Katkı Maddesi ve Çarpımsal Bozunma

Benim sorum gerçekten basit ama bunlar beni gerçekten elde edenler :) Belirli bir zaman serisinin bir katkı maddesi veya çarpımsal ayrıştırma yöntemi kullanılarak ayrıştırılıp ayrıştırılamayacağını gerçekten bilmiyorum. Onları birbirinden ayırmanın görsel ipuçları olduğunu biliyorum ama anlamıyorum.

Örneğin bu zaman serisini ele alalım:

resim açıklamasını buraya girin

Nasıl tarif edersiniz?

Yardımın için şimdiden teşekkür ederim.

time-series mathematical-statistics variance-decomposition

— 4everlearning
kaynak

Çarpımsal bir ayrışma kabaca logaritmaların ilave bir ayrışmasına karşılık gelir; iş parçacığı stat.stackexchange.com/questions/74537'de günlük (veya karekök) dönüşümleri alıp almayacağınıza karar verme konusundaki iş parçacıklarının çoğu burada da geçerlidir. (Burada dönüşümleri önlemeye dikkat eden cevapları yoksayın, çünkü mesele bu değildir.) Örneğinizde , özellikle karşılıklıların anlamlı bir yorumu varsa (galon başına milleri dönüştürmek gibi) verilerin karşılıklılıklarına dayanan bir ayrıştırma bile çağrılabilir. mil başına galon içine).

— whuber

@whuber Cevabınız ve yediğiniz SO yazısı için çok teşekkür ederim. Korkarım onları nasıl birbirinden ayıracağımı ve o zaman serisini illüstrasyon amacıyla nasıl kullanacağını söylemeyi umuyordum. Ayrışmaya dayalı karşılıklıları hiç duymadım: - / Bununla ilgili biraz araştırma yapacağım.

— 4everlearning

Referansta bulunduğum konudaki iki cevap onları birbirinden ayırmak için prosedürler verir: "tahminci" tarafından verilen "STL metodu" na atıfta bulunur ve bunu gösterir; cevabımR basit ve sağlam bir keşif yöntemi olan “yayılıma karşı seviye grafiği” ni açıklar (ve kodunu verir ). Grafiğinize göz atabilir ve değerler 600'e yaklaştığında, kısa vadeli varyasyonlarının genliklerinin neredeyse 200'e yakın olanlardan daha büyük bir büyüklük sırası olduğunu görebilirim: Bu, bir günlük, karşılıklı veya belki karşılıklı karekök düşünmeyi gösterir.

— whuber

@Whuber'ın önerilerine ek olarak, sizi neden katkı maddesi ile çarpımsal ayrışmayı seçeceğinizi açıklayan https://www.otexts.org/fpp/6/1 adresine yönlendiririm.

Özellikle verilerinize bakarken, mevsimsellik değiştiğinden, başlangıçta mevsimsellik büyük olduğundan ve mevsimsellik daha sonraki yıllarda neredeyse bulunmadığından, bu, çarpımsal bir ayrışma anlamına gelecektir. Yukarıda atıfta bulunulan metne göre, bir alternatif uygun bir dönüşüm yapmak ve ilave bozunma uygulamak olacaktır.

Modda 1972 etrafında ayrıştırma sırasında da işlem görmesi gereken bir seviye kayması vardır.

Tahmin edilmeyen çalışmaların çoğunun ayrışmadan çıkmasını sağlayan ve stokastik ve deterministik eğilimler / mevsimsellik gibi sağlam kararlar vermeniz için size iyi istatistikler sağlayan gözlemlenmemiş bileşenler modeli adı verilen başka bir ayrışmaya dayalı yöntem vardır.

Bu yardımcı olur umarım.

— tahminci
kaynak

+1 Sadece açıklığa kavuşturmak için: Alternatif olarak uygun bir dönüşüm önermek zorunda değildim. Benim önerim, çarpımsal yapının bir göstergesinin, bir log dönüşümünün yayılma-ortalama ilişkisini stabilize ettiği gibi olacağıydı.

— whuber

Tamamen katılıyorum @whuber.

— tahminci