Forecast model category

Wielowymiarowa, hierarchiczna autoregresja wektorowa

Hierarchiczna automatyczna regresja wektorowa, modele HVAR, łagodzą problem spadku wydajności prognozy, ponieważ każda dodana zmienna jest traktowana demokratycznie, mimo że bardziej odległe dane zwykle są mniej przydatne w prognozowaniu. Zamiast narzucać pojedynczą, uniwersalną kolejność opóźnień, opóźnienia mogą się różnić w zależności od modeli HVAR. W ramach HVAR nie ma zmiennych egzogennych.

HVAR Componentwise Lasso

W modelach komponentowych wszystkie zmienne mają takie samo maksymalne opóźnienie.

HVAR Elementwise Lasso

Najbardziej ogólna struktura, w każdym modelu marginalnym, każda seria może mieć własne maksymalne opóźnienie.

HVAR Own/Inne Lasso

Nakłada dodatkową warstwę hierarchii: priorytetyzowanie opóźnień „własnych” nad „innymi” opóźnieniami w ramach HVAR.

Explore more model categories

Modele jednowymiarowe szeregów czasowych

Wielowymiarowe, mieszane modele częstotliwości

Wielowymiarowa, hierarchiczna autoregresja wektorowa

Wielowymiarowy, grupa Lasso

Modele wielowymiarowe, ukarane

Wielowymiarowe modele uczenia maszynowego

Wielowymiarowe, klasyczne modele ekonometryczne