएलई) विधि के साथ। उनके द्वारा उपयोग किया जाने वाला डेटा 2000 - 2012 से हिंद महासागर डिप्लोले (आईओडी) इंडेक्स के साथ एक्सोजेनिक चर के रूप में मासिक वर्षा के बारे में है।आर
MONTH YEAR RAINFALL IOD
1 1 2000 15.3720526 0.0624
2 2 2000 10.3440804 0.1784
3 3 2000 14.6116392 0.3135
4 4 2000 18.6842179 0.3495
5 5 2000 15.2937896 0.3374
6 6 2000 15.0233152 0.1946
7 7 2000 11.1803399 0.3948
8 8 2000 11.0589330 0.4391
9 9 2000 10.1488916 0.3020
10 10 2000 21.1187121 0.2373
11 11 2000 15.3980518 -0.0324
12 12 2000 18.9393770 -0.0148
13 1 2001 19.1075901 -0.2448
14 2 2001 14.9097284 0.1673
15 3 2001 19.2379833 0.1538
16 4 2001 19.6900990 0.3387
17 5 2001 8.0684571 0.3578
18 6 2001 14.0463518 0.3394
19 7 2001 5.9916609 0.1754
20 8 2001 8.4439327 0.0048
21 9 2001 11.8321596 0.1648
22 10 2001 24.3700636 -0.0653
23 11 2001 22.3584436 0.0291
24 12 2001 23.6114379 0.1731
25 1 2002 17.8409641 0.0404
26 2 2002 14.7377067 0.0914
27 3 2002 21.2226294 0.1766
28 4 2002 16.6403125 -0.1512
29 5 2002 10.8074049 -0.1072
30 6 2002 6.3796552 0.0244
31 7 2002 17.0704423 0.0542
32 8 2002 1.7606817 0.0898
33 9 2002 5.3665631 0.6736
34 10 2002 8.3246622 0.7780
35 11 2002 17.8044938 0.3616
36 12 2002 16.7062862 0.0673
37 1 2003 13.5572859 -0.0628
38 2 2003 17.1113997 0.2038
39 3 2003 14.9899967 0.1239
40 4 2003 14.0996454 0.0997
41 5 2003 11.4017542 0.0581
42 6 2003 6.7749539 0.3490
43 7 2003 7.1484264 0.4410
44 8 2003 10.3004854 0.4063
45 9 2003 10.6630202 0.3289
46 10 2003 20.6518764 0.1394
47 11 2003 20.8638443 0.1077
48 12 2003 20.5548048 0.4093
49 1 2004 16.0436903 0.2257
50 2 2004 17.2568827 0.2978
51 3 2004 20.2361063 0.2523
52 4 2004 11.6619038 0.1212
53 5 2004 12.8296532 -0.3395
54 6 2004 8.4202138 -0.1764
55 7 2004 15.5916644 0.0118
56 8 2004 0.9486833 0.1651
57 9 2004 7.2732386 0.2825
58 10 2004 18.0083314 0.3747
59 11 2004 14.4672043 0.1074
60 12 2004 17.3637554 0.0926
61 1 2005 18.9420168 0.0551
62 2 2005 17.0146995 -0.3716
63 3 2005 23.3002146 -0.2641
64 4 2005 17.8689675 0.2829
65 5 2005 17.2365890 0.1883
66 6 2005 14.0178458 0.0347
67 7 2005 12.6925175 -0.0680
68 8 2005 9.3861600 -0.0420
69 9 2005 11.7132404 -0.1425
70 10 2005 18.5768673 -0.0514
71 11 2005 19.6723156 -0.0008
72 12 2005 18.3248465 -0.0659
73 1 2006 18.6252517 0.0560
74 2 2006 18.7002674 -0.1151
75 3 2006 23.4882950 -0.0562
76 4 2006 19.5652754 0.1862
77 5 2006 13.6857590 0.0105
78 6 2006 11.1265448 0.1504
79 7 2006 11.0227038 0.3490
80 8 2006 7.6550637 0.5267
81 9 2006 1.8708287 0.8089
82 10 2006 5.4129474 0.9479
83 11 2006 15.2249795 0.7625
84 12 2006 14.1703917 0.3941
