Forecasting compositional time series: A state space approach

چارچوبی برای پیش بینی مجموعه های زمانی کامپوزیت، مانند سهم بازار، پیشنهاد شده است. بر اساس مدل های فضایی حالت های نوآورانه چندگانه گاوس، آن را به عملکرد تابع ورودی تبدیل می کند تا سهم مشاهده شده (نسبت) را بر روی خط واقعی تبدیل کند. این مدل ها دارای ماتریس کوواریانس نامحدود هستند، اما همچنین دارای برخی از عناصر ساختاری خاص است که برای همه سری ها رایج است، که ثابت شده است که هر دو لازم و کافی برای اطمینان از اینکه پیش بینی سهام به انتخاب سری پایه غیر ممکن است. این چارچوب شامل یک رویکرد حداکثر احتمال برای محاسبات به منظور برآورد، با استفاده از روش های صاف کردن نمایشی است که می تواند برای دسته بندی هایی که به زودی یا به پایان رسیده (محصولات جدید و یا حذف شده) آغاز می شود، سازگار باشد. توزیع پیش بینی توزیع شده شبیه سازی تقریبی ها را برای توزیع پیش بینی مورد نیاز سهام فرد و مقادیر مربوطه مورد توجه قرار می دهد. این رویکرد در ایالات متحده اطلاعات مربوط به سهم بازار خودرو در سالهای 1961 تا 2013 نشان داده شده است.