Inferential models application for time-series forecasting

Abstract

This thesis reviewed the inferential models framework, with a focus on prediction inference, and applied it to time-series forecasting. For time-series forecasts, a model agnostic inferential model was adopted, due the difficulty of setting up a dimension reduced association on time-series models. Separate construction strategies were given for single and multiple time-series data. Both constructions were tested on simulated data, and the latter was applied to a real world electroencephalography data, with alcoholic and control subjects. The multiple time-series construction was able to get closer to the desired coverage probability in the simulated data tests, than the single time-series construction. In the real world data tests, the multiple time-series construction had near exact coverage for control control subjects, while being conservative for alcoholics.

Tutkielma läpikäy päättelyllisten mallien (inferential models) viitekehyksen pitämällä painopisteen ennustepäättelyssä, sekä soveltaa sitä aikasarjaennustamiseen. Aikasarjaennustuksia varten otettiin käyttöön malliagnostinen päättelyllinen malli johtuen vaikeuksista ulottuvuuden pienennetyn assosiaation asettamisen aikasarja-aineistoon soveltuvien mallien kanssa. Erilliset päättelyllisen mallin rakentamisstrategiat esitettiin yksittäisen ja useamman aikasarjan aineistoille. Molempia strategioita testattiin simuloidulla aineistolla ja jälkimmäistä sovellettiin tosielämän aivosähkökäyräaineistoon, joka koostui kahdesta ryhmästä: alkoholistit ja kontrolli. Useampaa aikasarjaa hyödyntävä menetelmä pääsi simuloidun aineiston testeissä lähemmäs haluttua peittotodennäköisyyttä kuin yhden aikasarjan menetelmä, joka oli konservatiivisempi. Tosielämän datassa useamman aikasarjan menetelmä tuotti lähes tarkan peittotodennäköisyyden kontrolliryhmän koehenkilöille ollessaan konservatiivinen alkoholisteille.