Критерий Диболда-Мариано

Материал из MachineLearning.

(Различия между версиями)
Перейти к: навигация, поиск
Строка 3: Строка 3:
'''Критерий Диболда-Мариано''' (Diebold-Mariano test) — [[Статистический критерий|статистический тест]], позволяющий сравнивать качество прогнозов [[Временной_ряд|временного ряда]] двух предсказательных моделей. Впервые был представлен в работе Диболда и Мариано в 1995 году, где был приведен небольшой обзор тестов такого рода.
'''Критерий Диболда-Мариано''' (Diebold-Mariano test) — [[Статистический критерий|статистический тест]], позволяющий сравнивать качество прогнозов [[Временной_ряд|временного ряда]] двух предсказательных моделей. Впервые был представлен в работе Диболда и Мариано в 1995 году, где был приведен небольшой обзор тестов такого рода.
-
==Описание==
+
==Обозначения==
-
Пусть
 
<tex>\{y_t\}_{t=1}^T</tex> — значения временного ряда,
<tex>\{y_t\}_{t=1}^T</tex> — значения временного ряда,
Строка 17: Строка 16:
<tex>d_{t} = g(e_{At}) - g(e_{Bt}), t=1...T</tex>.
<tex>d_{t} = g(e_{At}) - g(e_{Bt}), t=1...T</tex>.
 +
 +
==Описание==
Если <tex>\{d_{t}\}_{t=1}^T</tex> является слабостационарным временным рядом, то можно показать, что <tex>\sqrt T(\bar d - \mu) \stackrel{d}{\longrightarrow} N(0, f)</tex>, где <tex>\bar d =\frac1T \sum_1^{T} d_t</tex>, <tex>\mu</tex> — неизвестное матожидание процесса, <tex>f</tex> — его дисперсия. Проверямая в критерии гипотеза <tex>H_0</tex>: <tex>\mathbf{E}d=0</tex>, альтернатива (двусторонняя): <tex>\mathbf{E}d\neq0</tex>.
Если <tex>\{d_{t}\}_{t=1}^T</tex> является слабостационарным временным рядом, то можно показать, что <tex>\sqrt T(\bar d - \mu) \stackrel{d}{\longrightarrow} N(0, f)</tex>, где <tex>\bar d =\frac1T \sum_1^{T} d_t</tex>, <tex>\mu</tex> — неизвестное матожидание процесса, <tex>f</tex> — его дисперсия. Проверямая в критерии гипотеза <tex>H_0</tex>: <tex>\mathbf{E}d=0</tex>, альтернатива (двусторонняя): <tex>\mathbf{E}d\neq0</tex>.
Строка 24: Строка 25:
==Область применения==
==Область применения==
Этот тест является устойчивым к различным отклонениям от стандартных предположенный о свойствах ошибок прогнозирования. А именно предполагается, что ошибки прогнозирования могут не удовлетворять классическим критериям, т.е. могут не быть нормальными, иметь ненулевой средний уровень, а также быть серийно и одновременно коррелированными. Рассмотренный способ проверки гипотезы о совпадении качества прогнозов, основанных на различных моделях, является надежным для широкого класса функций потерь. В частности, функции потерь не обязаны быть квадратическими или симметричными и непрерывными. Помимо этого, отметим еще раз, что ошибки прогнозирования могут не быть гауссовскими, а также могут иметь ненулевой средний уровень и быть коррелированными (как серийно, так и одновременно). Последнее допущение особенно важно, поскольку сравниваемые прогнозы являются прогнозами одного и того же временного ряда и основаны на довольно сильно совпадающих информационных множествах, вследствие чего ошибки прогнозирования могут быть сильно одновременно коррелированными. Однако ошибки прогнозирования в общем случае являются серийно коррелированными, и предложенный тест позволяет учитывать и эту особенность. Также возможны модификации критерия для односторонних альтернатив и для коротких временных рядов.