85 1 2007 22.8691932 0.4027
86 2 2007 14.3317829 0.3353
87 3 2007 13.0766968 0.2792
88 4 2007 23.2335964 0.2960
89 5 2007 12.2474487 0.4899
90 6 2007 11.3357840 0.2445
91 7 2007 9.3112835 0.3629
92 8 2007 1.6431677 0.5396
93 9 2007 6.8483575 0.6252
94 10 2007 13.1529464 0.4540
95 11 2007 14.5120639 0.2489
96 12 2007 18.7909553 0.0054
97 1 2008 17.6493626 0.3037
98 2 2008 13.3828248 0.1166
99 3 2008 19.0525589 0.2730
100 4 2008 17.3262806 0.0467
101 5 2008 5.2345009 0.4020
102 6 2008 3.3166248 0.4263
103 7 2008 10.1094016 0.5558
104 8 2008 11.7260394 0.4236
105 9 2008 10.7470926 0.4762
106 10 2008 15.1591557 0.4127
107 11 2008 25.5558213 0.1474
108 12 2008 18.2455474 0.1755
109 1 2009 14.5430396 0.2185
110 2 2009 12.8569048 0.3521
111 3 2009 24.0707291 0.2680
112 4 2009 16.0374562 0.3234
113 5 2009 7.2387844 0.4757
114 6 2009 13.8021737 0.3078
115 7 2009 7.5232972 0.1179
116 8 2009 6.3403470 0.1999
117 9 2009 4.6583259 0.2814
118 10 2009 13.0958008 0.3646
119 11 2009 15.3329710 0.1914
120 12 2009 19.0394328 0.3836
121 1 2010 15.5080624 0.4732
122 2 2010 17.1551742 0.2134
123 3 2010 23.9729014 0.6320
124 4 2010 18.2537667 0.5644
125 5 2010 18.2236111 0.1881
126 6 2010 14.6082169 0.0680
127 7 2010 13.6161669 0.3111
128 8 2010 11.1220502 0.2472
129 9 2010 20.7870152 0.1259
130 10 2010 19.5371441 -0.0529
131 11 2010 24.8837296 -0.2133
132 12 2010 15.5016128 0.0233
133 1 2011 17.3435867 0.3739
134 2 2011 17.6096564 0.4228
135 3 2011 19.0682983 0.5413
136 4 2011 20.4890214 0.3569
137 5 2011 12.0540450 0.1313
138 6 2011 12.5896783 0.2642
139 7 2011 5.0990195 0.5356
140 8 2011 6.5726707 0.6490
141 9 2011 2.5099801 0.5884
142 10 2011 17.6380271 0.7376
143 11 2011 17.5128524 0.6004
144 12 2011 17.2655727 0.0990
145 1 2012 16.6883193 0.2272
146 2 2012 20.8374663 0.1049
147 3 2012 16.7002994 0.1991
148 4 2012 18.7962762 -0.0596
149 5 2012 16.9292646 -0.1165
150 6 2012 11.6490343 0.2207
151 7 2012 6.2529993 0.8586
152 8 2012 5.8991525 0.9473
153 9 2012 7.8485667 0.8419
154 10 2012 12.5817328 0.4928
155 11 2012 24.7770055 0.1684
156 12 2012 23.2486559 0.4899
ऐसा करने में, वह R के साथ काम करता है क्योंकि यह SARIMAX मॉडल का विश्लेषण करने के लिए पैकेज दिया गया है: यहाँ डाटा नहीं है। और अब तक, वह मौसमी एआरआईएमए आदेश (1,0,1) के साथ टीएसए पैकेज के arimax() समारोह के साथ अच्छा कर रहा है।
तो यहाँ मैं उसकी वाक्य रचना देते हैं:
> model_ts
Call:
arimax(x = log(rainfall_ts), order = c(1, 0, 1), seasonal = list(order = c(1,
0, 1), period = 12), xreg = exo_ts, method = "ML")
Coefficients:
ar1 ma1 sar1 sma1 intercept xreg
