R tahmin paketinden TBATS kullanarak zaman serisi ayrışmasını yorumlama

Aşağıdaki zaman serisi verilerini mevsimsel, trend ve artık bileşenlere ayırmak istiyorum. Veriler, ticari bir binadan saatlik Soğutma Enerji Profili:

TotalCoolingForDecompose.ts <- ts(TotalCoolingForDecompose, start=c(2012,3,18), freq=8765.81)
plot(TotalCoolingForDecompose.ts)

Bu nedenle aşağıdaki tavsiyelere dayanan bariz günlük ve haftalık mevsimsel etkiler vardır: Birden çok mevsimsel bileşen içeren bir zaman serisini nasıl parçalayabilirim? , Paketten tbatsişlevi kullandım forecast:

TotalCooling.tbats <- tbats(TotalCoolingForDecompose.ts, seasonal.periods=c(24,168), use.trend=TRUE, use.parallel=TRUE)
plot(TotalCooling.tbats)

Sonuç:

Bu modelin levelve slopebileşenleri neyi tanımlar? Bu paketin referans aldığı kağıda benzer bileşenleri trendve remainderbileşenleri nasıl alabilirim ( De Livera, Hyndman ve Snyder (JASA, 2011) )?

Bu sayfadaki kullanıcı yorumlarında , biri seviyenin ve eğimin yorumlanması ve ayrıca decompose()işlevin sağladığı eğilim ve artıkların nasıl alınacağını sorar . Hyndman, farklı modeller olarak düz bir çeviri olmadığını decompose()ve tbats()farklı modeller kullandığını belirtiyor . Ancak TBATS modelinizde Box-Cox dönüşümü yoksa, TBATS seviyesi kabaca decompose()trendle aynıdır . Öte yandan model Box-Cox dönüşümünü uygularsa, seviyeyi (kabaca) eğilim olarak yorumlamadan önce dönüşümü geri almanız gerekir. En azından onun cevabını böyle yorumluyorum.

Artıklara ve eğime gelince, bunlar aynı değildir.

Temel bir ayrışmanın bir trend bileşeni, mevsimsel bir bileşeni ve artık bir bileşeni olduğunu düşünebilirsiniz.

Eğilimi bir seviyeye ve bir eğime daha da ayırabilirsiniz. Seviye esas olarak eğilim için bir taban çizgisidir ve eğim birim zamandaki değişikliktir.

Eğilimi bir düzeye ve eğime indirmenin nedeni, bazı modellerin sönümlü büyümeyi desteklemesidir. Belki mevcut büyümeyi gözlemliyorsunuz, ancak büyümenin zaman içinde kademeli olarak azalmasını bekliyorsunuz ve tahminlerinizin bu beklentiyi yansıtmasını istiyorsunuz. Model, eğime bir sönümleme faktörü uygulayarak büyümeyi nemli hale getirmenize izin vererek bunu sıfıra doğru yakınlaştırarak, eğilimin kendi bileşenine doğru yaklaştığı anlamına gelir.

Seviyenin ve eğimin eğilimi sağlamak için nasıl birleştiği sorusuna doğrudan bir cevap yoktur. Kullandığınız modelin türüne bağlıdır. Genel bir ifade olarak, katkı trendi modelleri bunları bir katkı maddesi tarzında birleştirir ve çarpma eğilimi modelleri onları çarpımsal bir şekilde birleştirir. Modellerin sönümlü varyantları, seviyeyi sönümlü bir eğimle birleştirir. Hyndman'ın Üstel Düzgünleştirme kitabı ile Tahmin (Amazon bağlantısını dahil etmeyi umuyoruz - yazarla herhangi bir ilişkim yok) Tablo 2.1'de model başına kesin denklemler sağlar.