Этот тест является устойчивым к различным отклонениям от стандартных предположенный о свойствах ошибок прогнозирования. А именно предполагается, что ошибки прогнозирования могут не удовлетворять классическим критериям, т.е. могут не быть нормальными, иметь ненулевой средний уровень, а также быть серийно и одновременно коррелированными. Рассмотренный способ проверки гипотезы о совпадении качества прогнозов, основанных на различных моделях, является надежным для широкого класса функций потерь. В частности, функции потерь не обязаны быть квадратическими или симметричными и непрерывными. Помимо этого, отметим еще раз, что ошибки прогнозирования могут не быть гауссовскими, а также могут иметь ненулевой средний уровень и быть коррелированными (как серийно, так и одновременно). Последнее допущение особенно важно, поскольку сравниваемые прогнозы являются прогнозами одного и того же временного ряда и основаны на довольно сильно совпадающих информационных множествах, вследствие чего ошибки прогнозирования могут быть сильно одновременно коррелированными. Однако ошибки прогнозирования в общем случае являются серийно коррелированными, и предложенный тест позволяет учитывать и эту особенность. Также возможны модификации критерия для односторонних альтернатив и для коротких временных рядов.
 +
 +
==Пример==
 +
 +
> # Test on in-sample one-step forecasts
 +
> f1 <- ets(WWWusage)
 +
> f2 <- auto.arima(WWWusage)
 +
> accuracy(f1)
 +
ME RMSE MAE MPE MAPE MASE ACF1
 +
Training set 0.2528217 3.473243 2.812361 0.2803163 2.22432 0.6214815 0.1923543
 +
> accuracy(f2)
 +
ME RMSE MAE MPE MAPE MASE
 +
Training set 0.04803303 3.10304 2.395923 0.073378 1.914083 0.5294563
 +
ACF1
 +
Training set -0.007904884
 +
> dm.test(residuals(f1),residuals(f2),h=1)
 +
 +
Diebold-Mariano Test
 +
 +
data: residuals(f1)residuals(f2)
 +
DM = 2.2181, Forecast horizon = 1, Loss function power = 2, p-value =
 +
0.02883
 +
alternative hypothesis: two.sided
 +
 +
> # Test on out-of-sample one-step forecasts
 +
> f1 <- ets(WWWusage[1:80])
 +
> f2 <- auto.arima(WWWusage[1:80])
 +
> f1.out <- ets(WWWusage[81:100],model=f1)
 +
> f2.out <- Arima(WWWusage[81:100],model=f2)
 +
> accuracy(f1.out)
 +
ME RMSE MAE MPE MAPE MASE ACF1
 +
Training set 0.1202345 3.31996 2.657234 0.06949685 1.39911 0.4390213 0.2341423
 +
> accuracy(f2.out)
 +
ME RMSE MAE MPE MAPE MASE
 +
Training set 0.9983241 3.290295 2.401282 0.6350809 1.356964 0.3967336
 +
ACF1
 +
Training set 0.000574029
 +
> dm.test(residuals(f1.out),residuals(f2.out),h=1)
 +
 +
Diebold-Mariano Test
 +
 +
data: residuals(f1.out)residuals(f2.out)
 +
DM = 0.054, Forecast horizon = 1, Loss function power = 2, p-value =
 +
0.9575
 +
alternative hypothesis: two.sided
==Программные реализации==
==Программные реализации==