0.5730 -0.4342 0.9996 -0.9764 2.6757 -0.4894
s.e. 0.2348 0.2545 0.0018 0.0508 0.1334 0.1489
sigma^2 estimated as 0.1521: log likelihood = -86.49, aic = 184.99
हालांकि उन्होंने दावा किया कि वाक्य रचना काम कर रहा है, लेकिन उसकी व्याख्याता अधिक की उम्मीद:
#Importing data
data=read.csv("C:/DATA.csv", header=TRUE)
rainfall=data$RAINFALL
exo=data$IOD
#Creating the suitable model of data that is able to be read by R with ts() function
library(forecast)
rainfall_ts=ts(rainfall, start=c(2000, 1), end=c(2012, 12), frequency = 12)
exo_ts=ts(exo, start=c(2000, 1), end=c(2012, 12), frequency = 12)
#Fitting SARIMAX model with seasonal ARIMA order (1,0,1) & estimation method is MLE (or ML)
library(TSA)
model_ts=arimax(log(rainfall_ts), order=c(1,0,1), seasonal=list(order=c(1,0,1), period=12), xreg=exo_ts, method='ML')
नीचे परिणाम है। सैद्धांतिक रूप से, क्योंकि उन्होंने एमएलई का उपयोग किया, उन्होंने साबित कर दिया है कि लॉग-संभावना कार्य के पहले डेरिवेटिव अंतर्निहित समाधान देते हैं। इसका मतलब है कि आकलन प्रक्रिया एमएलई के साथ विश्लेषणात्मक रूप से नहीं की जा सकती है, इसलिए हमें इसे करने के लिए संख्यात्मक विधि के साथ काम करने के लिए की आवश्यकता है।
तो यह मेरे मित्र के व्याख्याता की अपेक्षा है। उन्होंने उनसे उम्मीद की कि वह कम से कम उन्हें विश्वास दिला सकते हैं कि अनुमान वास्तव में संख्यात्मक रूप से करने की आवश्यकता है और यदि ऐसा है, तो वह उसे दिखा सकता है कि आर द्वारा उपयोग की जाने वाली विधि (न्यूटन-रैफसन, बीएफजीएस जैसी संख्यात्मक विधि , बीएचएचएच, आदि)।
लेकिन यहाँ बात arimax() समारोह हमें चुनने के लिए संख्यात्मक पद्धति पर पसंद नहीं देता आकलन संख्यानुसार नीचे की तरह क्रियान्वित किया जा करने की आवश्यकता है है:
model_ts=arimax(log(rainfall_ts), order=c(1,0,1), seasonal=list(order=c(1,0,1), period=12), xreg=exo_ts, method='ML')
'method' ऊपर आकलन विधि के लिए है और उपलब्ध विधि ML, CSS, और CSS-ML हैं। यह स्पष्ट है कि उपरोक्त सिंटैक्स में संख्यात्मक विधि शामिल नहीं है और यह मामला है।
तो क्या यह जानने का कोई संभावित तरीका है कि आर द्वारा उपयोग की जाने वाली संख्यात्मक विधि क्या है? या मेरे दोस्त को arimax() फ़ंक्शन के आधार पर अपना स्वयं का प्रोग्राम बनाना है?
यदि मेरे कोड में कोई त्रुटि है, तो कृपया मुझे बताएं। मैं किसी भी व्याकरण या शब्दावली गलतियों के लिए भी क्षमा चाहता हूं। हिन्दी मेरी मातृभाषा नहीं है।
आपकी अंग्रेजी इतनी खराब नहीं है। इसके विपरीत, यह बहुत स्पष्ट है। शायद आपका दोस्त ढेर ओवरफ्लो में शामिल होना चाहता है। – shayaa
@shayaa मुझे यह जानकर बहुत राहत मिलती है कि आप समझते हैं कि मैं क्या कहने जा रहा हूं। वैसे भी, मुझे लगता है कि अगर वह हमारे साथ यहां शामिल हो तो यह एक अच्छा विचार है, इसलिए वह प्रोग्रामिंग समस्या से संबंधित कुछ भी पूछ सकता है – crhburn