我想探索在没有前瞻性偏差的情况下消除时间序列趋势的不同方法。
我想使用 Hodrick Prescott 滤波器，这似乎是一个相当不错的频率滤波器，但它基于一种优化方法，我知道它可能会在边界处产生奇怪和不稳定的结果。
滚动窗口上的小波平滑将是另一种选择，但边界效应可能会很大（数据是通过对称复制的，这对于边缘技术的精度来说是可怕的）。
有什么想法或意见吗？
PS：这个话题已经在这里讨论过了，我知道。但我想在一个更精确的问题上再深入一点。
如何在没有前瞻偏差的情况下消除趋势？
机器算法验证
时间序列
计量经济学
趋势
2022-03-29 13:18:32
3个回答
没有办法摆脱最终影响。
与任何插值技术一样，HP 方法依赖于当前位置之前和之后的数据来为该位置提供过滤的点/线。当您接近数据系列的任一端并低于所需的未来（或过去）点数时，您要么不提供过滤线，要么过滤线的特征必须改变。
盲目地延长线并假设它在系列的末端与中间具有相同的属性是很危险的。底线是，HP 过滤器没有预测能力。
去趋势需要在宣布新趋势开始之前预先指定您需要多少值。鉴于此规范，假设 n 个值，则必须关注区分电平转换（即截距变化）和时间趋势变化。如果您假设没有水平偏移，则只需搜索不同的时间点并选择那些已发现具有统计显着性的点。例如，如果您有系列 1,2,3,4,5,7,9,11 ...这将表明趋势“改变”的两个时间点，即周期 1 和周期 5。或者，如果您有像 0,0,0,0,0,1,2,3,4,5,,,,, 这样的系列，只有 1 个时间点可以证明显着趋势，即第 5 期。时间序列中的异常值和 ARIMA 结构可能会导致趋势点变化识别的失真，可能需要在趋势点检测之前合并。最近一篇关于年轮数据的论文http://www.autobox.com/pdfs/forestdisturance.pdf讨论了这个问题。
一种可能性是预测/回溯两个端点。
X12-ARIMA 和 TRAMO-SEATS 等许多季节性调整方法都可以做到这一点。
如果您对数据应用居中移动平均线，那么您必须以某种方式获得比系列更多的观察结果。需要一些未来和过去的值。
问候，
-一个
其它你可能感兴趣的问题