Версия 03:39, 24 января 2014

Содержание

Критерий Диболда-Мариано (Diebold-Mariano test) — статистический тест, позволяющий сравнивать качество прогнозов временного ряда двух предсказательных моделей. Впервые был представлен в работе Диболда и Мариано в 1995 году, где был приведен небольшой обзор тестов такого рода.

Обозначения

\{y_t\}_{t=1}^T — значения временного ряда,

\{y_{At}\}_{t=1}^T — прогнозные значения модели A,

\{y_{Bt}\}_{t=1}^T — прогнозные значения модели B,

\{e_{At}\}_{t=1}^T и \{e_{Bt}\}_{t=1}^T — остатки прогнозов обеих моделей,

g(e) — функция потерь,

d_{t} = g(e_{At}) - g(e_{Bt}), t=1...T.

Описание

Если \{d_{t}\}_{t=1}^T является слабостационарным временным рядом, то можно показать, что \sqrt T(\bar d - \mu) \stackrel{d}{\longrightarrow} N(0, f), где \bar d =\frac1T \sum_1^{T} d_t, \mu — неизвестное матожидание процесса, f — его дисперсия. Проверямая в критерии гипотеза H_0: \mathbf{E}d=0, альтернатива (двусторонняя): \mathbf{E}d\neq0.

Вычисляемая статистика: S=\frac{\bar d}{\sqrt{(\bar f / T)}}, где \bar f = \sum_{t=-\infty}^{t=\infty}\gamma_d(\tau), где \gamma_d(\tau) — автоковариация d порядка \tau. Гипотезе H_0 соответствует : S \sim N(0, 1).

Область применения

Этот тест является устойчивым к различным отклонениям от стандартных предположенный о свойствах ошибок прогнозирования. А именно предполагается, что ошибки прогнозирования могут не удовлетворять классическим критериям, т.е. могут не быть нормальными, иметь ненулевой средний уровень, а также быть серийно и одновременно коррелированными. Рассмотренный способ проверки гипотезы о совпадении качества прогнозов, основанных на различных моделях, является надежным для широкого класса функций потерь. В частности, функции потерь не обязаны быть квадратическими или симметричными и непрерывными. Помимо этого, отметим еще раз, что ошибки прогнозирования могут не быть гауссовскими, а также могут иметь ненулевой средний уровень и быть коррелированными (как серийно, так и одновременно). Последнее допущение особенно важно, поскольку сравниваемые прогнозы являются прогнозами одного и того же временного ряда и основаны на довольно сильно совпадающих информационных множествах, вследствие чего ошибки прогнозирования могут быть сильно одновременно коррелированными. Однако ошибки прогнозирования в общем случае являются серийно коррелированными, и предложенный тест позволяет учитывать и эту особенность. Также возможны модификации критерия для односторонних альтернатив и для коротких временных рядов.

Пример

> # Test on in-sample one-step forecasts > f1 <- ets(WWWusage) > f2 <- auto.arima(WWWusage) > accuracy(f1) 

                   ME     RMSE      MAE       MPE    MAPE      MASE      ACF1

Training set 0.2528217 3.473243 2.812361 0.2803163 2.22432 0.6214815 0.1923543 > accuracy(f2) 

                    ME    RMSE      MAE      MPE     MAPE      MASE

Training set 0.04803303 3.10304 2.395923 0.073378 1.914083 0.5294563 

                    ACF1

Training set -0.007904884 > dm.test(residuals(f1),residuals(f2),h=1)

Diebold-Mariano Test

data: residuals(f1)residuals(f2) DM = 2.2181, Forecast horizon = 1, Loss function power = 2, p-value = 0.02883 alternative hypothesis: two.sided

> # Test on out-of-sample one-step forecasts > f1 <- ets(WWWusage[1:80]) > f2 <- auto.arima(WWWusage[1:80]) > f1.out <- ets(WWWusage[81:100],model=f1) > f2.out <- Arima(WWWusage[81:100],model=f2) > accuracy(f1.out) 

                   ME    RMSE      MAE        MPE    MAPE      MASE      ACF1

Training set 0.1202345 3.31996 2.657234 0.06949685 1.39911 0.4390213 0.2341423 > accuracy(f2.out) 

                   ME     RMSE      MAE       MPE     MAPE      MASE

Training set 0.9983241 3.290295 2.401282 0.6350809 1.356964 0.3967336 

                   ACF1

Training set 0.000574029 > dm.test(residuals(f1.out),residuals(f2.out),h=1)

Diebold-Mariano Test

data: residuals(f1.out)residuals(f2.out) DM = 0.054, Forecast horizon = 1, Loss function power = 2, p-value = 0.9575 alternative hypothesis: two.sided

Программные реализации

  • Для Matlab.
  • Для R есть функция dm.test из пакета forecast.

Ссылки

Источник — «http://www.recognition.su/wiki/index.php?title=%D0%9A%D1%80%D0%B8%D1%82%D0%B5%D1%80%D0%B8%D0%B9_%D0%94%D0%B8%D0%B1%D0%BE%D0%BB%D0%B4%D0%B0-%D0%9C%D0%B0%D1%80%D0%B8%D0%B0%D0%BD%D0%BE»